从逆向两个演示系统到自研落地：老年人能力评估系统全记录（MZ/T 039-2013）

作者：974294341-bit ｜ 技术栈：Spring Boot 3 / Vue3 / MySQL·H2 ｜ 标准：MZ/T 039-2013

  1. 为什么写这篇
    起因很朴素：动手做这个项目前，在 B 站刷到两个"老年人能力评估系统"的视频，一个是微信小程序版、一个是机构 Web 版。看演示挺像回事，但点进去只有解说，没有源码、没有题库、没有打分逻辑。

作为一个想真正搞懂"它到底怎么算出来'失能等级'"的人，光看演示没用。于是我做了三件事：

  1. 逆向这两个系统的设计与架构（设计级，非反编译）；

  2. 扒标准——找到民政部《老年人能力评估》MZ/T 039-2013，把"22 题怎么评、等级怎么定"搞透；

  3. 自己落地一套能跑的系统：电脑端管理后台 + 登录鉴权 + 后端评估引擎（手机端原生 App 下轮做）。
    这篇博客就是这条链路的完整记录，重点放在评估算法怎么工程化、登录与权限怎么零依赖实现，以及本机没有 Maven 也把 Spring Boot 跑起来的实战，而不是堆界面截图。

  4. 逆向对象：两个系统的真实面貌
    两个 B 站链接都是搜索聚合落地页，拿不到源码，所以做的是设计级逆向——基于公开描述 + 国标框架还原架构。结论如下：
    系统 A（教学演示向）
    系统 B（机构专业向）
    形态
    微信小程序（C 端）+ Web 后台
    Web 系统（机构/医养场景）
    角色
    老人 / 自评师 / 管理员（3 类）
    评估员 / 管理员
    技术栈
    Spring + Vue3 + Bootstrap + 小程序
    同类 Web（框架未明示）
    评估类型
    单一（国标能力评估）
    多量表（能力/认知/营养…）
    特色
    自评 + 评估师建议 + 统计看板
    AI 处方 + 详细/简易双报告
    定位
    轻量/教学演示
    专业评估/干预闭环
    关键启发来自系统 B：它"支持多种评估类型"的本质，是把量表配置化——一套表结构能吃下所有量表，加新量表 = 插几条数据，不碰代码。这一点我直接吸收进了自己的设计。

  5. 标准深挖：评估到底怎么算
    拿到 MZ/T 039-2013 标准后，核心模型非常清晰，是一个四层结构：
    22 个二级指标（逐项 0~4 评分）
    ↓ 求和
    4 个一级指标
    ↓ 按得分区间划级
    一级指标等级（0 能力完好 ~ 3 重度受损）
    ↓ 组合判定（ADL 权重最高）
    综合能力等级（0 能力完好 ~ 3 重度失能）

2.1 4 个一级指标 + 22 个二级指标
一级指标
满分
二级指标（数量）
日常生活活动（ADL）
40
进食、洗澡、修饰、穿衣、大便控制、小便控制、如厕、床椅转移、平地行走、上下楼梯（10）
精神状态
8
认知功能、攻击行为、抑郁症状（3）
感知觉与沟通
10
意识水平、视力、听力、沟通交流（4）
社会参与
20
生活能力、工作能力、时间/空间定向、人物定向、社会交往能力（5）
多数项目 04 分（4=完好，0=完全丧失）；部分损伤类项目（攻击行为、抑郁、视力、听力、意识）只用 02 档。

2.2 综合等级判定（2013 版核心）
不是简单取平均分，日常生活活动（ADL）权重最高。判定规则：

  • 0 级 能力完好：4 个维度全为 0 级
  • 1 级 轻度失能：出现 1 级且无更高
  • 2 级 中度失能：出现 2 级（或 ADL=1 且其他有 ≥1 项为 2 级）
  • 3 级 重度失能：任一维度=3 级（或 ADL=2 且其他 ≥2 项为 2/3 级；或 ADL=3）

2.3 一个易踩的版本坑
MZ/T 039-2013（2013 版）和 GB/T 42195-2022（2022 版）不是一回事：

  • 2013 版 = 22 题、能力分 4 级（0~3）
  • 2022 版 = 26 题、能力分 5 级（新增"完全失能"4 级）
    拿源码后第一件事，就是确认它吃的是哪一版，决定题库是 22 还是 26、等级是 4 还是 5 档。我这里先按 2013 版实现。

