孙静伟1. 项目背景与核心价值
在当今技术岗位招聘中，算法与数据结构题目已成为筛选候选人的重要标准。但传统刷题平台往往存在几个痛点：前端交互体验单一、题目推荐缺乏个性化、刷题数据难以可视化分析。这个项目正是为了解决这些问题而生。
我去年辅导过一位转行Java开发的学员，他每天刷3小时LeetCode却收效甚微。后来发现他80%时间都在重复已掌握的二分查找题型，而对薄弱的后缀数组类题目避而不远。这促使我思考：能否开发一个能智能分析用户弱项，并动态调整题目推荐的系统？
经过三个月的开发迭代，我们团队实现的这套系统具备以下差异化优势：
- 采用Vue3+SpringBoot的现代化技术栈
- 通过用户行为数据构建能力模型
- 实现基于知识图谱的题目推荐算法
- 提供多维度的刷题数据看板
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 技术架构设计解析
2.1 前后端分离方案选型
在技术选型阶段，我们对比了三种主流方案：
| 方案 | 开发效率 | 性能表现 | 维护成本 |
|---|---|---|---|
| 传统JSP | ★★★ | ★★ | ★★ |
| 服务端渲染(SSR) | ★★ | ★★★★ | ★★★ |
| 前后端分离(SPA+API) | ★★★★ | ★★★ | ★★★★ |
最终选择前后端分离架构主要基于：
- 团队分工明确：前端专注交互体验，后端专注算法逻辑
- 技术栈先进：Vue3的Composition API更适合复杂状态管理
- 扩展性强：RESTful API接口便于后期接入小程序等终端
实践建议：中小型项目建议使用Vite替代Webpack作为构建工具，冷启动时间能从30s缩短到1s内
2.2 核心模块划分
系统采用领域驱动设计(DDD)思想，划分为六个微服务：
mermaid复制graph TD
A[用户服务] --> B[题目服务]
A --> C[提交服务]
B --> D[推荐服务]
C --> D
D --> E[分