【摘要】​ 作为项目组长，首要任务是从全局视角规划系统。本文将阐述我们如何借鉴并发展CodePlus的先进架构，设计出服务于“学-练-评-战”闭环的AlgoTutor系统蓝图，并分享在Spring Boot + Vue 3 + Spring AI技术栈选型上的思考。

【正文】

在项目启动之初，我们面临的核心问题是如何构建一个支撑“AI判题”、“个性化学习”和“模拟面试”三大核心的稳健架构。在深入研究了CodePlus项目后，我们确定了三层解耦的微服务架构作为基石。

1. 总体架构设计

我们的系统由以下核心模块构成：

• 前端层 (Vue 3 SPA)：由德豪负责，提供用户交互界面，包括代码编辑器、学习看板和模拟面试房间。

• 核心后端层 (Spring Boot)：我（海波）和泽荣、玥晨共同负责。这是系统的大脑，内含：

  • JudgeAgent (AI判题引擎)：基于Spring AI构建，采用ReAct模式，负责调度所有工具。

  • ToolRouter (工具路由)：根据请求上下文动态为Agent提供工具集。

  • 业务服务：用户、题目、提交记录、面试流程管理等。

• 代码沙箱层 (Spring Boot 微服务)：由泽荣重点负责，一个完全独立的服务，通过MCP协议对外提供安全的代码执行能力。

• 数据与智能层：

  • Redis：用作缓存、向量数据库（RAG）和分布式会话存储。

  • MySQL：存储核心业务数据。

  • 大模型API：提供AI核心能力。

2. 技术选型决策与权衡

选择Spring Boot 4.1.0-M1和Spring AI 1.0.0-SNAPSHOT是一次前瞻性的决定。Spring Boot提供了成熟的后端生态，而Spring AI则极大地简化了大模型集成与Agent开发的工作量，使我们能快速构建智能判题逻辑，而非从零开始。

Vue 3的组合式API和响应式系统非常适合构建复杂的交互界面，如实时判题流和模拟面试房间。前后端通过定义清晰的REST API和SSE（Server-Sent Events）流进行通信，确保了交互的实时性。

3. 个人实践与思考

我的首要工作是确保各模块能无缝对接。在阅读CodePlus文档后，我绘制了详细的系统序列图和数据流图，并主持了多次接口定义会议。我们约定，沙箱服务与主服务的交互必须通过标准的MCP协议，这借鉴了CodePlus的优秀设计，实现了彻底的解耦。AI Agent与工具（如RAG检索、沙箱执行）之间的调用规范，是我们设计的重中之重。我模拟了多种判题场景，设计了一套通用的工具调用与结果返回格式，确保泽荣开发的沙箱和玥晨开发的RAG服务能以同样的“语言”与我的Agent对话。

下一步，我将深入Spring AI的官方文档，开始搭建JudgeAgent的原型，这是整个系统智能的核心，也是挑战的开始。