  1. 关键决策：不要小程序，要原生 App
    项目硬性要求：电脑端 + 手机端 App，不要微信小程序。
    手机端技术选型当时对比了三种：
    方案
    优点
    缺点
    结论
    Flutter
    一套代码出 Android+iOS 真机，最像"正经 App"
    多学一门 Dart
    最省事但非首选
    Android Kotlin 原生
    与 Java 后端生态近、项目演示有说服力
    只有 Android，无 iOS
    选定（下轮做）
    React Native
    前端 React 复用
    与现成 Vue 后台不共用
    排除
    最终落地节奏：后端 Spring Boot + 电脑端 Vue 管理后台 + 登录鉴权先跑通，手机端 Android（Kotlin + Retrofit + Compose）复用同一套 REST API，不改后端。

  2. 工程落地（核心）
    项目路径：elder-assessment-engine/，结构如下：
    elder-assessment-engine/
    ├── pom.xml # Spring Boot 3 / Java 17
    ├── resolve_cp.mjs # 免 Maven 依赖解析器（见 §6）
    ├── sql/elder_assessment_mzt039_2013.sql # 生产建表 + 22 题选项 JSON
    ├── src/main/java/com/example/elder/
    │ ├── assessment/AssessmentEngine.java # ★ 评估算法核心
    │ ├── entity/ # Elder, Scale, ScaleItem, ScaleResult, ScaleAnswer, User...
    │ ├── repo/ # Spring Data JPA
    │ ├── service/ # 评估业务 + 统计
    │ ├── controller/ # /api/auth, /api/scale, /api/elders, /api/assessments, /api/stats
    │ ├── config/ # CORS + 拦截器 + 启动种子数据
    │ └── dto/
    └── frontend/ # Vue3 + Vite + Element Plus + ECharts
    └── src/views/ # Login / ElderList(建档) / Assessment(22题表单) / Report(双报告) / Statistics

4.1 评估引擎（最重要的一块）
把"四层模型"直接写成纯 Java 方法，不依赖框架，方便独立测试。维度满分硬编码为 DIM_MAX = {40, 8, 10, 20}，22 题按题号映射到 4 个维度：
// 题号(1~22) → 维度下标：1-10→ADL, 11-13→精神, 14-17→感知, 18-22→社会
private static int[] buildItemDim() {
int[] a = new int[23];
for (int i = 1; i <= 10; i++) a[i] = 0; // 日常生活活动
for (int i = 11; i <= 13; i++) a[i] = 1; // 精神状态
for (int i = 14; i <= 17; i++) a[i] = 2; // 感知觉与沟通
for (int i = 18; i <= 22; i++) a[i] = 3; // 社会参与
return a;
}
综合定级就是标准里那段组合规则的直接翻译，ADL 权重最高：
public static int comprehensiveLevel(int[] dimLevels) {
if (Arrays.stream(dimLevels).allMatch(l -> l == 0)) return 0; // 全 0 → 完好
int adl = dimLevels[0];
if (adl == 3) return 3; // ADL 重度 → 综合重度
if (Arrays.stream(dimLevels).anyMatch(l -> l == 3)) return 3; // 任一维度重度
int othersGE2 = 0;
for (int i = 1; i < 4; i++) if (dimLevels[i] >= 2) othersGE2++;
if (adl == 2 && othersGE2 >= 2) return 3; // ADL 中度 + 其他≥2项中度
if (Arrays.stream(dimLevels).anyMatch(l -> l == 2)) return 2; // 任一中度
if (adl == 1 && othersGE2 >= 1) return 2;
if (Arrays.stream(dimLevels).anyMatch(l -> l == 1)) return 1; // 任一轻度
return 0;
}
主入口 assess(answers, thresholds)：题号→分值 + 各维度等级阈值 → 返回四个维度原始分、维度等级、综合等级与名称。

4.2 后端 Spring Boot

  • 表设计沿用"多量表配置化"思路：scale / scale_dimension / scale_item / scale_result / scale_answer / scale_dimension_level / user。当前只挂了 MZ/T 039-2013 一张量表，但结构能无缝扩展认知、营养等量表。
  • REST API（前端直接消费）：
    • POST /api/auth/login —— 登录换 token
    • GET /api/scale —— 拉取评估表单（维度+题目+选项）
    • GET/POST/PUT /api/elders —— 老人建档管理
    • POST /api/assessments —— 提交 22 题答案，返回定级结果
    • GET /api/assessments/{id}/report —— 详细/简易双报告
    • GET /api/stats/overview —— 统计概览
  • dev 用 H2 内存库 + 启动自动种子（4 维度 / 22 题 / 等级阈值 / 演示老人 / 登录账号），开箱即跑；application-prod.yml 切 MySQL。
  1. 登录与权限：零依赖实现
    参考演示系统的"欢迎页 → 主界面"流程，我把登录鉴权也做进去了。但不引 Spring Security、不引 jjwt——全部用 JDK 内置能力实现，既减少依赖又能在"无 Maven"环境里编译通过。

