AIGrader：一个 AI 作业批改平台的 Java EE 课设实战

教师布置作业，AI 秒级批改，学生即时查看并订正，教师复核确认——一个完整的作业批改闭环。

---

目录

• 这个项目是什么
• 功能全景
• 技术架构
• 核心模块：AI 批改引擎
• 核心模块：个性化评语与学习报告
• 核心模块：动态模型切换
• 核心模块：认证与权限
• 前端实现
• 总结与收获

---

这个项目是什么

AIGrader 是一个基于 AI 的中小学作业批改平台。教师在线布置作业，学生在线答题，AI 自动批改并生成评语，学生查看结果后可以订正，教师最终复核确认。

核心闭环：教师布置 → AI 秒级批改 → 学生查看与订正 → 教师复核。

技术栈

层级	技术
后端框架	Spring Boot 3.4.5 + Java 21 + Maven
AI 引擎	Spring AI 1.0.0-M6 + DeepSeek（支持动态切换模型）
安全认证	Spring Security + JWT（无状态 Token）
数据库	PostgreSQL 16 + pgvector 扩展
缓存	Redis 7（DB=2）
前端框架	React 18 + Vite + TypeScript
UI 组件	Ant Design 5
图表	Recharts 2.15
状态管理	Zustand

项目地址：github.com/xiaodangjia105/AIGrader

这是我的 Java EE 课程设计项目，一个人完成的全栈开发。后端 63 个 Java 文件，前端 21 个 TS/TSX 文件，9 张数据库表，30+ 个 REST API。

---

功能全景

系统有三种角色：教师、学生、管理员。每个角色看到的界面和能做的事完全不同。

教师端

功能	说明
作业管理	创建作业、从题库选题组卷、查看布置历史
AI 批改结果查看	查看每个学生的 AI 批改结果，含分数、评语、扣分原因
批改复核	对 AI 批改结果进行人工修正，调整分数或评语
个性化评语	AI 根据学生历史表现生成个性化评语，教师可编辑后发送
班级统计	查看班级完成率、平均分、分数分布

学生端

功能	说明
查看作业	查看教师布置的待完成作业列表
在线答题	支持选择题、判断题、填空题、简答题、作文题
查看批改结果	即时查看 AI 批改的分数、评语和正确答案
错题订正	对错误答案进行订正，系统记录订正历史
学习报告	AI 分析薄弱知识点，生成个性化学习建议

管理后台

功能	说明
题库管理	题目的 CRUD 操作，支持 JSON/CSV 批量导入
用户管理	查看和管理所有用户
AI 配置	动态切换 AI 模型和 API Key，无需重启服务
AI 准确率趋势	跟踪 AI 批改的准确率变化

---

技术架构

后端采用标准的 Spring Boot 分层架构：

• Controller 层（8 个控制器）：处理 HTTP 请求，参数校验，调用 Service
• Service 层（10 个服务）：核心业务逻辑，事务管理
• Repository 层（9 个仓库）：JPA 数据访问，自动建表
• Entity 层（9 个实体）：数据库表映射
• DTO 层（12 个对象）：数据传输对象，隔离内部模型和 API 契约

前端结构：

• Pages：按角色分组——教师端 5 页、学生端 5 页、管理后台 4 页
• Components：共享组件（表格、表单、图表）
• Services：API 调用层，Axios + JWT 拦截器
• Store：Zustand 状态管理

数据库有 9 张表，其中 PostgreSQL 的 pgvector 扩展用于存储和检索向量数据（支持未来的智能题目推荐功能）。Redis 用于 JWT Token 黑名单和会话缓存。

---

核心模块：AI 批改引擎

这是整个系统最核心的部分。不同题型的批改逻辑完全不同——选择题可以精确匹配，填空题需要模糊匹配，主观题需要 AI 理解语义。用一个统一的接口处理所有题型，是策略模式的典型应用场景。

