Step1: 梳理思路

1. 技术选型
2. 开发的流程和思路

利用大模型的能力，让他分析需求文档，进行方案设计。 方案设计的能力要求，是要高于代码开发的，这一步要求使用高性能模型，能减少后期开发的坑

▼
text
复制代码
你是一位专业的微信小程序开发者，擅长设计技术方案，我会给你提供一系列资源，请你帮我完成任务

## 提供的资源
${需求分析文档}
${方案设计文档}

## 需要完成的任务
1）完成详细的《方案设计文档》，包括技术选型，项目的开发流程和思路，以及其他方案设计文档的重点
2）将文档生成到当前项目中的 `docs/方案设计` 目录中

## 注意事项
1）你必须完全理解我给你的资源和任务，有任何不确定的地方必须及时找我进行确认，才能进行下一步
2）由于小程序开发更新迭代非常快，你要重点帮我对比小程序的技术选型
3）由于功能非常多，请你分步骤实现，先实现最核心的功能（用户输入内容 -> AI生成题目 -> 用户答题 -> AI生成分析报告），而不是用户登录这种需要数据库和其他依赖的内容
4) 重点分析方案设计文档中的TODO项

方案设计

和大模型交互，通过TODO项 融入自己的思考

大模型选型

大模型擅长使用CLI命令行，因此技术选型要方便大模型能调用 大模型选型推荐：优选国产大模型。一是便宜，二是中文表现更好 DeepSeek、智谱GLM、Kimi、Qwen 其中DeepSeek更适配LangChain 首选：deepseek-chat 预留：deepseek-reasoner

当前推荐使用 DeepSeek Chat 系列模型作为主要生成模型，理由是：

1. 成本可控，适合高频练习场景。
2. 已支持 OpenAI 兼容接口，接入成本低。
3. 支持 JSON Output，可用于题目、报告、知识结构化输出。
4. deepseek-reasoner可以作为高难度题目或复杂分析的增强能力，不是MVP必需

架构

架构图

▼
mermaid
复制代码
flowchart LR
		A[微信小程序<br/>Taro + React + TS] --> B[API网关层<br/>FastAPI]
		B --> C[AI编排层<br/>LangChain Chains + Prompt Templates]
		C --> D[ChatDeepSeek<br/>langchain-deepseek]
		D --> E[DeepSeek API]
		C --> F[内存会话存储<br/>Session Store]
		F --> C

		B -. Step 2/3 引入 .-> G[(MySQL)]
		B -. Step 2 引入 .-> H[知识图谱渲染数据]
		B -. Step 3 引入 .-> I[网页/文档解析服务]
		C -. 可选接入 .-> J[LangSmith]

核心数据流图

▼
mermaid
复制代码
sequenceDiagram
		participant U as 用户
		participant FE as 小程序前端
		participant BE as FastAPI
		participant LC as LangChain
		participant DS as DeepSeek

		U->>FE: 输入学习内容
		FE->>BE: 创建学习会话
		BE->>LC: 调用知识提取链
		LC->>DS: 调用 deepseek-chat
		DS-->>LC: 返回结构化结果
		LC-->>BE: 返回知识结构
		BE->>LC: 调用题目生成链
		LC->>DS: 调用 deepseek-chat
		DS-->>LC: 返回题目结果
		LC-->>BE: 返回题目JSON
		BE-->>FE: 返回会话和题目
		U->>FE: 提交答案
		FE->>BE: 提交答题结果
		BE-->>FE: 返回即时反馈
		FE->>BE: 请求复盘报告
		BE->>LC: 调用报告生成链
		LC->>DS: 调用 deepseek-chat
		DS-->>LC: 返回报告结果
		LC-->>BE: 返回报告JSON
		BE-->>FE: 返回复盘报告

会话状态机图

▼
mermaid
复制代码
stateDiagram-v2
		[*] --> idle
		idle --> creating_session
		creating_session --> generating_questions
		generating_questions --> questions_ready
		questions_ready --> answering
		answering --> report_generating
		report_generating --> completed
		generating_questions --> failed
		report_generating --> failed

前端技术栈

层级	技术	作用
小程序框架	Taro 4	统一微信小程序工程化与跨端能力
UI 框架	React 18	负责组件化开发与状态驱动视图
语言	TypeScript	提供类型约束，降低复杂交互状态错误
UI 组件库	NutUI React（Taro 版）	快速搭建输入、按钮、弹层、进度等基础界面
状态管理	Zustand	管理学习会话、题目、答题进度、报告状态
网络请求	Taro.request 封装 API Client	对接后端 FastAPI 接口
图谱渲染	ECharts + ec-canvas	Step 2 用于知识图谱可视化
样式方案	SCSS	页面样式与组件样式组织

后端技术栈

层级	技术	作用
Web 框架	FastAPI	提供 REST API、异步处理与 SSE 能力
语言	Python 3.11+	承担 AI 编排、数据校验、文本处理
AI 编排框架	LangChain	统一管理 DeepSeek 接入、Prompt、结构化输出与可观测性
DeepSeek 集成	langchain-deepseek / ChatDeepSeek	官方推荐的 LangChain DeepSeek 集成方式
数据校验	Pydantic	校验请求体、题目结构、报告结构
会话存储	内存 Session Store	Step 1 暂存学习会话与答题记录
部署环境	微信云托管	运行 Python 服务容器
可观测性	LangSmith（可选）	追踪模型调用、Prompt 调试与链路分析

LangChain LangChain是开源的AI开发框架，能够更好地对接AI大模型，实现各种复杂的AI应用所需的技能

• 使用ChatPromptTemplate组织系统消息和用户消息，这比拼接长字符串的Prompt更稳定、更易维护
• 官方提供结构化输出能力，可以直接把大模型返回的结果约束到Pydantic Schema，适合JSON场景
• ChatOpenAI支持通过 base_url 和 api_key 对接OPENAPI兼容接口，兼容能力强
• 模型调用统一放到LangChain层，后续模型切换、增加重试、增加输出解析和引入RAG时，扩展路径清晰

提示词工程

提示词技巧文章：https://ai.codefather.cn/library/2010974716125712386 这一章直接决定产品质量。AI炼金不是“问模型拿一段话”这么简单，而是要把模型输出收敛成稳定的数据产品。 建议将 AI 处理拆成三个独立任务，而不是一次提示词生成所有内容。

1. 知识结构化：从输入内容中抽取主题、关键概念、核心事实、常见误区。
2. 题目生成：基于结构化知识生成题目、选项、答案和解析。
3. 报告生成：基于用户答题记录生成总结、薄弱点和建议。

这样拆分的好处是：

1. 更容易调试。
2. 更容易校验。
3. 更容易定位是哪一步出了问题。

UI原型设计

使用相同提示词，用多个模型一起生成，取长补短

核心功能实现