DeepSeek智能考试系统智能体

一、deepseek-app-1.0

1、系统要求

• CentOS 7.9
• Python 3.8+
• Node.js 16+
• MySQL 8.0

2、部署步骤

• 运行初始化脚本：./scripts/setup.sh
• 初始化数据库：mysql -u root -p < scripts/init_db.sql
• 启动服务：./scripts/start.sh

3、访问地址

• 前端：http://服务器IP:3000
• 后端API：http://服务器IP:5001/api/subjects

4、项目网盘

• 主链接：https://www.123684.com/s/kPEvTd-0K7d3提取码:podL
• 备用链接：https://www.123912.com/s/kPEvTd-0K7d3提取码:podL
• 二维码：

5、项目地址

https://github.com/bei-chen-1/AI

bei-chen-1/AI: 存放AI相关的项目/Store AI-related projects

6、系统架构

• 前端：React
• 后端：Flask
• 数据库：MySQL
• 大模型：DeepSeek-R1:1.5B

7、项目目录

• /opt/deepseek-app-1.0
• ├── backend/ # Flask 后端
• ├── docs/ # 文档
• ├── frontend/ # React 前端
• ├── scripts/ # 系统脚本
• ├── logs/ # 日志目录

8、详细目录

• /opt/deepseek-app-1.0
• ├── backend/ # Flask 后端服务
• │ ├── app.py # 后端主应用（Flask）
• │ └── requirements.txt # Python 依赖列表
• │ └── database.py # 数据库操作
• ├── frontend/ # React 前端应用
• │ ├── public/ # 公共资源目录
• │ │ └── index.html # HTML 入口文件
• │ ├── src/ # 源代码目录
• │ │ ├── App.js # 主应用组件
• │ │ ├── App.css # 主样式文件
• │ │ └── index.js # React 入口文件
• │ │ └── components/
• │ │ └── HistoryPanel.js #历史记录面板文件
• │ └── package.json # Node.js 项目配置
• │ └── package-lock.json # Node.js 项目配置
• ├── scripts/ # 系统脚本
• │ ├── start.sh # 服务启动脚本
• │ ├── stop.sh # 服务关闭脚本
• │ └── init_db.sql # 数据库初始化脚本
• ├── logs/ # 日志目录（运行时自动生成）
• └── docs/ # 文档目录
• └── README.md # 项目说明文档

9、核心文件

|----------------------|----------------------------------------------------|---------------------------|
| 后端主文件 | /opt/deepseek-app/backend/app.py | Flask应用入口，包含API路由 |
| 前端入口 | /opt/deepseek-app/frontend/src/App.js | React应用主组件 |
| 组件目录 | /opt/deepseek-app/frontend/src/components/ | 包含所有React组件 |
| 启动脚本 | /opt/deepseek-app/scripts/start.sh | 应用启动脚本 |
| 构建目录 | /opt/deepseek-app/frontend/build/ | 前端构建输出目录 |

10、项目架构

• 用户浏览器
• ↓
• HTTP 请求 (端口:5001)
• ↓
• Flask 后端 (app.py)
• ├─ 静态文件服务 → 前端构建 (frontend/build)
• ├─ API 路由:
• │ ├─ /api/subjects → 获取学科列表
• │ ├─ /api/generate → 生成题目
• │ └─ /api/judge → 判题
• ↓
• 后端服务
• ├─ 数据库操作 → MySQL (knowledge_db)
• └─ 模型调用 → Ollama (DeepSeek-R1:1.5B)

11、关键功能流程

• 学科加载：
• o 前端请求 /api/subjects
• o 后端从 MySQL 获取学科数据
• o 返回学科列表给前端
• 题目生成：
• o 用户选择学科并点击"生成新题目"
• o 前端发送 POST 到 /api/generate
• o 后端从知识库随机选题或调用模型生成
• o 返回题目内容
• 判题：
• o 用户输入答案并提交
• o 前端发送题目和答案到 /api/judge
• o 后端从知识库获取正确答案或调用模型判题
• o 返回批改结果

12、流程图

• Web 前端(React) ------> Flask 后端(Python) ------> Ollama 模型(DeepSeek)
• MySQL 知识库(题目/答案) <------> Flask 后端(Python)