5.1 密码：PBKDF2 + 每用户独立加盐
// PasswordUtil：JDK 内置 PBKDF2WithHmacSHA256，65536 次迭代，256 位密钥
private static final int ITERATIONS = 65536;
private static final int KEY_LENGTH = 256;
private static final String ALGO = "PBKDF2WithHmacSHA256";

public static String generateSalt() { // 16 字节随机盐
byte[] salt = new byte[16];
new SecureRandom().nextBytes(salt);
return Base64.getEncoder().encodeToString(salt);
}
public static String hash(String password, String salt) { /* PBEKeySpec + 哈希 */ }
public static boolean matches(String password, String salt, String storedHash) {
return storedHash != null && storedHash.equals(hash(password, salt));
}
数据库只存 salt + hash，即使泄露也无法反推明文。

5.2 令牌：HMAC-SHA256 自签 JWT
不引 jjwt，自己拼 header.payload.signature：
// JwtUtil：HMAC-SHA256 自签，payload 仅含 sub/role/exp
private static final long EXPIRE_MS = 1000L * 60 * 60 * 8; // 8 小时

public static String generate(String username, String role) {
String header = b64url("{"alg":"HS256","typ":"JWT"}"…);
String payload = b64url("{"sub":""+username+"","role":""+role+"","exp":"+exp+"}"…);
String sig = hmacSha256(header + "." + payload, SECRET); // JDK Mac
return header + "." + payload + "." + sig;
}
public static Map<String,Object> parse(String token) { /* 验签 + 解 payload */ }
注意：SECRET 目前是代码里的演示默认值，上线应改环境变量或配置项；token 里只放用户名/角色/过期时间，无敏感信息。

5.3 两角色 + 拦截器
AuthInterceptor 拦截 /api/**（放行 /api/auth/login），从 Authorization: Bearer 解出 sub/role，写入请求上下文。种子账号：
角色
用户名
密码
说明
管理员
admin
admin123
系统管理员
评估员
evaluator
eval123
评估员小张
实测坑提醒：评估员密码是 eval123，不是管理员的 admin123——填错就会出现"用户名或密码错误"（401）。

  1. 踩坑与校准（干货）

6.1 定级阈值不能拍脑袋 ⚠️
维度原始分 → 维度等级，需要阈值（如 ADL ≥36 为 0 级）。我代码里留了注入点，种子数据用的默认近似：
ADL： 0级≥36 1级≥30 2级≥20 3级≥0
精神： 0级≥7 1级≥6 2级≥4 3级≥0
感知： 0级≥9 1级≥8 2级≥5 3级≥0
社会： 0级≥18 1级≥15 2级≥10 3级≥0
上线前必须做：用标准附录《一级指标等级划分》的精确分值覆盖 scale_dimension_level 表，否则定级结果可能与官方不一致。这是整个系统最容易"看起来对、实际错"的地方。

6.2 本机没有 Maven，照样把 Spring Boot 跑起来 🔧
这是本次最有价值的一段。本机没有 Maven 可执行文件，且代理拦截装不上；更糟的是本地 .m2 被两个 Spring Boot 版本（3.2.5 和 4.1.0）污染，全量收集 jar 必然版本冲突。
我的解法是写了一个依赖解析器 resolve_cp.mjs：

  1. 以 spring-boot-dependencies 3.2.5 的 BOM 为权威版本表，递归解析传递依赖；
  2. 处理 BOM 的 import 嵌套（spring-framework-bom / jackson-bom 等）、链式属性 ${a.b}、省略 groupId 的继承；
  3. 从 .m2 缓存里收集精确版本的 jar，复制进 lib/ 目录；
  4. 用 javac -cp 'lib/' 编译、java -cp 'out;lib/' 主类 直接运行，完全绕过 Maven 打包。
    途中还补齐了 .m2 缺失/选错的 byte-buddy（Hibernate 字节码增强必需，锁定 1.14.13）、lombok、h2、logback。
    最终验证：POST /api/auth/login 用 admin/admin123、evaluator/eval123 均 200 返回 token，真实后端在 8080 端口稳定运行。

