团队作业1——团队展示&选题
团队展示
1.队名：DeepMind
2.队员姓名与学号：
| 姓名 | 学号 |
|---|---|
| 洪徐博（组长） | 3123004787 |
| 何松 | 3123004786 |
| 康经腾 | 3123004788 |
| 徐云哲 | 3123004807 |
| 彭鑫 | 3123004277 |
| 崔嘉豪 | 3123004264 |
3.团队项目描述：
AI驱动的开发者成长平台：智能推荐技术路线 + 实战化框架学习 + 开发者社区互动
4.队员风采：
- 洪徐博
- 擅长的技术：后台java开发，数据库搭建，前端vue框架开发
- 编程兴趣：喜欢抠细节，尽量在一次编程调试中把业务细节做好
- 希望的软工角色：全栈开发+PM
- 宣言：走别人的路，让别人无路可走
- 何松
- 技术栈：Vue+ElementUI，Springboot，MySQL，Redis等
- 学习方向：后台服务器开发维护
- 兴趣爱好：台球、篮球、吉他、动画
- 角色：全能（bushi）
- 康经腾
- 风格：注重用户体验
- 编程兴趣：测试工具链开发
- 软工角色：建立CI/CD流程
- MSF宣言：质量优先
- 崔嘉豪
- 技术风格：追求简洁的架构
- 擅长技术：java后端开发，数据库优化
- 编程兴趣：研究数据库底层
- 角色：开发
- 宣言：纸上谈兵可不会给你带来优秀的架构
- 徐云哲
- 擅长的技术：语言：掌握C、Python，熟悉C++基础。
- 编程兴趣：偏爱后端开发和系统设计，同时对AI领域感兴趣。
- 希望的软工角色：首选后端开发工程师（未来想深耕分布式系统），其次对测试开发（自动化测试方向）或技术型PM（需技术背景的项目管理）也有兴趣。
- 一句话宣言：“用代码构建世界的齿轮，以热爱驱动技术的边界。”
- 彭鑫
- 擅长的技术：自动化测试：Python+PyTest搭建过接口自动化测试框架。性能测试：了解使用JMeter进行压力测试
- 编程兴趣：喜欢用Python写测试工具，最近在研究如何用AI生成更智能的测试用例。
- 希望的软工角色：专职测试开发工程师，同时愿意兼任部分用户体验优化工作。
- MSF实践宣言："我的测试用例就是团队的共享愿景说明书——通过持续验证『质量共识』，让每行代码都成为可信赖的承诺！"
5. 团队的特色描述
-
AI深度绑定开发学习——
-
不依赖静态资料库，而是通过动态AI诊断实时反馈代码质量（风格/性能/规范），模拟真实开发中的Code Review场景。
-
技术路线推荐系统结合行业趋势与个人学习数据，提供“可进化”的路径规划（如：从Python基础→自动化运维→云架构师）。
-
-
无环境依赖的实战训练——
- 用户无需配置本地环境，纯代码提交+AI流式评阅即可完成框架学习，解决“教程跑通但实际项目不会搭”的痛点。
-
开发者生态闭环——
- 学习路线、AI实战、社区反馈三者联动（例如：论坛高频问题可触发AI生成新的训练题，用户贡献的优质内容会被吸纳进官方推荐路线）。
-
一句话差异点：
- “用AI模拟真实开发场景的‘动态教练’，而非静态知识库”
团队选题：CodePilot —— AI驱动的开发者实战成长平台
项目github地址：https://github.com/DeepMind-GDUT/CodePilot
1. 项目描述：
CodePilot 是一个面向开发者的智能学习平台，核心功能包括：
-
AI个性化路线推荐：基于用户兴趣、技能水平和行业趋势，动态推荐学习路径（如：前端→全栈→架构师）。
-
AI实战代码评阅：无需搭建环境，提交代码即可获得AI的实时反馈（功能实现、代码规范、性能优化等）。
-
开发者社区与同好推荐（选做）：连接学习目标相似的用户，形成技术交流圈，并支持UGC内容（教程、经验帖）。
2. 目标用户量（初期）：
- Beta阶段（3-6个月）：500-800 名对开发学习感兴趣的同学。
3. 项目目标：
-
真实：解决开发者核心痛点
- 传统学习平台问题：教程碎片化、环境配置复杂、缺乏真实项目反馈。
-
CodePilot的应对：
- 动态路线推荐：避免“学完不知道下一步该学什么”的迷茫。
-
可用：低门槛+高实用性
-
用户侧：无需配置环境，打开浏览器即可练习框架代码（如Spring Boot、React）。
-
技术侧：采用流式AI反馈，减少等待时间。 支持多文件代码提交，贴合真实项目结构。
-
-
有价值：加速开发者成长
-
对个人：帮助用户从“会写Demo”到“能写工程代码”。
-
对行业：通过社区反馈机制，推动技术路线与时俱进。
-
-
有情怀
-
