技术架构设计

技术架构设计 V1.0

1. 设计目标

基于《教师生成式人工智能应用指引（第一版）》及智慧校园产品架构，构建 高可用、易扩展、智能化 的新一代智慧校园技术底座。
本架构采用 Spring Cloud Alibaba 微服务生态作为基础框架，深度集成 Spring AI 以实现标准化、模块化的 AI 能力接入，支撑 “学习、教学、育人、评价、管理、研究” 六大业务场景的智能化落地。

2. 技术选型 (Tech Stack)

2.1 核心框架

• 开发语言: Java 17+ (LTS)
• 基础框架: Spring Boot 3.4.x
• 微服务架构: Spring Cloud 2024.x & Spring Cloud Alibaba 2023.x
• AI 框架: Spring AI 1.1.x (统一抽象 LLM 接口，支持 OpenAI, Azure, Bedrock, Ollama 等)、Alibaba Cloud AI 1.0.x (扩展 LLM 接口，整合阿里云各类AI能力 等)

2.2 微服务组件

• 注册/配置中心: Alibaba Nacos 2.x
• 流量防护: Alibaba Sentinel (限流、熔断、降级)
• 网关: Spring Cloud Gateway
• 服务调用: OpenFeign + LoadBalancer
• 消息队列: Apache RocketMQ (高吞吐、削峰填谷)
• 分布式事务: Alibaba Seata (AT 模式)

2.3 数据存储

• 关系型数据库: MySQL 8.0 (主从架构)
• 缓存数据库: Redis 7.x (Cluster 模式)
• 向量数据库: Milvus / PgVector (支撑 RAG 知识库检索)
• 对象存储: MinIO (私有化部署) / OSS
• 搜索引擎: Elasticsearch / Meilisearch

2.4 可观测性 & DevOps

• 链路追踪: Apache SkyWalking
• 监控告警: Prometheus + Grafana
• 容器化: Docker + Kubernetes (K8s)
• CI/CD: Jenkins / GitLab CI

3. 总体架构图 (Architecture Layers)

系统自上而下分为 5 层：用户终端层、网关接入层、业务服务层、AI 能力层、数据资源层。

3.1 用户终端层 (User Layer)

提供多端一致的交互体验，适配不同角色（学生、教师、管理者、家长）。

• Web 端: React/Vue3 管理后台 & 教学工作台。
• 移动端: 微信小程序、企业微信/钉钉 H5、原生 App。
• 大屏端: 数据可视化驾驶舱 (DataV)。

3.2 网关接入层 (Gateway Layer)

统一流量入口，负责安全与路由。

• 认证鉴权: 集成 OAuth2 / JWT，统一处理 SSO 单点登录。
• 动态路由: 基于 Nacos 动态下发路由规则。
• 流量控制: 集成 Sentinel 实现全局限流、IP 黑白名单。
• API 聚合: Swagger/Knife4j 接口文档聚合。

3.3 业务服务层 (Business Service Layer)

基于领域驱动设计 (DDD) 拆分微服务，严格对应 六大业务支柱。

3.4 AI 能力层 (AI Platform Layer) - 核心亮点

基于 Spring AI 构建的统一智能化底座，对上层业务屏蔽模型差异。

• 模型适配服务 (Model Service):
  • 通过 Spring AI ChatClient 统一接入 DeepSeek, EduChat, MathGLM, GPT-4 等模型。
  • 支持本地私有化模型 (Llama 3, Qwen) 通过 Ollama/vLLM 接入。
• RAG 引擎 (RAG Engine):
  • 文档解析: PDF/Word/Excel 解析与分块 (Chunking)。
  • 向量化: 使用 Embedding 模型 (如 bge-m3) 将知识库向量化存入 Milvus。
  • 检索增强: 混合检索 (关键词 + 语义)，重排序 (Rerank)。
• 智能体工厂 (Agent Factory):
  • 编排复杂任务流 (Chain)，如 “教案生成 -> 习题匹配 -> 课件合成”。
  • 提示词工程 (Prompt Management): 集中管理和版本化 System Prompts。

3.5 数据资源层 (Data Layer)

• 结构化数据: 师生基础库、成绩库、资产库 (MySQL)。
• 非结构化数据: 教学视频、课件文档、人脸照片 (MinIO)。
• 向量数据: 教材知识向量、题库向量 (Milvus)。
• 日志数据: 操作日志、系统日志 (ELK)。

4. 关键技术链路

4.1 智能问答/助教 (RAG 链路)

1. 用户提问: 教师在前端输入 “如何设计一堂关于勾股定理的互动课？”
2. 网关转发: 请求进入 campus-teaching 服务。
3. 调用 AI 层: campus-teaching 通过 Feign 调用 ai-core-service。
4. 知识检索: ai-core-service 将问题向量化，在 Milvus 中检索 “勾股定理教学设计”、”优秀教案案例”。
5. 模型生成: Spring AI 组装 Prompt (用户问题 + 检索到的上下文)，调用 DeepSeek-V3 模型。
6. 流式返回: 答案通过 SSE (Server-Sent Events) 流式推送到前端。

4.2 智能评价 (多模态链路)

1. 上传作业: 学生上传手写作业图片。
2. OCR 识别: 调用通用 OCR 服务提取文本和公式。
3. 语义分析: LLM 分析解题步骤逻辑。
4. 生成评语: 结合标准答案库，生成针对性的批改建议和鼓励性评语。
5. 数据落库: 评价结果存入 campus-evaluation 数据库，并推送到家长端。

5. 部署架构

• 生产环境: 建议采用 Kubernetes (K8s) 集群部署，利用 Namespace 隔离开发/测试/生产环境。
• 高可用: 核心服务 (Gateway, Auth, Business) 多副本部署，Nacos 集群化，MySQL 主从热备。

5. 技术架构图