13、完整数据流路径（用户请求 → 判题结果）

• （1）用户发起请求
• 用户操作：在浏览器界面输入问题/题目
• 触发文件：frontend/src/App.js（主应用组件）
• （2）API请求转发（后端入口）
• 接收文件：backend/app.py（Flask主应用）
• （3）数据库操作（z知识库交互）
• 执行文件：backend/database.py
• （4）模型服务调用（ollama集成）
• 调用ollama模型，出题
• (5)用户提交答案(判题开始)
• 前端文件：frontend/src/components/HistoryPanel.js
• (6)判题处理（后端逻辑）
• 执行文件：backend/app.py
• (7)结果返回与展示
• 前端文件：frontend/src/App.js

二、deepseek-app-2.0

1、系统要求

• CentOS 7.9
• Python 3.8+
• Node.js 16+
• MySQL 8.0

2、部署步骤

1. 运行初始化脚本：./scripts/setup.sh
2. 初始化数据库：mysql -u root -p < scripts/init_db.sql
3. 启动服务：./scripts/start.sh

3、访问地址

• 前端：http://服务器IP:3000
• 后端API：http://服务器IP:5001/api/subjects

4、项目网盘

• 主链接：https://www.123684.com/s/kPEvTd-0K7d3提取码:podL
• 备用链接：https://www.123912.com/s/kPEvTd-0K7d3提取码:podL
• 二维码：

5、项目地址

https://github.com/bei-chen-1/AI

bei-chen-1/AI: 存放AI相关的项目/Store AI-related projects

6、系统架构

• 前端：React
• 后端：Flask
• 数据库：MySQL
• 大模型：DeepSeek-R1:1.5B

7、项目目录

• /opt/deepseek-app-2.0
• ├── backend/ # Flask 后端服务
• ├── frontend/ # React 前端应用
• ├── scripts/ # 系统脚本
• ├── logs/ # 日志目录
• └── docs/ # 文档

8、详细目录

• /opt/deepseek-app-2.0
• ├── backend/
• │ ├── static # 后端静态文件
• │ │ ├──favicon.ico # 后端图标
• │ ├── app.py # 后端主应用（核心逻辑）
• │ ├── requirements.txt # Python 依赖
• │ └── .env # 环境变量配置
• ├── frontend/
• │ ├── public/
• │ │ └── index.html # HTML 入口
• │ │ └── favicon.ico #图标
• │ ├── src/
• │ │ ├── App.js # 主应用组件
• │ │ ├── App.css # 全局样式
• │ │ ├── index.js # React 入口
• │ │ └── components/
• │ │ └── ExamPanel.js # 考试面板组件（核心UI）
• │ │ └── ExamPanel.css # 考试面板样式
• │ ├── package.json # 前端依赖
• │ └── .env # 前端环境变量
• │ └── .env.production # 前端生产环境变量
• ├── scripts/
• │ ├── start.sh # 启动脚本
• │ ├── stop.sh # 停止脚本
• │ └── init_db.sql # 数据库初始化脚本（核心数据）
• ├── logs/ # 日志目录
• └── docs/
• └── README.md # 项目文档

9、核心文件

• 后端核心:
• o backend/app.py: 处理所有API请求（试卷生成、判卷）
• o scripts/init_db.sql: 数据库结构和初始数据
• 前端核心:
• o frontend/src/components/ExamPanel.js: 考试界面组件
• o frontend/src/App.js: 应用主入口
• 系统脚本:
• o scripts/start.sh: 启动所有服务
• o scripts/stop.sh: 停止所有服务

10、项目架构

• React 前端(localhost:3000)------>Flask 后端 (localhost:5001)------> MySQL 数据库(knowledge_db)
• 用户浏览器(UI交互)------>React 前端(localhost:3000)
• OLLAMA 服务(DeepSeek模型)------>Flask 后端 (localhost:5001)

11、架构说明

• 前端层: React应用提供用户界面
• API层: Flask处理业务逻辑和路由
• 数据层: MySQL存储题目和答案
• AI层: OLLAMA服务提供DeepSeek模型
• 脚本层: Shell脚本管理服务生命周期

