基于大模型的个性化学习资源生成与多智能体协作学习系统。
| 层 | 技术 |
|---|---|
| 前端 | React + TypeScript + Vite |
| 后端 | Python + FastAPI + SQLAlchemy + Alembic |
| 数据库 | PostgreSQL + Redis + ChromaDB |
| LLM | OpenAI-compatible API（DeepSeek / OpenAI / Ollama / vLLM） |
| 异步 | Celery + Redis |
| 部署 | Docker Compose |
AutoLearning/
├── backend/ # FastAPI 后端
│ ├── app/
│ │ ├── api/ # 路由与依赖注入
│ │ ├── core/ # 配置、枚举、安全
│ │ ├── repositories/ # 数据访问层
│ │ ├── schemas/ # Pydantic 请求/响应模型
│ │ ├── services/ # 业务逻辑（智能体、画像、评分、辅导）
│ │ └── workflows/ # LangGraph 工作流
│ ├── alembic/ # 数据库迁移
│ ├── tests/ # 后端测试
│ └── requirements.txt
├── frontend/ # React 前端
│ └── src/
│ ├── api/ # API 客户端
│ ├── components/ # UI 组件（含 7 个 inline 面板）
│ ├── context/ # 全局状态
│ ├── hooks/ # 自定义 Hooks
│ ├── pages/ # 页面
│ └── types/ # TypeScript 类型
├── infra/ # Docker Compose 配置
├── deploy/ # 部署脚本和配置
├── scripts/ # 运维脚本
├── docs/ # 项目文档
├── start.sh # Linux/macOS 一键启动
├── start.ps1 # Windows 一键启动
├── .env.example # 环境变量模板
└── README.md
# 1. 克隆项目
git clone https://github.com/LGY4/AutoLearning.git
cd AutoLearning
# 2. 配置环境变量
cp .env.example .env
# 编辑 .env，填入 LLM_API_KEY（DeepSeek/OpenAI 等）
# 3. 启动所有服务
cd infra
docker compose up --build
# 4. 访问
# 前端: http://localhost:5173
# 后端 API: http://localhost:8000/docs
# 健康检查: http://localhost:8000/healthLinux / macOS / WSL:
chmod +x start.sh
./start.shWindows PowerShell:
.\start.ps1脚本会自动：
- 检查并创建
.env - 启动 PostgreSQL + Redis（Docker）
- 创建 Python 虚拟环境并安装依赖
- 运行数据库迁移和种子数据
- 启动后端和前端
后端：
cd backend
python -m venv .venv
source .venv/bin/activate # Windows: .venv\Scripts\activate
pip install -r requirements.txt
alembic upgrade head
python -m app.ops.seed_demo_data
uvicorn app.main:app --reload --port 8000前端：
cd frontend
npm install
npm run dev- 腾讯云 CVM 实例（Ubuntu 22.04+, 推荐 4C8G+）
- 安全组开放端口：80, 443, 8000, 5173
- 域名（可选，用于 HTTPS）
# SSH 登录服务器
ssh root@your-server-ip
# 下载并运行部署脚本
curl -fsSL https://raw.githubusercontent.com/LGY4/AutoLearning/main/deploy/tencent-cloud.sh | bash
# 或指定域名（自动配置 Nginx + HTTPS）
curl -fsSL https://raw.githubusercontent.com/LGY4/AutoLearning/main/deploy/tencent-cloud.sh | bash -s -- your-domain.com# 1. 安装 Docker
curl -fsSL https://get.docker.com | sh
# 2. 克隆项目
git clone https://github.com/LGY4/AutoLearning.git /opt/autolearning
cd /opt/autolearning
# 3. 配置环境变量
cp .env.example .env
nano .env # 填入 LLM_API_KEY
# 4. 启动（生产模式）
cd infra
docker compose -f docker-compose.yml -f ../deploy/docker-compose.prod.yml up -d --build
# 5. 查看日志
docker compose logs -fcd /opt/autolearning
git pull origin main
cd infra
docker compose up -d --buildWindows Server + 宝塔 Windows 面板 + Nginx 的生产部署参见 docs/BAOTA_WINDOWS_DEPLOY.md。脚本入口：
Invoke-WebRequest -UseBasicParsing https://raw.githubusercontent.com/LGY4/AutoLearning/main/deploy/baota-windows-deploy.ps1 -OutFile C:\Temp\baota-windows-deploy.ps1
powershell -NoProfile -ExecutionPolicy Bypass -File C:\Temp\baota-windows-deploy.ps1 -PublicOrigin http://159.75.71.163| 意图 | 触发词示例 | 功能 |
|---|---|---|
| tutoring | "什么是快速排序" | 辅导问答 + 自适应测验 |
| practice | "帮我出几道题" | 练习刷题 + 即时评分 |
| resource_generation | "生成思维导图" | 生成 8 种类型资源 |
| learning_path | "规划学习路径" | 知识图谱 + 路径规划 |
| assessment | "评估一下我的学习" | 四维度学习评估 |
| dashboard | "看看学习情况" | 学习看板 + 雷达图 |
| learning_map | "展示学习地图" | 知识图谱可视化 |
| analytics | "学习分析" | 趋势图 + 效率指标 |
| video_generation | "生成视频" | 教学视频生成 |
| media_generation | "生成动画" | 动画/图片生成 |
| resource_browse | "浏览资源" | 资源库浏览 |
| course_goal | "设定目标" | 课程目标管理 |
| general_chat | "你好" | 自由对话 |
登录 → 欢迎面板（今日建议、薄弱点、连续天数）
→ 快捷操作 → 练习/对话/资源生成
→ 学习总结（正确率、等级评价、建议）
→ 画像更新 → 推荐刷新 → 路径解锁
→ 下次登录 → 欢迎面板反映最新状态
每个知识点独立评估 4 个维度：
- 掌握度 (mastery): 是否理解概念
- 应用力 (application): 是否能实际运用
- 记忆度 (memory): 是否能长期记忆
- 理解力 (understanding): 是否理解原理
81 种组合（3×3×3×3）映射到不同教学策略。
参见 .env.example，关键配置：
| 变量 | 说明 | 默认值 |
|---|---|---|
LLM_API_BASE |
LLM API 地址 | https://api.deepseek.com/v1 |
LLM_API_KEY |
LLM API 密钥 | 必填 |
LLM_MODEL |
模型名称 | deepseek-chat |
LLM_TIMEOUT_SECONDS |
LLM 超时时间 | 300 |
DATABASE_URL |
PostgreSQL 连接串 | 见 .env.example |
REDIS_URL |
Redis 地址 | redis://localhost:6379/0 |
REPOSITORY_BACKEND |
存储后端 | postgres |
EMBEDDING_PROVIDER |
Embedding 提供商 | local |
# 前端单元测试
cd frontend
npm test
# 后端测试
cd backend
pytest