策略模式设计

public interface GradingStrategy {
    /**
     * 批改一道题
     * @param question 题目信息（题干、正确答案、分值）
     * @param answer 学生答案
     * @return 批改结果（分数、评语、扣分原因）
     */
    GradingResult grade(Question question, String answer);
}

三个实现类：

• ChoiceGradingStrategy（选择题/判断题）：精确匹配答案，不需要调 AI。分数要么满分要么零分。
• FillBlankGradingStrategy（填空题）：先精确匹配，失败后调 AI 做语义相似度判断。比如答案是"二氧化碳"，学生写了"CO2"，也算对。
• SubjectiveGradingStrategy（简答题/作文题）：调 DeepSeek API，让 AI 根据评分标准打分。

工厂模式根据题型分发：

public class GradingStrategyFactory {
    private final Map<QuestionType, GradingStrategy> strategies;

    public GradingStrategy getStrategy(QuestionType type) {
        GradingStrategy strategy = strategies.get(type);
        if (strategy == null) {
            throw new IllegalArgumentException("不支持的题型: " + type);
        }
        return strategy;
    }
}

Prompt 工程

主观题批改的关键在 Prompt 设计。PromptTemplateService 按学科组织 Prompt 模板，不同学科的评分标准不同：

• 数学：看计算过程是否正确、步骤是否完整、最终答案是否准确
• 语文：看表达是否通顺、逻辑是否清晰、是否有错别字
• 英语：看语法是否正确、词汇是否恰当、表达是否地道

AI 要求返回结构化的 JSON：

{
  "score": 85,
  "maxScore": 100,
  "comment": "解题思路正确，但第三步计算有误",
  "deductions": [
    {"reason": "第三步符号错误", "points": 10},
    {"reason": "缺少单位", "points": 5}
  ]
}

结构化输出的好处：前端可以直接渲染每个扣分项，学生能清楚看到哪里扣了分、为什么扣。

降级策略

AI 调用可能失败（网络超时、API 限流）。系统做了降级处理：AI 不可用时，主观题给默认分数并标记"待人工复核"，不会阻断整个批改流程。

---

核心模块：个性化评语与学习报告

个性化评语（CommentService）

传统做法：教师手动写评语，工作量大，而且很难做到个性化。

AIGrader 的做法：AI 根据学生的答题历史和成绩趋势自动生成评语。Prompt 里包含学生最近 5 次作业的成绩、本次作业的得分、错误题目类型等上下文，让 AI 生成有针对性的评语。

比如一个学生上次考了 60 分，这次考了 85 分，AI 会生成"进步明显，尤其是应用题部分有了很大提升，继续保持"。如果一个学生连续三次在几何题上丢分，AI 会建议"几何部分需要加强，建议复习三角形全等的判定条件"。

教师可以编辑 AI 生成的评语后再发送给学生。

学习报告（ReportService）

学习报告是学生端的核心功能。ReportService 分析学生的所有答题记录，生成：

• 薄弱知识点分析：按题目标签统计正确率，找出正确率最低的知识点
• 成绩趋势：最近 N 次作业的分数变化曲线
• AI 学习建议：根据薄弱知识点，推荐具体的复习方向

报告数据用 Recharts 在前端渲染成图表，学生一目了然。

---

核心模块：动态模型切换

AiConfigService 实现了一个不需要重启服务就能切换 AI 模型的能力。

配置存储在数据库的 ai_config 表中，包含：

• 当前使用的模型名称（如 deepseek-chat）
• API Key
• API Base URL
• 模型参数（temperature、max_tokens 等）

管理后台的"AI 配置"页面可以修改这些配置，保存后立即生效。下次 AI 调用时，AiConfigService 从数据库读取最新配置，用 Spring AI 的统一接口创建新的客户端实例。

这个设计的好处：

• 不重启切换模型：DeepSeek 不稳定时，可以切到通义千问或 Kimi
• API Key 轮换：Key 过期或泄露时，直接在界面上换
• 参数调优：调整 temperature 来控制 AI 评分的稳定性