12、关键功能流程

• 1、 试卷生成流程:
• (1) 用户选择学科
• (2) 前端调用/api/generate_exam
• (3) 后端按题型比例随机选题
• (4) 返回试卷结构
• 2、 智能判卷流程:
• (1) 用户提交答案
• (2) 前端调用/api/judge_exam
• (3)后端处理每道题:
• o 客观题: 直接比对答案
• o 主观题: 调用DeepSeek模型评分
• (4)计算总分并返回结果
• 3、 主观题评分流程:
• (1) 构造包含题目、答案、评分点的提示词
• (2) 调用DeepSeek模型获取评分
• (3) 解析模型返回的评分结果
• (4) 按比例计算实际得分

13、用户发起请求：选择学科 → 生成试卷

• 路径：用户浏览器 → 前端组件 → 后端API → 数据库 → 返回试卷

14、用户提交答案 → 判卷流程

• 路径：用户浏览器 → 前端组件 → 后端API → 数据库/AI模型 → 返回判卷结果

15、流程图

16、项目效果图

• 1、前端头部

• 2、前端欢迎

• 3、前端尾部

• 4、前端全貌

• 5、试卷界面

• 6、多选题界面

• 7、判断题界面

• 8、填空题和简答题界面

• 9、综合应用题界面

• 10、得分界面

• 11、历史考试记录界面

三、deepseek-app-2.1

1、系统要求

• CentOS 7.9
• Python 3.8+
• Node.js 16+
• MySQL 8.0

2、部署步骤

1. 搭建系统所需环境
2. 初始化数据库：mysql -u root -p < scripts/init_db.sql
3. 启动服务：./scripts/start.sh
4. 关闭服务：./scripts/stop.sh

3、访问地址

• 前端：http://服务器IP:3000
• 后端API：http://服务器IP:5001/api/subjects

4、项目网盘

• 主链接：https://www.123684.com/s/kPEvTd-0K7d3提取码:podL
• 备用链接：https://www.123912.com/s/kPEvTd-0K7d3提取码:podL
• 二维码：

5、项目地址

https://github.com/bei-chen-1/AI

bei-chen-1/AI: 存放AI相关的项目/Store AI-related projects

6、系统架构

• 前端：React
• 后端：Flask
• 数据库：MySQL
• 大模型：DeepSeek-R1:1.5B

7、前端依赖

1. 目录：frontend

• 命令：npm install sonner
• 命令：npm install lucide-react
• 命令：npm install tailwind-merge

8、后端依赖

1. 目录：backend

• 命令1：pip install -r requirements.txt
• 命令2：npm install react-svg
• 命令3：npm install gojs

9、网络拓扑图绘制API

1. API接口地址：POST /api/ai/generate-topology

• 你可以通过调用后端API接口实现网络拓扑图的AI自动生成。

1. 请求参数：

• 字段：description
• 类型：string

1. 示例请求体（JSON）： json { "description": "最上方是防火墙，防火墙下方连接路由器，路由器下方连接交换机，交换机连接两个主机和一个无线AP" }
2. 返回结果格式: json { "devices": [ { "id": "router_1", "label": "路由器_1", "type": "router", "position": { "x": 150, "y": 80 } }, { "id": "switch_1", "label": "交换机_1", "type": "switch", "position": { "x": 150, "y": 200 } }, { "id": "host_1", "label": "主机_1", "type": "host", "position": { "x": 100, "y": 350 } }, { "id": "ap_1", "label": "无线AP_1", "type": "ap", "position": { "x": 220, "y": 350 } } ], "connections": [ { "id": "conn_1", "source": "router_1", "target": "switch_1", "type": "ethernet" }, { "id": "conn_2", "source": "switch_1", "target": "host_1", "type": "ethernet" }, { "id": "conn_3", "source": "switch_1", "target": "ap_1", "type": "ethernet" } ] }
3. 示例前端代码调用（fetch） async function fetchTopology(description) { const response = await fetch('http://localhost:5001/api/ai/generate-topology', { method: 'POST', headers: { 'Content-Type': 'application/json' }, body: JSON.stringify({ description }) }); const data = await response.json(); return data; }js
4. 用 Postman/cURL 测试 ` curl -X POST http://localhost:5001/api/ai/generate-topology
   -H "Content-Type: application/json"
   -d '{"description": "一个防火墙连接一个路由器，路由器连接三个主机"}'

