学伴（KnowAI）项目开发实战：从零构建一个AI驱动的在线教育平台

前言：我为什么要做这个项目？

作为一名开发者，我一直对“AI如何改变教育”这个话题感兴趣。市面上不缺课程——B站有海量免费视频、慕课有几千门名校课程。但有两个问题始终没解决：

1. 用户看完视频，不知道学没学会。没有反馈，没有验证。
2. 用户不知道下一步学什么。碎片化学习，东一榔头西一棒子。

所以我想做一个平台：让AI像学伴一样，全程陪伴学习、验证效果、规划路径。这就是“学伴（KnowAI）”的由来。

学伴的核心价值不是“提供内容”，而是“提供学会的保障”。

经过2个星期的开发，项目已经基本完成，部署在阿里云ECS上。这篇文章将完整记录开发过程、技术选型、踩坑经验和最终成果。

当前进度：项目已完整开发完成，目前正在部署上线阶段，服务器已购买，待完成Docker部署和域名配置即可公网访问。

一、项目全景：学伴是什么？

1.1 一句话定位

学伴是一个AI驱动的个性化学习平台——让每个学习者拥有专属的AI学伴。

1.2 解决的三个核心问题

问题	学伴的解决方案
学而不练	AI智能出题，学完章节自动生成测验
学而不伴	24小时AI对话助手，随时解答疑问
学而不精	基于学习历史的个性化课程推荐

1.3 用户角色

• 学员：购买课程、看视频、做测验、问AI、记笔记
• 讲师：发布课程、管理章节、上传知识库、看销售数据
• 管理员：审核课程、管理用户、配置秒杀

1.4 一个完整的学习流程

注册 → 浏览课程 → 加入购物车 → 下单支付 → 学习课程 → AI出题验证 → 获得反馈 → 推荐下一门课

二、技术栈全览

这个项目最大的特点就是全栈——从最前端的Vue界面到最底层的向量数据库，都是我自己写的。

2.1 技术栈表格

层级	技术	用途
前端框架	Vue 3.4 + TypeScript + Vite	响应式UI
UI组件	Element Plus + Vant + ECharts	后台管理+移动端+图表
后端框架	FastAPI + SQLAlchemy 2.0(异步)	RESTful API + ORM
主数据库	MySQL 8.0	用户、课程、订单、库存
文档数据库	MongoDB 6	聊天记录、学习笔记
缓存	Redis 7	会话、购物车、秒杀、首页缓存
搜索引擎	Elasticsearch 8.10	课程全文搜索
消息队列	RabbitMQ	秒杀订单异步处理
AI框架	LangChain + LangGraph + ChromaDB	RAG知识库、多Agent工作流
AI模型	DeepSeek API + SiliconFlow BGE	大语言模型 + 向量嵌入
容器化	Docker Compose	一键部署所有服务

2.2 为什么这样选型？

为什么用FastAPI而不是Django？

• 原生支持异步，在调用AI API、操作Redis/ES时性能更好
• 自动生成OpenAPI文档，前后端联调省时间
• 类型提示友好，Pydantic校验让代码更健壮

为什么用LangGraph而不是直接调LLM？

• 多Agent协作：一个Agent负责理解用户意图，一个负责检索知识库，一个负责生成回答
• 状态管理：LangGraph的状态图让每个Agent能看到之前的处理结果
• 可观测性：每一步都有记录，方便调试

为什么用MongoDB存聊天记录？

• 对话数据是非结构化的，MongoDB的文档模型很自然
• 支持嵌套结构（一条聊天记录包含多轮对话）
• TTL索引可以自动清理过期数据

三、架构设计

3.1 系统架构图

3.2 数据流向

1. 用户请求 → Nginx → FastAPI
2. 读操作 → 优先Redis缓存 → 缓存未命中则查MySQL/ES
3. 写操作 → MySQL → 异步同步到ES/Redis/MongoDB
4. AI请求 → FastAPI → LangGraph工作流 → 检索ChromaDB → 调用DeepSeek → 返回结果
5. 秒杀请求 → Redis预扣库存 → RabbitMQ排队 → 异步Worker下单

四、核心功能实现

4.1 用户认证（JWT + Redis黑名单）

认证系统的核心逻辑：

1. 用户登录成功后，后端生成JWT并存入Redis（key: token:{user_id}:{jti}）
2. 每次请求，验证JWT签名 + 检查Redis中是否存在该token
3. 用户退出时，从Redis删除该token（实现黑名单注销）