Spring AI 的价值在这里体现得很明显——它提供了统一的 AI 调用接口，切换底层模型只需要改配置，代码不需要动。

---

核心模块：认证与权限

JWT 无状态认证

系统使用 Spring Security + JWT 实现无状态认证。用户登录后签发 Token，后续请求通过 Token 认证，服务端不存储会话状态。

三种角色的权限隔离：

角色	能访问的 API
教师	/api/assignments/**、/api/grading/**、/api/statistics/**
学生	/api/submissions/**、/api/student/**
管理员	/api/admin/**、/api/questions/**

用 @PreAuthorize 注解在 Controller 方法上声明权限：

@PreAuthorize("hasRole('TEACHER')")
@PostMapping("/assignments")
public ResponseEntity<ApiResponse<Assignment>> createAssignment(...) { ... }

Token 黑名单

JWT 签发后到过期前无法单方面废止。系统用 Redis 实现了 Token 黑名单：用户登出时，把 Token 的唯一标识加入 Redis，设置过期时间等于 Token 剩余有效期。验证 Token 时先查黑名单，命中则拒绝。

---

前端实现

技术选型

前端用 React 18 + TypeScript + Vite 构建，UI 组件库选 Ant Design 5。状态管理用 Zustand——比 Redux 轻量得多，一个文件就能定义一个 store，不需要 action、reducer、middleware 那一套。

页面结构

frontend/src/pages/
├── LoginPage.tsx          # 登录页（共用）
├── teacher/
│   ├── AssignmentPage.tsx # 作业管理
│   ├── GradingPage.tsx    # 批改结果查看
│   ├── ReviewPage.tsx     # 批改复核
│   ├── StatisticsPage.tsx # 班级统计
│   └── CommentPage.tsx    # 个性化评语
├── student/
│   ├── HomeworkPage.tsx   # 作业列表
│   ├── AnswerPage.tsx     # 在线答题
│   ├── ResultPage.tsx     # 批改结果
│   ├── CorrectPage.tsx    # 错题订正
│   └── ReportPage.tsx     # 学习报告
└── admin/
    ├── QuestionPage.tsx   # 题库管理
    ├── UserPage.tsx       # 用户管理
    ├── AiConfigPage.tsx   # AI 配置
n    └── AccuracyPage.tsx   # AI 准确率趋势

API 调用层

Axios 实例配置了 JWT 拦截器：

• 请求拦截：自动从 Zustand store 读取 Token，附加到请求头
• 响应拦截：遇到 401 自动跳转登录页，清除本地 Token

所有 API 调用统一封装在 services/api.ts 中，按模块分组（auth、assignment、submission、grading 等）。

图表

Recharts 用于两个核心场景：

• 班级统计：柱状图展示分数分布，折线图展示平均分趋势
• 学习报告：雷达图展示各知识点掌握程度，折线图展示成绩变化

---

总结与收获

这个课设让我从零搭建了一个完整的全栈应用，覆盖了后端开发、前端开发、AI 集成、数据库设计、安全认证等多个方面。

几个关键收获：

策略模式的实际应用。AI 批改引擎用策略模式处理不同题型，比 if-else 链清晰得多，新增题型只需要加一个实现类。

Prompt 工程的重要性。AI 批改的质量取决于 Prompt 的设计。结构化输出（JSON）让前端可以直接渲染，不需要再做文本解析。

Spring AI 的价值。统一的 AI 调用接口让模型切换变得很简单——改配置就能切模型，代码不需要动。

无状态认证的取舍。JWT 让后端可以水平扩展，但 Token 无法主动失效，需要额外引入 Redis 黑名单。没有银弹，只有 trade-off。

当前的局限：只支持单 Sheet 的作业模板、AI 调用有延迟（批量批改时较慢）、大数据量下性能有待优化。后续计划支持多 Sheet、批量转换和本地模型。

项目地址：github.com/xiaodangjia105/AIGrader

觉得有用的话，点个 Star 支持一下。