Phase 4 - 测试、部署与成果输出

提升系统稳定性并完成部署上线，同时整理成果用于展示与答辩。

⁋ 4.1 - 全面系统测试

对系统进行系统级测试验证，覆盖功能正确性、并发稳定性与基础兼容性，确保系统在真实使用环境下可靠运行。

全链路核心流程回归测试

需要基于 Phase 1～3 的完整流程重新执行测试，包括：登录 → 课程 → 实验 → 提交 → AI 分析 → 云执行 → 成绩 → 学情分析。核心工程问题是：验证所有模块集成后仍然正常工作，避免后期新增功能破坏原有流程。

模块级功能完整性测试

需要逐模块验证所有功能，包括用户与权限、课程与资源、实验与提交、AI 纠错、云实验执行、学情分析。核心工程问题是：确保每个模块在 “集成状态下” 仍然可用，而不是单独开发时正常。

权限与安全性重点测试

需要重点验证不同角色（学生 / 教师）的权限边界，例如、学生是否能访问他人数据、是否可以越权评分、是否可以调用 AI / 执行接口。核心工程问题是：防止越权访问与数据泄露，这是系统稳定性的重要部分。

轻量级并发与基础压力测试

需要模拟多用户同时操作，例如多人同时提交实验、多人同时触发 AI 分析、多人同时访问课程。核心工程问题是：发现系统在 “多人使用” 下的瓶颈。MVP 阶段不需要专业压测工具，可以通过简单脚本或多浏览器测试。

AI 与云执行稳定性测试

需要重点测试 AI 接口是否稳定返回、云执行是否偶发失败、超时或异常是否有处理。核心工程问题是：外部能力（AI / 执行）是否影响整体系统稳定性，必须有容错。

异常与错误恢复测试

需要刻意制造异常，例如数据库断开、AI 接口失败、执行服务报错。核心工程问题是：系统是否能优雅失败，而不是崩溃，例如返回合理提示而不是报错页面。

前端兼容性与稳定性测试

需要在不同浏览器（Chrome / Edge 等）测试主要流程，并检查页面是否异常（样式错乱、功能失效）。核心工程问题是：确保展示环境稳定，尤其是答辩现场环境。

性能瓶颈初步定位

需要观察系统响应时间，例如页面加载时间、提交处理时间、AI 响应时间。核心工程问题是：发现明显卡顿点，为 4.2 优化提供依据。

测试结果记录与问题闭环

需要记录测试过程中发现的问题，并跟踪修复状态。核心工程问题是：确保问题被真正解决，而不是临时忽略。建议继续使用 GitHub Issues 管理。

⁋ 4.2 - 性能优化与系统调优

对系统关键路径进行性能优化与资源调优，提升响应速度与系统稳定性，消除明显性能瓶颈。

核心接口性能分析与定位

需要识别系统中最关键、最频繁调用的接口，例如：登录、课程列表、实验提交、AI 分析接口等，并测试其响应时间。核心工程问题是：找出真正影响体验的性能瓶颈，而不是盲目优化。可以通过日志或简单计时统计接口耗时。

数据库查询优化

需要检查关键查询（如课程列表、提交记录、成绩查询）是否存在性能问题，并进行优化，例如添加必要索引（user_id / course_id 等）、避免重复查询、精简查询字段。核心工程问题是：数据库是最容易成为瓶颈的地方，优化成本低但收益高。

AI 调用与云执行异步化处理

需要将 AI 分析与云执行从同步请求改为异步处理（如提交后返回 “处理中” 状态）。核心工程问题是：避免用户请求被长时间阻塞。可以通过简单队列或后台任务实现（即使是轻量实现也有明显提升）。

接口响应结构与数据量优化

需要减少接口返回的数据量，例如避免返回不必要字段、分页加载列表数据等。核心工程问题是：降低网络传输与前端渲染压力，特别是在提交记录或课程列表较多时。

前端渲染与状态优化

需要优化前端页面渲染，例如避免重复请求、合理使用 loading 状态、减少不必要的组件重渲染。核心工程问题是：提升用户 “感知性能”，即使后端不变，体验也会更流畅。