# auth.py 核心逻辑
async def get_current_user(
    token: str = Depends(oauth2_scheme),
    db: AsyncSession = Depends(get_db),
    redis: Redis = Depends(get_redis),
) -> User:
    token_data = decode_token(token)
    # 检查Redis黑名单
    if await redis.exists(f"token:{token_data.user_id}:{token_data.jti}") == 0:
        raise HTTPException(status_code=401, detail="Token已失效")
    # 查数据库获取用户
    user = await db.get(User, token_data.user_id)
    return user

设计要点：

• Token本身不存数据库，减少DB查询
• 注销只需删除Redis key，O(1)复杂度
• Token有效期7天，可配置

4.2 秒杀系统（防止超卖的完整方案）

秒杀是电商的经典场景，也是这个项目最复杂的功能之一。我设计了一套“四层防护”方案：

第一层：限流（令牌桶）

每分钟只允许3000个请求进入，超过的直接返回“活动太火爆”

第二层：Redis预扣库存

活动开始前5分钟，将库存加载到Redis (String类型)
抢购时执行原子DECR操作，库存为0则直接返回“已抢光”

第三层：异步排队（RabbitMQ）

抢到名额的用户ID写入RabbitMQ队列，立即返回“排队中”
不阻塞用户，提升体验

第四层：异步Worker下单

消费者从队列读取消息，真正扣减MySQL库存、生成订单
保证最终一致性

恢复机制：
如果订单超时未支付或被取消，会自动恢复Redis库存和MySQL库存，让名额回到池中。

代码结构：

# seckill.py - 抢购入口
@router.post("/{activity_id}")
async def submit_seckill(activity_id: int, current_user: User):
    # 1. 限流检查
    if not await allow_token_bucket(redis, key, 3000, 3000):
        raise HTTPException(429, "请求过于频繁")
    # 2. Redis原子扣库存
    stock = await redis.decr(f"seckill:stock:{activity_id}")
    if stock < 0:
        raise HTTPException(400, "已抢光")
    # 3. 写入队列
    queue_id = uuid.uuid4().hex
    await redis.rpush("seckill:queue", json.dumps({
        "queue_id": queue_id,
        "activity_id": activity_id,
        "user_id": current_user.id
    }))
    return {"queue_id": queue_id, "status": "queued"}

4.3 AI学伴：LangGraph + RAG

这是项目最核心、最亮眼的功能。下面详细展开。

4.3.1 知识库构建

讲师上传课件（PDF/DOCX/TXT）后，系统自动构建向量知识库：

1. 文档加载：使用LangChain的文档加载器读取各类格式
2. 文本分块：按500 token分块，重叠50 token，保持语义完整性
3. 向量化：使用BGE嵌入模型将文本转为向量
4. 存储：存入ChromaDB持久化

# 核心流程
def build_knowledge_base(course_id: int, file_paths: list[str]):
    documents = []
    for path in file_paths:
        docs = load_document(path)  # 支持PDF/DOCX/TXT
        documents.extend(docs)
    
    text_splitter = RecursiveCharacterTextSplitter(
        chunk_size=500,
        chunk_overlap=50
    )
    chunks = text_splitter.split_documents(documents)
    
    vectorstore = Chroma.from_documents(
        documents=chunks,
        embedding=embeddings,
        persist_directory=f"./chroma_db/course_{course_id}"
    )

4.3.2 智能出题工作流

学员学完章节后，点击“生成练习题”触发LangGraph工作流：

用户请求 → 意图解析 → 检索知识库 → 生成题目 → 校验题目 → 返回

用LangGraph实现的多Agent协作：

# 状态定义
class WorkflowState(TypedDict):
    messages: list[BaseMessage]
    retrieved_docs: list[Document]
    generated_questions: list[dict]
    validation_result: dict

# 构建工作流图
workflow = StateGraph(WorkflowState)

workflow.add_node("retrieve", retrieve_relevant_docs)
workflow.add_node("generate", generate_questions)
workflow.add_node("validate", validate_questions)

workflow.add_edge("retrieve", "generate")
workflow.add_edge("generate", "validate")

效果：用户点击出题后，5-10秒内得到5道选择题，每题包含4个选项和正确答案。前端渲染后学员可以直接作答，系统自动评分。

4.3.3 智能推荐工作流

用户输入学习目标（如“我想成为一名数据科学家，需要学Python和机器学习”），系统通过多Agent工作流分析：

1. 意图解析Agent：提取关键词（Python、机器学习、数据科学家）
2. 课程检索Agent：从MySQL搜索匹配课程 + 从知识库检索相关内容
3. 推荐排序Agent：综合课程销量、评分、匹配度排序，生成推荐理由