让技术学习更公平：降低优质教育资源门槛（尤其对非一线城市/转行者）。
-
反哺开源生态：优秀用户贡献的内容可被整合为开源学习资源。
-
团队计划与任务安排
-
阶段一：需求分析与规划（2周）
-
需求调研与优先级划分
- 任务：PM组织成员学习《构建之法》第8章，通过焦点小组和快速原型调研明确用户核心需求（如AI动态诊断、学习路线推荐等），并应用NABCD模型分析竞争性需求25。
-
耗时估计：
-
需求收集（3天）：用户调研与利益相关者访谈。
-
需求评审（2天）：使用“分而治之”方法拆解需求，划分优先级。
-
输出文档：需求规格说明书（含功能性与非功能性需求）
-
-
技术选型与架构设计
-
任务：后端团队确定技术栈（如基于GPT的代码评阅API、推荐算法框架），前端团队设计低交互门槛的界面原型7。
-
耗时估计：
-
技术验证（4天）：通过快速原型法测试AI接口性能。
-
架构设计（3天）：采用分层架构（前端+后端+AI服务），定义API规范。
-
-
-
阶段二：核心功能开发（3周）
-
AI动态诊断模块
-
任务：实现用户代码提交→流式AI评阅→实时反馈（支持多文件分析）。
-
关键点：集成AI模型，优化响应延迟（目标<2秒）。 设计评分维度（代码规范30%、功能完整性50%、性能20%）。
-
耗时估计：后端开发（1周）：API接口与AI交互逻辑。 前端开发（2周）：实时反馈界面与错误高亮。
-
-
学习路线推荐系统
-
任务：基于用户画像（技能水平、兴趣）生成动态学习路径。
-
关键点：数据源：行业趋势数据 + 用户行为分析。 算法：协同过滤推荐 + 路径依赖优化。
-
耗时估计：后端开发（2周）：推荐算法实现与数据接口。 前端开发（1周）：可视化路径展示（甘特图形式）。
-
-
-
阶段三：测试与发布（1周）
-
集成测试与优化
任务：
-
单元测试：覆盖核心功能（如AI评分准确性、推荐算法覆盖率）。
-
性能测试：模拟高并发场景（多用户同时提交代码)。
耗时估计：
-
测试用例编写（3天）。
-
Bug修复与调优（5天）。
-
-
发布与反馈迭代
任务：
- 灰度发布至100名种子用户，收集反馈并优化。
关键点：
-
采用渐进发布策略（每周开放10%用户量）。
-
召开事后诸葛亮会议，总结技术债务与流程问题。
-
-
时间表矫正与风险管理
-
计划估计方法：
- 使用《构建之法》中的“耗时公式”：
预计时间 = (最乐观时间 + 4×最可能时间 + 最悲观时间)/65。
- 使用《构建之法》中的“耗时公式”：
-
风险应对：
-
需求变更：预留10%缓冲时间（如需求分析阶段+2天）。
-
技术瓶颈：设置“技术探路先锋”（如提前2周验证AI接口可行性）
-
-
团队成员绩效评估方法与贡献分分配规则
一、绩效评估框架
-
总绩效 = 团队项目分（统一基准） + 团队贡献分（个体差异）
-
团队项目分：由课程组评审后统一赋分，所有成员均分相同。
-
团队贡献分：根据成员实际贡献差异化分配，总和为 20×N（N为团队人数），每人得分为自然数且唯一
二、贡献分分配规则设计
-
贡献分构成
-
采用“基础分+奖惩分”模式，确保公平性与激励性：
-
基础分（60%）：默认均分，体现基本工作量均衡。
-
奖惩分（40%）：根据质量、准时性、协作度等动态调整
-
-
评估维度与细则
| 维度 | 评估标准 | 加减分规则 |
|---|---|---|
| 工作量 | 任务复杂度与耗时（参考预估与实际开发时长比例） | +1~3分（简单/一般/复杂任务） |
| 代码质量 | 功能完成度、代码规范、Bug数量（开发组自测+测试组反馈） | +5（无Bug）、+2（少量Bug）、-2（较多Bug）、-5（严重Bug） |
| 准时性 | 任务交付时间（提前/按时/延期） | +5（提前）、+2（按时）、-2（延期≤1天）、-5（延期>1天） |
| 协作贡献 | 协助他人解决问题、共享技术文档、参与跨组沟通 | +1~2分/次（由团队投票评定） |
| 态度与规范 | 例会出勤率、代码提交规范、文档完整性 | -1~2分（缺勤/不规范）、+1分（优秀） |
-
贡献分计算流程
-
自评与互评：成员提交任务总结（含工作量、难点、协作记录），团队匿名互评。
-
PM审核：结合代码提交记录、会议日志、测试报告，核定基础分与奖惩分。
-
总分计算：
-
初始总分：个人总分 = 基础分 + ∑奖惩分
-
归一化调整：按比例分配至总分池（20N），确保自然数且唯一68。
-
同分处理：总分相同者，参考“协作贡献”得分微调，仍相同则由PM综合决策
-
浙公网安备 33010602011771号