静态资源与前端构建优化

需要对前端资源进行基本优化，例如构建压缩（production build）、图片 / 资源压缩、合理拆分代码（如按页面加载）。核心工程问题是：减少首屏加载时间，让系统 “打开更快”。

简单缓存机制引入

可以对一些不频繁变化的数据做简单缓存，例如课程列表或资源列表。核心工程问题是：减少重复请求数据库。MVP 阶段可以使用内存缓存（如简单 Map）即可。

服务资源配置与运行调优

需要检查服务器资源使用情况（CPU / 内存），并调整服务配置（如线程数、连接数）。核心工程问题是：避免资源配置不合理导致性能问题。即使是简单调整，也能提升稳定性。

性能优化验证与对比测试

需要在优化前后进行简单对比，例如接口响应时间、页面加载速度等。核心工程问题是：验证优化是否真正有效，避免 “感觉优化了但没有变化”。

⁋ 4.3 - 部署与上线环境搭建

构建系统的生产运行环境，实现前后端与数据库服务的统一部署与对外访问能力，确保系统可稳定运行与展示。

单机多服务部署架构设计

需要设计系统部署架构，推荐采用单台服务器部署多个服务（web / core / database / fpga-service）。核心工程问题是：在保证系统完整运行的前提下控制复杂度。MVP 阶段不引入分布式或多节点部署。

Docker 化部署配置整理

需要完善各个服务的 Dockerfile，并确保 web、core、数据库、执行服务等均可容器化运行。核心工程问题是：统一运行环境，避免环境差异问题（本地 vs 服务器）。

Docker Compose 编排实现

需要编写 docker-compose.yml，统一管理所有服务的启动与网络配置。核心工程问题是：实现 “一键启动整套系统”，降低部署复杂度。需要定义服务依赖关系（如 core 依赖数据库）。

环境变量与配置管理

需要将数据库连接、端口、AI 接口 Key 等配置提取为环境变量（.env 文件）。核心工程问题是：避免配置写死在代码中，提升安全性与灵活性。

服务器环境准备

需要在服务器上安装并配置 Docker / Docker Compose、基础系统依赖。核心工程问题是：保证服务器具备运行容器的能力。建议使用一台基础云服务器（2 核 4G 即可）。

数据持久化与存储配置

需要为数据库与文件存储配置 volume，确保容器重启后数据不丢失。核心工程问题是：防止数据丢失（尤其是演示前）。

nginx 反向代理与统一入口

需要配置 nginx 作为统一入口，将请求转发到前端与后端服务。核心工程问题是：统一访问地址与端口，提升专业度。例如 /api → core、/ → web。

域名与访问配置

可以绑定域名并配置解析（如使用云服务商域名）。核心工程问题是：提升访问体验与项目专业性。如果时间有限，直接使用 IP 访问也可以。

部署验证与外网测试

需要在部署完成后，从外部网络访问系统，验证完整流程（登录 → 实验 → AI → 云执行）。核心工程问题是：确认系统在真实环境下可用，而不是仅在本地。

简单运维与重启策略

需要掌握基本运维操作，例如查看日志（docker logs）、重启服务（docker-compose restart）。核心工程问题是：出现问题时能快速恢复系统，避免展示时无法处理。

⁋ 4.4 - 文档完善与用户手册编写

完善项目文档体系与用户使用说明，使系统具备可理解、可复现、可使用的完整交付能力。

项目总览文档（README 主入口）

需要在主仓库编写高质量 README，包含项目简介、核心功能、技术栈与快速启动说明。核心工程问题是：让陌生人 1 分钟内理解项目做什么。需要避免大段技术细节，而是突出系统价值与整体结构。

