需求规格说明书 (Software Requirements Specification)
项目名称：通用教学平台（支持多学科课程）
版本：1.0
日期：2025-12-18
1. 引言
1.1 项目背景
高校课程在答疑、作业批改、学情统计与互动教学方面普遍存在效率瓶颈。随着大模型（LLM）与企业微信的普及，建设一套面向多学科、可模块化扩展的教学平台成为提升教学效率的有效途径。
1.2 项目目标
构建一个基于企业微信 H5 前端、Go 后端、可集成大模型与课程工具服务的通用教学平台，实现教学管理自动化、答疑辅导智能化、课程工具按需开放。
1.3 适用范围
本平台适用于高校多学科课程教学，可根据课程配置开放对应的专属模块（如仿真、写作分析、实验工具等）。
2. 用户角色 (Stakeholders)
| 角色 | 描述 | 核心权限 |
|---|---|---|
| 管理员 (Admin) | 系统维护人员 | 用户管理、系统配置、日志审计、所有数据访问权限 |
| 教师 (Teacher) | 课程主讲教师 | 课程创建、作业发布/评分、资源上传、查看学情、配置课程专属模块 |
| 助教 (Assistant) | 协助教学人员 | 作业批改、答疑回复、管理部分学情数据、协助课程维护 |
| 学生 (Student) | 课程学习者 | 查看通知/资源、提交作业、参与答疑/讨论、使用课程专属工具 |
3. 功能需求 (Functional Requirements)
3.1 教学业务管理模块
3.1.1 用户与鉴权
- 登录：支持账号密码登录；预留企业微信 OAuth 授权登录。
- 权限控制：基于 RBAC（基于角色的访问控制），不同角色拥有不同 API 访问权限。
- 个人信息：查看与修改基本信息（后续对接企微通讯录）。
3.1.2 课程管理
- 课程列表：教师可创建/编辑/关闭课程；学生查看已选课程。
- 课程详情：展示课程大纲、公告、教学日历。
- 成员管理：教师可导入/添加学生和助教；学生可扫码/输入邀请码加入课程。
3.1.3 作业与测验
- 发布作业：支持富文本、附件；设置截止时间、满分值、评分标准。
- 提交作业：学生上传文本、图片或文件；支持多次提交（截止前）。
- 批改与反馈：教师/助教在线打分、写评语；支持引用 AI 预批改结果。
- 成绩统计：自动计算平时成绩；支持导出成绩单。
3.1.4 资源中心
- 资料上传：教师上传课件（PDF/PPT）、习题集、参考代码。
- 分类浏览：按章节或类型（文档/视频/链接）组织资源。
- 浏览记录：记录学生资源访问情况（用于学情分析）。
3.1.5 考勤签到
- 发起签到：教师发起限时二维码或数字口令签到。
- 学生签到：学生在规定时间内进行签到（记录地理位置可选）。
- 统计：自动统计出勤率，标记迟到/缺勤。
3.2 AI 教学辅助模块（通用能力）
3.2.1 智能答疑 (Tutor Mode)
- 多轮对话：学生均可与 AI 助教对话，支持多学科知识问答与学习辅导。
- RAG 检索增强：基于课程讲义/教材构建本地知识库，AI 回答时优先引用库内知识，减少幻觉。
- 追溯引用：AI 回答需标注引用片段来源（如“《第一章》/讲义节次”）。
3.2.2 作业批改辅助 (Grader Mode)
- 预批改：AI 根据预设的评分细则（Rubrics）分析学生提交的作业内容。
- 错误诊断：识别关键步骤错误、计算错误或概念误用。
- 改进建议：生成针对性的改进建议，供教师参考或经教师确认后发送给学生。
- 提示模式：对于未提交的作业，AI 仅提供解题思路提示，不直接给出答案。
3.2.3 学情总结
- 薄弱点分析：基于班级作业数据，AI 总结共性错误和薄弱知识点。
- 教学建议：为教师生成下次课的重点讲解建议。
3.3 课程专属工具模块（示例：仿真/实验）
3.3.1 典型模型计算
- 模型库：根据课程类型加载专属模型或实验工具（示例：物理/工程课程的仿真模型）。
- 参数化输入：用户可在前端调整实验参数或配置项。
- 数值求解：后端调用课程工具服务完成计算或实验任务。
3.3.2 可视化输出
- 可视化输出：生成图表/结果卡片。
- 交互式查看：支持前端查看静态图片或交互式图表（缩放/数值探测）。
3.3.3 AI 协同解读
- 图像/数据解释：AI 结合输入参数与输出结果给出解释。
- 引导式提问：AI 根据结果向学生提问，引导深度思考。
4. 非功能需求 (Non-functional Requirements)
4.1 性能要求
- API 响应：常规业务接口响应时间 < 200ms。
- AI 响应：流式输出（Streaming），首字延迟 < 3s。
- 仿真计算：简单二维模型计算时间 < 5s；支持异步任务排队。
- 并发：支持单课程 100+ 学生同时签到/提交作业。
4.2 安全性要求
- 数据传输：全链路 HTTPS 加密。
- 敏感信息：密码 Hash 存储；学生隐私数据脱敏展示。
- 内容安全：AI 输入/输出需经过敏感词过滤；防止 prompt 注入攻击。
4.3 兼容性
- 客户端：优先适配企业微信内置浏览器（Android/iOS/Desktop）；兼容主流桌面浏览器（Chrome/Edge）。
- 服务端：支持 Docker 容器化部署，兼容 Linux (Ubuntu/CentOS) 环境。
4.4 可维护性
- 代码规范：遵循 Go 与 React/TypeScript 社区标准规范。
- 文档：提供完整的 API 文档（Swagger/OpenAPI）和部署文档。
- 日志：详细的业务日志与错误追踪。
5. 接口需求
5.1 外部接口
- LLM API：对接阿里云 Qwen 或兼容 OpenAI 格式的推理服务接口。
- 企业微信 API（规划中）：对接通讯录、消息推送、OAuth 授权接口。
5.2 内部接口协议
- 前后端交互：RESTful API，JSON 格式数据交换。
- 微服务通信：主后端与 AI/仿真服务之间通过 HTTP 调用，共享 Secret Key 鉴权。
6. 数据需求
6.1 数据存储
- 关系型数据库 (MySQL)：存储用户、课程、作业、成绩、签到记录等结构化数据。
- 向量数据库 (FAISS/Chroma)（AI服务内部）：存储知识库 Embeddings 索引。
- 文件存储：本地文件系统或对象存储（MinIO/OSS），存储作业附件、课件资源、仿真结果图。
6.2 数据备份
- 定期自动备份 MySQL 数据库SQL文件。
- 关键配置文件与持久化数据目录需支持挂载备份。