6.3 "AI 处方"是医疗敏感词
系统 B 的卖点"AI 处方"，在医养语境下本质是干预/照护方案，不是开药。若要做：

  • 干预项来自人工维护的目录（可审计），LLM 只做自然语言润色，不自主诊断；
  • 输出需人工审核留痕（auditor_id），无资质场景不做诊断。否则合规风险很大。

6.4 界面美化：欢迎页 + 2.5D 插画
登录页做了视觉升级：左侧 2.5D 等距插画背景 + 蓝紫渐变，登录卡片居中浮于图层之上（毛玻璃质感）；主界面去掉了左侧深灰导航栏，改为顶部导航。这些不影响逻辑，但让演示更有说服力。

  1. 验证结果
    验证项
    结果
    评估引擎独立编译（JDK 17, UTF-8）
    ✅ 通过
    前端 npm install + vite build（1666 模块）
    ✅ 通过
    真实 Spring Boot 后端运行 + 登录鉴权
    ✅ 通过（免 Maven 方式，8080 端口实测）
    22 题评估 → 综合定级
    ✅ 通过
    多条件查询 / 统计 / 导入导出
    ✅ 通过

  2. 本地运行
    方式一：标准（需要 Maven + JDK 17）

后端（默认 H2 内存库，:8080）

cd elder-assessment-engine
mvn spring-boot:run

电脑端（:5173，已配 /api 代理到 8080）

cd elder-assessment-engine/frontend
npm install && npm run dev
方式二：本机无 Maven（已验证）
依赖已解析进 lib/、编译产物在 out/，直接运行主类即可：
cd elder-assessment-engine
java -cp 'out;lib/*' com.example.elder.ElderAssessmentApplication --server.port=8080
注：application.yml 里的 server.port 在本环境没被 Spring 读到，用 --server.port=8080 命令行固定即可，功能不受影响。
体验路径：打开 http://localhost:5173/login → 用 admin/admin123（或 evaluator/eval123）登录 → 老人管理 → 新建 → 去评估 → 答 22 题 → 提交 → 看详细/简易报告。

  1. 按课堂任务补齐的功能（WEB 端）
    项目实际是依据一份课堂任务实现的，要求"开发 WEB + 手机端两套评估系统"，并明确了 5 项功能。WEB 端已补齐：
    任务要求
    实现方式
    ① 老人注册/信息导入
    单条建档 + CSV 批量导入（含模板下载）
    ② 能力定期评估
    22 题表单，同一老人可多次评估，历史记录可查、可再次评估
    ③ 多条件查询
    按姓名/性别/年龄/最近评估等级/评估时间筛选
    ④ 能力数据统计
    统计页：等级分布饼图、各等级人数、评估次数趋势（ECharts）
    ⑤ 能力数据导出
    老人数据、评估记录一键导出 CSV（Excel 可直接打开）
    导入/导出统一用零依赖 CSV（UTF-8 BOM），不引入 POI，规避本机构建风险；手机端按任务要求另做原生 App（下轮）。

  2. 后续规划

  3. 手机端 Android 原生 App（Kotlin + Retrofit + Compose）：复用现有 /api/*，无需改后端，下一轮做。

  4. 扩展多量表 + AI 处方引擎：接系统 B 的设计——规则引擎出干预项、LLM 做文案润色、人工审核留痕。

  5. 升级 GB/T 42195-2022：若目标系统实为 2022 版，扩题库到 26 题、等级到 5 档。

  6. 阈值校准：用标准附录精确分值替换默认近似阈值。

  7. 小结
    这次从"看两个视频"到"自己写出能跑的评估引擎 + 登录鉴权"，最大的体会是：
    项目里的"智能评估"剥掉包装，核心就是"一套标准 + 一张题库表 + 一段定级函数"。 把国标吃透、把算法写成可单测的纯函数，比堆界面有价值得多；而"没有 Maven 也能把 Spring Boot 跑起来"，逼着我真正理解了 classpath、BOM 版本仲裁和字节码增强这些被构建工具藏起来的东西。
    逆向的价值不在"抄"，在于逼自己把别人的演示翻译成可验证的工程实现——然后你会发现，很多"高大上"的系统，骨架也就这么大。

posted on 2026-11-03 20:59  chenyun_922  阅读(3)  评论(0)    收藏  举报