系统架构文档整理

需要整理系统整体架构说明，包括 web / core / ai-service / fpga-service / infra 关系、数据流与请求流。核心工程问题是：展示你的系统设计能力，而不是仅仅代码实现。建议配合架构图（draw.io 或类似工具）。

API 文档与接口说明完善

需要完善基于 OpenAPI 规范的 API 文档，并使用 Swagger UI 提供在线查看与调试能力，明确接口路径、参数、返回值。核心工程问题是：让系统具备 “可协作开发能力”，即他人可以基于文档调用接口。

数据库设计文档整理

需要将数据库表结构整理成文档，包括字段说明、表关系等。核心工程问题是：展示数据建模能力，并方便后续维护。

部署与运行指南编写

需要编写完整部署指南，包括环境要求、启动步骤（docker-compose）、配置说明（.env）。核心工程问题是：让他人可以在新环境中成功运行项目，而不是依赖你本地环境。

面向非技术用户的使用手册编写

需要编写用户手册，说明如何使用系统，例如如何注册登录、如何创建课程、如何提交实验、如何查看 AI 分析。核心工程问题是：让非开发者也能使用系统，这一点在答辩中非常加分。

常见问题与错误说明

需要整理常见问题，例如登录失败、提交失败、AI 分析未返回。核心工程问题是：降低使用门槛，提高系统可用性。

演示流程文档

需要编写一份标准演示流程，例如：登录 → 创建课程 → 学生加入 → 提交 → AI 分析 → 云实验 → 学情分析。核心工程问题是：保证展示过程流畅可控，避免现场临时操作导致混乱。

⁋ 4.5 - 项目成果整理与论文输出

对项目成果进行系统性整理与表达，形成完整的展示材料与论文内容，支撑课程答辩与技术评估。

项目整体成果结构梳理

需要对项目进行整体结构梳理，包括：系统目标、功能模块、技术方案、实现结果。核心工程问题是：避免成果表达混乱，确保内容有逻辑主线（从问题 → 方案 → 实现 → 效果）。

项目核心亮点提炼

需要总结项目的核心技术亮点，例如 AI 代码纠错系统、学情分析与个性化建议、FPGA 云实验执行架构。核心工程问题是：让项目 “有记忆点”，而不是普通教学系统。这一部分建议控制在 3～5 个点，每个点都能讲清楚 “为什么做 + 怎么做”。

技术实现细节整理

需要整理关键技术实现，例如 AI 调用流程（3.1～3.2）、数据分析逻辑（3.3）、云执行架构（3.4）。核心工程问题是：在需要深入时有内容可讲，而不是只停留在表面功能描述。

系统演示材料准备

需要准备系统截图或录屏，覆盖关键流程，例如提交实验、AI 纠错反馈、云实验结果、学情分析页面。核心工程问题是：确保展示 “可控”，即使现场网络或系统异常，也可以通过材料说明。

答辩讲解逻辑设计

需要设计一套讲解顺序，例如：背景与问题（为什么做）、系统整体方案（怎么做）、核心功能演示（做了什么）、技术亮点（难点在哪里）、总结与展望。核心工程问题是：让表达有节奏、有逻辑，而不是功能罗列。

项目论文结构整理

需要根据课程要求整理论文结构，例如：引言（背景与意义）、系统设计（架构）、功能实现（模块）、实验与结果（测试）、总结与展望。核心工程问题是：将工程内容转化为学术表达，避免论文变成 “开发日志”。

技术选型与决策说明

需要解释关键技术选择，例如为什么使用某 AI 方案、为什么采用 Docker 部署、为什么设计云执行架构。核心工程问题是：体现 “你是做决策的人”，而不是 “写代码的人”。

项目总结与未来扩展

需要说明未来可以扩展的方向，例如接入真实 FPGA 硬件、优化 AI 分析模型、增强数据分析能力。核心工程问题是：体现项目的 “成长空间”，这是答辩中很加分的一点。