输出示例：

根据你的目标“成为数据科学家”，推荐以下课程：

1. Python基础入门（匹配度92%）- 数据科学必备语言
2. 机器学习实战（匹配度88%）- 核心技能
3. 数据分析与可视化（匹配度85%）- 日常工作必备

4.3.4 AI对话助手

用户在任何页面都可以打开AI助手对话框，用自然语言提问。系统按以下顺序处理：

1. 知识库检索：从课程知识库中搜索相关内容（RAG）
2. 联网搜索：如果知识库找不到，使用DuckDuckGo联网搜索
3. 大模型兜底：以上都没有，用DeepSeek生成回答

特点是：回答会标注来源（知识库/联网/大模型），让用户知道信息的可靠性。

用户真实使用场景：

用户在学习《Python基础》时，问AI：“列表和元组有什么区别？”
AI从课程知识库中找到对应内容，回答：“根据课程第二章第3节的讲解，列表是可变的（可变序列），元组是不可变的（不可变序列）…”

4.4 秒杀崩溃恢复机制

这是系统稳定性的关键设计。线上环境可能因各种原因导致秒杀处理失败，需要一套保障机制：

问题场景：

• Worker进程崩溃，正在处理的秒杀消息丢失
• 网络抖动导致消息处理超时
• 数据库连接断开导致事务回滚

解决方案：

1. 每个秒杀消息处理时，设置Redis锁（TTL 30秒）
2. 独立的Recovery Worker每60秒扫描一次，检查是否有消息被遗忘
3. 如果发现消息的锁已过期，自动将其重新入队

# 崩溃恢复逻辑
async def recovery_worker():
    while True:
        await asyncio.sleep(60)
        for worker_id in range(WORKER_COUNT):
            key = f"seckill:processing:{worker_id}"
            items = await redis.lrange(key, 0, -1)
            for raw in items:
                payload = json.loads(raw)
                lock_key = f"seckill:lock:{payload['queue_id']}"
                if not await redis.exists(lock_key):
                    # 锁已过期，重新入队
                    await redis.rpush("seckill:queue", raw)
                    await redis.lrem(key, 1, raw)
                    print(f"恢复: 重新入队 {payload['queue_id']}")

4.5 课程搜索（Elasticsearch）

使用ES实现课程的全文检索：

• 索引设计：包含title（text）、description（text）、category（keyword）、price_min（float）、sales（integer）
• 中文分词：使用IK分词器，搜索更精准
• 同步机制：课程数据变更时，通过RabbitMQ异步同步到ES

支持的搜索方式：

• 关键词搜索（支持分词）
• 分类筛选
• 价格区间筛选
• 排序（销量/价格/最新）

前端体验：输入关键词 → 1秒内返回匹配课程列表，高亮显示匹配片段。

4.6 订单超时自动取消

用户下单后30分钟未支付，系统自动取消并恢复库存：

实现方式：

• 后台独立协程，每30秒扫描一次数据库
• 查找status='pending'且expire_time < now()的订单
• 逐个取消并恢复库存

async def scan_expired_orders():
    while True:
        await asyncio.sleep(30)
        async with AsyncSessionLocal() as db:
            # 查找过期订单
            result = await db.execute(
                select(Order).where(
                    Order.status == OrderStatus.pending,
                    Order.expire_time <= datetime.now()
                )
            )
            for order in result.scalars():
                # 恢复库存、更新状态
                await cancel_order(db, order)
        await db.commit()

五、踩坑与解决

5.1 Dify迁移到LangGraph

初期使用Dify工作流，但遇到定制化困难：

• 问题：Dify的节点编排灵活，但无法精细控制每一步的输入输出格式
• 解决：迁移到LangGraph + LangChain，完全代码可控，可以自定义每个Agent的逻辑

5.2 Windows上调用SSL证书错误

开发环境是Windows，调用Dify API时遇到SSL证书验证失败：

• 问题：httpx在Windows上对Cloudflare的SSL验证失败
• 解决：检测到Windows平台时自动降级为curl命令调用（dify_client.py中实现了fallback）

5.3 DeepSeek API连接超时

偶尔出现连接超时：

• 问题：DeepSeek API不稳定
• 解决：实现重试机制（最多3次），并配置超时时间（30秒）
• 降级：如果DeepSeek完全不可用，返回模拟数据保证功能不中断

六、部署实战（正在进行中）

6.1 为什么选择阿里云？

• 国内访问速度快
• 学生优惠（一年100多块）
• 支持Docker部署

6.2 部署架构

使用Docker Compose编排7个服务：

服务	镜像	端口
MySQL	mysql:8.0	3306
MongoDB	mongo:6	27017
Redis	redis:7-alpine	6379
Elasticsearch	elasticsearch:8.10	9200
RabbitMQ	rabbitmq:3-management	5672/15672
Backend	自定义FastAPI镜像	8000
Frontend	Nginx托管Vue静态文件	80/443