10、项目目录

• /opt/deepseek-app-2.1
• ├── backend/ # Flask后端服务
• ├── frontend/ # React前端应用
• ├── scripts/ # 系统脚本
• ├── logs/ # 日志目录
• └── docs/ # 文档

11、详细目录

• /opt/deepseek-app-2.1
• ├── backend/
• │ ├── static/ # 静态文件
• │ │ └── favicon.ico # 网站图标
• │ ├── app.py # 主应用（试卷生成/判卷/路由）
• │ ├── requirements.txt # Python依赖
• │ ├── .env # 环境变量配置
• │ ├── ai_router.py # AI对话和拓扑图API
• │ └── topology_generator.py # 拓扑图生成逻辑
• ├── frontend/
• │ ├── public/ # 公共资源
• │ │ ├── index.html # HTML入口
• │ │ └── favicon.ico # 图标
• │ ├── src/
• │ │ ├── App.js # 主应用组件
• │ │ ├── App.css # 全局样式
• │ │ ├── index.js # React入口
• │ │ ├── pages/ # 页面组件
• │ │ │ ├── AIChatPage.js # AI聊天页
• │ │ │ └── TopologyEditorPage.js # 拓扑图编辑页
• │ │ ├── styles/ # 页面样式
• │ │ │ ├── AIChatPage.css # AI聊天样式
• │ │ │ └── TopologyEditorPage.css # 拓扑图样式
• │ │ ├── components/ # 可复用组件
• │ │ │ ├── ExamPanel.js # 考试面板
• │ │ │ ├── ExamPanel.css # 考试面板样式
• │ │ │ ├── TopologyEditor.js # 拓扑编辑器
• │ │ │ ├── TopologyEditor.css # 拓扑编辑器样式
• │ │ │ └── GoJSTopology.js # GoJS拓扑组件
• │ │ │ └── GoJSTopology.css # GoJS拓扑组件样式
• │ │ └── utils/
• │ │ └── topologyElements.js # 拓扑元素配置
• │ ├── package.json # 前端依赖
• │ ├── .env # 开发环境变量
• │ └── .env.production # 生产环境变量
• ├── scripts/
• │ ├── start.sh # 启动脚本
• │ ├── stop.sh # 停止脚本
• │ └── init_db.sql # 数据库初始化脚本
• ├── logs/ # 日志文件
• └── docs/
• └── README.md # 项目文档

12、核心文件

• 后端核心:
• o backend/app.py: 处理所有API请求（试卷生成、判卷）
• o scripts/init_db.sql: 数据库结构和初始数据
• o app.py：主逻辑（试卷生成/判卷/路由）
• o ai_router.py：AI对话和拓扑图API
• o topology_generator.py：拓扑图生成逻辑
• o init_db.sql：数据库初始化
• 前端核心:
• o frontend/src/components/ExamPanel.js: 考试界面组件
• o frontend/src/App.js: 应用主入口
• o AIChatPage.js：AI聊天界面
• o TopologyEditorPage.js：拓扑图编辑器
• o GoJSTopology.js：GoJS拓扑渲染组件
• 系统脚本:
• o scripts/start.sh: 启动所有服务
• o scripts/stop.sh: 停止所有服务

13、项目架构

14、架构说明

• 前端层: React + GoJS + TailwindCSS
• API层: Flask处理业务逻辑和路由
• 数据层: MySQL存储题目和答案
• AI层: OLLAMA服务提供DeepSeek模型
• 脚本层: Shell脚本管理服务生命周期

15、关键功能流程

• 试卷生成流程:
• (1) 用户选择学科
• (2) 前端调用/api/generate_exam
• (3) 后端按题型比例随机选题
• (4) 返回试卷结构
• 2、 智能判卷流程:
• (1) 用户提交答案
• (2) 前端调用/api/judge_exam
• (3)后端处理每道题:
• o 客观题: 直接比对答案
• o 主观题: 调用DeepSeek模型评分
• (4)计算总分并返回结果
• 3、 主观题评分流程:
• (1) 构造包含题目、答案、评分点的提示词
• (2) 调用DeepSeek模型获取评分
• (3) 解析模型返回的评分结果
• (4) 按比例计算实际得分

