数据结构课程虚拟实验环境：可视化实验、在线代码运行与大模型辅助智能反馈

一、项目简介

本系统面向数据结构课程实验教学，采用前后端分离架构实现一个在线虚拟实验平台。学生可以在浏览器中查看实验任务、操作数据结构可视化组件、编写并运行 Java/Python/C 代码；教师可以发布实验、查看学生进度、统计成绩与常见错误。

相比传统“本地 IDE + 课后批改”的方式，系统的重点在于把“实验说明、代码编辑、沙箱执行、智能反馈、成绩统计”放到同一个闭环里。学生提交代码后，不只看到编译或运行结果，还可以得到面向错误原因的诊断建议，教师端也能沉淀班级错误画像，辅助后续教学。

二、技术栈

前端使用 Vue 3、Element Plus、Vue Router、Pinia、Monaco Editor、D3.js 和 ECharts。Monaco Editor 提供接近本地 IDE 的代码编辑体验，D3.js 用于链表、栈、队列、二叉树、图、排序等数据结构可视化，ECharts 用于教师端统计图表。

后端使用 Spring Boot 3、Spring Security、JWT、MyBatis-Plus、MySQL、Redis。代码执行模块支持进程沙箱模式，也保留 Docker 沙箱模式配置，可以限制运行时间、内存和执行环境，避免学生代码直接影响服务主进程。

三、核心功能

系统按角色划分为学生端、教师端和管理员端。学生端包括实验列表、实验详情、在线代码编辑、运行/提交、我的进度、成绩查询和学习资源；教师端包括实验管理、学生进度、成绩统计、资源管理；管理员端包括用户管理、系统日志和数据备份。

实验详情页将“任务说明 + 数据结构可视化 + 代码编辑器”组合在一个页面中，学生一边看题目，一边观察结构变化，一边调试代码。

四、大模型辅助智能反馈模块

这个系统中最值得展开的是智能反馈模块。它不是把大模型做成一个独立聊天窗口，而是嵌入到代码实验流程里：学生运行代码后，系统自动收集实验上下文、代码执行结果和错误信息，再生成结构化反馈。

智能反馈的输入主要包括：

1. 实验信息：实验标题、数据结构类别、难度、实验目标、期望输出。
2. 学生代码：当前编辑器中的完整代码。
3. 执行结果：编译错误、运行异常、输出内容、执行时间、内存使用。
4. 错误上下文：异常类型、错误行号、堆栈信息、期望输出与实际输出差异。

反馈输出则保持结构化，便于前端直接展示：

{
  "type": "ERROR",
  "message": "空指针异常(NullPointerException)",
  "lineNumber": 9,
  "suggestion": "请检查对象是否为 null 后再使用，链表或树节点遍历时尤其需要先判空。"
}

从产品体验上看，学生不需要自己从长堆栈里筛选关键信息。系统会把异常类型、错误原因和修改方向整理成更适合初学者阅读的提示，例如空指针、数组越界、栈溢出、死循环/超时、编译错误等。

五、智能反馈流程设计

智能反馈模块的处理链路如下：

1. 学生点击“运行”或“提交”。
2. 后端根据语言类型选择 Java、Python 或 C 的执行流程。
3. 沙箱编译并运行代码，记录标准输出、错误输出、运行耗时和内存使用。
4. 如果执行成功，则对比期望输出，判断是否通过。
5. 如果执行失败，则进入错误分析流程，识别异常类型并生成修复建议。
6. 前端将执行结果、错误信息和智能反馈以卡片形式展示。
7. 提交数据沉淀到数据库，供学生成绩页和教师统计页使用。

这里的设计重点是“即时性”和“教学语境”。普通编译器只告诉学生程序错在哪里，但系统需要进一步解释为什么错、应该从哪个数据结构操作去排查。例如链表题出现 NullPointerException 时，反馈会引导学生检查节点是否为空、遍历时是否先判断 next、删除节点时是否处理头节点和尾节点边界。

六、为什么要把大模型能力放进实验闭环

数据结构课程的错误往往不是简单语法问题，而是和抽象结构有关。例如：

1. 链表删除节点时漏掉前驱指针。
2. 二叉搜索树插入时只处理左子树，忘记右子树。
3. 递归遍历缺少终止条件导致栈溢出。
4. 排序算法边界控制错误导致输出不完整。
5. 图遍历没有维护 visited 集合导致重复访问或死循环。

这类问题如果只返回一段编译器错误，学生很难快速建立“错误现象”和“数据结构知识点”的联系。智能反馈模块的价值就在于把运行时错误翻译成课程语言，帮助学生从“代码报错”回到“算法思路”。

七、学生端学习分析

学生完成实验后，可以在成绩查询页看到平均分、最高分、完成实验数、完成率以及每个实验的成绩明细。系统会根据成绩表现给出学习建议，帮助学生判断当前是继续挑战高难度实验，还是回到学习资源补基础。

八、教师端错误统计

教师端的统计页会聚合全班实验数据，包括学生总数、实验总数、提交总数、正确提交数、提交通过率、平均分、分数分布、实验完成率、各实验提交通过率和常见错误类型 TOP 10。

这部分和智能反馈模块形成闭环：学生端解决个体问题，教师端观察群体问题。例如某个实验的错误次数明显偏高，或者某类错误在 TOP 10 中频繁出现，教师就可以针对性补充讲解。

教师也可以查看学生实验进度，了解每位学生的完成状态、得分、提交次数和教师评语。

九、系统亮点总结

1. 可视化与代码实验结合：学生既能观察数据结构形态，又能在编辑器里实现算法。
2. 在线沙箱运行：无需本地配置 Java、Python、C 环境，浏览器中即可完成实验。
3. 智能反馈及时返回：错误信息不再只是一段堆栈，而是转化为可理解的修改建议。
4. 教学数据可沉淀：提交记录、成绩、错误类型都能用于后续分析。
5. 角色权限清晰：学生练习、教师管理、管理员维护分别对应不同功能边界。

十、后续优化方向

后续可以继续增强大模型能力：将实验内容、学生代码、错误堆栈、历史提交记录一起作为上下文，调用外部大模型生成更细粒度的诊断建议；也可以让模型输出“提示级别”分层反馈，先给思路提示，再给关键代码修改方向，避免学生直接复制答案。

此外，还可以把教师端常见错误统计和大模型结合起来，自动生成课堂讲解建议，例如“本周链表删除操作错误集中在非头节点删除和空指针判断，可以增加边界案例演示”。

整体来看，这套数据结构虚拟实验环境不仅解决了在线实验和教学管理问题，也为大模型辅助编程教学提供了一个比较完整的落地点。

十一、联系我们获取更多资料