6.3 部署步骤

1. 购买阿里云ECS（2核4G以上）
2. 安装Docker和Docker Compose
3. 将项目代码推送到服务器
4. 配置.env环境变量
5. 执行 docker-compose up -d
6. 配置Nginx反向代理和SSL证书

6.4 一键部署脚本

# 项目根目录下执行
docker-compose up -d

# 查看服务状态
docker-compose ps

# 查看日志
docker-compose logs -f backend

6.5 遇到的问题

• 内存不足：ES和MySQL同时启动占用内存较大，需要调整JVM参数
• 域名解析：需要配置域名解析到服务器IP，等待DNS生效（10-30分钟）

七、成果展示

7.1 功能清单

• 用户注册登录（手机号+密码）
• JWT认证 + Redis黑名单注销
• 课程列表、搜索、详情（ES）
• 学习计划（购物车）
• 下单支付（支付宝模拟）
• 秒杀活动（Redis+RabbitMQ）
• 订单管理
• 学习进度追踪
• AI对话助手（LangGraph+RAG）
• AI智能出题
• AI作业批改
• AI课程推荐
• 讲师后台（课程管理）
• 管理员后台
• 首页缓存（Redis）
• Docker一键部署

7.2 代码量

• 后端Python代码：约8000行
• 前端Vue代码：约6000行
• 配置文件：约500行

八、未来优化方向

8.1 短期优化

1. 视频直接上传：目前视频上传依赖讲师提供外部链接，后续可支持直接上传MP4并转码
2. 学习路径自动规划：用户输入目标，AI自动生成完整学习计划
3. 课程证书系统：学完课程生成NFT证书

8.2 长期扩展

1. 直播教学：集成实时音视频，支持直播互动
2. 移动端APP：用Flutter或React Native开发独立APP
3. 学习成就系统：通过ECharts生成学习数据看板

九、一些思考

9.1 关于AI辅助编程

这个项目大量使用了AI辅助编程（Copilot、ChatGPT、Cursor等）。我的感受是：

• AI能帮你写80%的模板代码，但设计决策需要你自己做
• AI生成的代码必须逐行review，否则会有隐藏bug
• 真正有价值的是你对项目的整体理解

9.2 关于全栈开发

全栈开发不是“什么都会一点”，而是：

• 能独立设计数据库表结构
• 能写干净的后端API
• 能做出能用的前端界面
• 能把项目部署到服务器上

学伴项目让我真正理解了“全栈”的含义。

9.3 技术选型的思考

• 能用的技术 ≠ 适合的技术。比如Dify虽然用起来简单，但定制化困难，最后迁移到了LangGraph。
• 先跑通再优化。很多功能我是先用简单实现跑通，再逐步优化。
• 文档是最好的朋友。LangChain、FastAPI、Vue的官方文档帮了大忙。

9.4 关于AI原生应用

这个项目让我深刻体会到：AI不是加一个聊天窗口就叫AI应用。真正的AI原生应用，是把AI能力嵌入到产品的核心流程中：

• 学完自动出题 → AI
• 学完推荐下一门 → AI
• 有疑问立即解答 → AI

AI不是外挂，而是产品的一部分。

十、常见问题

Q：部署需要什么配置的服务器？

A：最低2核4G，建议4核8G（MySQL和ES比较吃内存）。

Q：DeepSeek API免费吗？

A：注册送500万tokens，正常使用够用很久。

Q：项目做完了可以商用吗？

A：代码是个人项目，如果商用建议替换掉ES（使用费）和DeepSeek API（调用费）。

Q：我想自己做一个类似的，从哪里开始？

A：建议先看一遍需求文档，然后按以下顺序搭建：

1. 先跑通后端（FastAPI + 注册登录）
2. 再加课程管理
3. 再加购物车和订单
4. 再加搜索（ES）
5. 最后加AI功能（先简单接API，再考虑LangGraph）

写在最后

从零开始做一个完整的全栈项目，确实不容易。中间踩过无数坑，但也学到了很多。如果你也在做类似的项目，希望这篇文章能给你一些参考。

几个建议：

1. 代码要能跑：功能再多，跑不起来都是零
2. AI是工具，不是答案：能用AI提高效率，但别让它替你思考
3. 坚持到底：做到最后你会发现，最难的其实是“坚持做下去”

项目还在不断完善中，欢迎交流讨论。如果对部署有兴趣，可以关注后续的部署实战文章。

---

项目地址：https://github.com/lcm-git/zhixue-ai （私有仓库，可联系获取访问权限）

在线演示：https://knowai.你的域名.com （部署中）

如果你在开发过程中遇到类似的问题，欢迎在评论区交流。