16、用户发起请求：选择学科 → 生成试卷

• 路径：用户浏览器 → 前端组件 → 后端API → 数据库 → 返回试卷

17、用户提交答案 → 判卷流程

• 路径：用户浏览器 → 前端组件 → 后端API → 数据库/AI模型 → 返回判卷结果

18、流程图

• 1、自动组卷判卷

• 2、AI对话生成拓扑图

19、详细数据流（精确到文件级）

• 阶段1：用户发起请求 (浏览器 → 前端)

• 用户操作：

• o 在聊天界面(frontend/src/pages/AIChatPage.js)输入消息

• o 或在拓扑界面(frontend/src/pages/TopologyEditorPage.js)输入描述

• 前端处理：

• o AIChatPage.js 中 handleSendMessage() 处理聊天请求

• o TopologyEditorPage.js 中 handleGenerate() 处理拓扑请求

• o 构建请求体，包含用户输入和历史上下文

• 阶段2：前端调用API (前端 → 后端)

• API调用：

• // AIChatPage.js

• fetch(${API_BASE}/api/ai/chat, {

• method: 'POST',

• body: JSON.stringify({ message: input, history })

• });

• // TopologyEditorPage.js

• fetch(${API_BASE}/api/ai/generate-topology, {

• method: 'POST',

• body: JSON.stringify({ description })

• });

• 阶段3：后端处理请求 (后端 → AI服务)

• 路由分发：

• o 请求到达 backend/app.py 主应用

• o 路由到 backend/ai_router.py (蓝图注册的路由)

• AI处理：

• o 聊天请求(/api/ai/chat):

• ai_router.py

• response = ollama.generate(model='deepseek-r1:1.5b', prompt=full_prompt)

• o 拓扑请求(/api/ai/generate-topology):

• ai_router.py

• topology_data = generate_topology(description) # 调用topology_generator.py

• 1. 拓扑生成 (backend/topology_generator.py):

• o 构造AI提示词：要求返回JSON格式的拓扑数据

• o 解析AI响应，提取设备和连接关系

• o 返回结构化拓扑数据：

• {

• "devices": [

• {"id": "r1", "type": "router", "label": "核心路由器", "position": {"x": 100, "y": 100}},

• {"id": "s1", "type": "switch", "label": "接入交换机", "position": {"x": 300, "y": 200}}

• ],

• "connections": [

• {"source": "r1", "target": "s1", "type": "ethernet"}

• ]

• }

• 阶段4：响应返回 (后端 → 前端)

• 数据返回：

• o 聊天响应：

• {

• "response": "网络拓扑建议...",

• "topology_data": {...} // 当检测到拓扑关键词时

• }

• o 拓扑响应：直接返回拓扑数据结构

• 阶段5：前端渲染 (前端 → GoJS)

• 数据处理：

• o TopologyEditorPage.js 接收拓扑数据，更新状态：

• setTopologyData(result);

• GoJS渲染 (frontend/src/components/GoJSTopology.js):

• o 在 useEffect 钩子中处理拓扑数据变化：

• useEffect(() => {

• if (topologyData) {

• // 转换数据为GoJS模型

• model.nodeDataArray = topologyData.devices.map(...);

• model.linkDataArray = topologyData.connections.map(...);

• diagram.model = model;

• }

• }, [topologyData]);

• o 使用GoJS API渲染交互式拓扑图

• 阶段6：用户交互 (GoJS → 浏览器)

• 最终展示：

• GoJS中渲染SVG图形

• o 支持用户拖拽设备、查看连接关系

• o 可通过导出按钮保存为PNG/JSON

20、关键文件交互图

21、项目效果图

• 1、前端头部

• 2、前端欢迎

• 3、前端尾部

• 4、前端全貌

• 5、试卷界面

• 6、多选题界面

• 7、判断题界面

• 8、填空题和简答题界面、

• 9、综合应用题界面

• 10、得分界面

• 11、历史考试记录界面

• 12、AI对话页面

• 13、AI绘制拓扑图界面

• 左侧边栏：
• （1）当鼠标变成小手形状，可以拖动边栏网络设备到右侧网格中
• （2）点击网络设备或连接线，按dalete键删除