mood-software - beta冲刺

这个作业要求在哪里	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineering24/homework/15658
团队名称	mood-software
团队成员-学号	廖丞健-3124004360；梁宇轩-3124004359；吴义铭-3124004369
这个作业属于哪个课程	https://edu.cnblogs.com/campus/gdgy/SoftwareEngineering24/
这个作业的目标	请写一篇博客，名字格式为：团队名称-beta冲刺

---

欢迎使用我们的软件（已有Windows、Android版本，MacOS版本正在路上！！）

仓库链接：https://github.com/pixelllip/mood-software/tree/AI_Agent-Multi-Platform

---

星火学伴 (Academic Aegis) - Beta 冲刺

1. 冲刺总结与问题解决

在 Alpha 阶段结束后，我们的项目虽然已经初具规模，但在用户体验、功能深度和工程化方面仍存在不少挑战。在 Beta 冲刺期间，我们针对以下核心问题进行了深度探索与优化：

1.1 AI 认知的“时效性”与“深度”问题

• 问题描述：Alpha 版本的 AI 仅限于预训练知识，无法获取实时信息（如最新的学术进展、新闻等），且对用户学习内容的理解较为碎片化。
• 探索思路：引入“联网搜索”能力，并重构 AI 提示词（System Prompt）以增强其对学习场景的感知。
• 解决过程：
  • 重构了 AI 调用接口，支持 enable_search 参数，让 AI 在需要时自动调用搜索引擎。
  • 实现了本地/AI 驱动的关键词自动发现逻辑，使 AI 能够根据用户的对话历史自动关联知识点，实现更深度的“学习分析”。
  • 引入多重定位感知：集成了 GPS 原生定位、IP 定位及高德反向地理编码服务。AI 能够感知用户所在的城市，为天气查询、本地化学习建议提供空间上下文。

1.2 UI/UX 的平台适应性问题

• 问题描述：作为跨平台应用，在桌面端（Windows）运行时，原本的移动端布局导致大量屏幕空间浪费，缺乏层次感。
• 探索思路：实现响应式布局，并利用桌面端的大屏幕优势进行分栏显示。
• 解决过程：
  • 引入了 Breakpoint 机制。当窗口宽度大于 1000 时，设置界面及相关页面自动切换为双列排版，提升信息密度。
  • 新增了桌面端启动时的 JDK 环境自动检测，解决因后端缺失导致的 AI 功能失效问题。
  • Android 权限深度适配：针对 Android 11+ (API 30) 引入了 MANAGE_EXTERNAL_STORAGE 权限引导流程，确保 OCR 和数据管理功能在最新系统上的读写稳定性。

1.3 工程质量与历史债务

• 问题描述：项目早期包含大量 Python 脚本，与当前的 Kotlin+Dart 架构混合，导致代码库臃肿且难以维护。
• 探索思路：彻底模块化，清理冗余代码。
• 解决过程：
  • 彻底删除了旧有的 Python 逻辑，将核心能力完全迁移至 Kotlin 后端。
  • 对前端 Dart 代码进行了模块化分类整理。
  • 编写了跨平台的自动化脚本（PowerShell/Bash），实现了一键签名、版本号修改及打包流程。

---

2. 项目特色功能展示

🤖 智能 AI 对话与实时联网

支持流式输出（SSE），集成模型内置搜索。无论是询问复杂的 LaTeX 公式还是最新的学术资讯，星火学伴都能从容应对。

📊 成绩管理与历史追踪

不仅支持成绩的增删改查，还引入了考试记录 (Exam Records) 机制，支持按学期、考试类型（如期中、期末、日常）分类存档。系统能通过直观的进度条和颜色分级（优秀、良好、不及格）展示学生的学业进展，并能追踪历史成绩波动。

🕙 结合学科的日程安排

系统能够根据用户提供的信息，结合用户的学科生成详实的日程安排。

🧠 深度学习分析

系统会自动从对话记录中提取学习关键词，结合日程完成情况，给出每日评分和 AI 鼓励语。

🖼️ OCR 与多模态工具

集成本地与 AI 驱动的 OCR 服务，支持附件上传与图像识别，将纸质资料一键转化为学习素材。

---

3. 关键模块自动化单元测试

为了确保项目的稳定性，我们为核心模块编写了 112 个单元测试，覆盖了数据模型序列化、评分算法逻辑及学科映射关系等关键环节。

3.1 测试覆盖情况

• 数据模型测试：确保 AI 配置、成绩数据、对话记录在 JSON 转换过程中准确无误。
• 评分算法测试：模拟各种“匹配条数”与“日程完成率”组合，验证评分系统（优秀/良好/合格/不合格）的准确性。
• 映射逻辑测试：验证知识点到学科的反向映射逻辑。

3.2 测试执行截图

通过 flutter test 执行，所有 112 个测试用例全部通过，确保了业务逻辑的健壮性。

---

团队协作记录

成员	承担工作	工作量
廖丞健	前端与后端的对接工作，持续优化用户界面	50%
梁宇轩	关键词联想搜索，学习统计	25%
吴义铭	通用OCR方案的实现	25%

成员感想

成员	感想
廖丞健	通过本次β冲刺，我深刻认知到制作一个好用的用户界面不是能一蹴而就的。通过和组员之间的交流，我了解到用户对交互界面的实际需求是复杂多变的，把界面优化到一个易用的水平，离不开用户与开发者之间的交流反馈。
吴义铭	本次 Aegis Academic（星火学伴）Beta 冲刺，团队依托多线程架构分工开发，前后端密切联调，稳步落地流式 AI 与成绩管理功能。我负责基于 Tesseract 开发 OCR 识别和附件上传模块，对接团队接口完成功能整合。经过本次冲刺，我熟练掌握 OCR 落地开发，提升了接口联调与问题调试能力，也切实体会到高效团队协作对项目迭代的关键作用。
梁宇轩	经历了这次beta冲刺，我们又总结出了alpha冲刺之后，项目仍然潜在的问题，我们完善了项目中的杀手级功能：“学习分析”。在完成该功能时，我们根据代码修改后项目的具体效果，结合AI的帮助来不断完善，然后将该功能一步一步完成，大家分工明确，也是完成了该软件。 通过这次小组合作，我也发现原来大家一起做一个项目也能完成一个软件，一个能够让人眼前一亮的软件，也许这只是大学生活中的一次团队合作。但是肯定也会对以后工作中的合作项目打下坚实基础。总的来说，这次合作让我收益颇多，也为我的生活添上一笔色彩。