当前位置: 首页 > news >正文

102301331李鸿洋的总结

李鸿洋(102301331)- 总结报告

一、学期回顾

回顾你对于软件工程课程的想象
在学期开始时,我认为软件工程主要侧重于开发流程和方法论的讲解。我期待通过这门课程能够系统地学习后端服务的构建方法,了解服务化架构的设计原则。

实际参与项目后,我对后端工程有了更深刻的理解。特别是在构建AI问答服务的过程中,我认识到后端工程的核心是构建稳定、可扩展、高性能的服务系统。不仅要关注业务逻辑的实现,还要考虑并发处理、缓存策略、故障降级等工程问题,这些都是在实践中才能深刻体会的。

回顾你在这门课程中的投入与产出
我主要负责AI问答服务的后端架构设计、API接口开发、模型服务对接和性能优化工作。我大概写了1100行左右的Java代码,还配置了Redis、Nginx等中间件环境。

软工实践各次作业花费的时间:

  • 第一次团队作业:6小时
  • 第二次团队作业:9小时
  • 第一次团队项目作业:16小时
  • 第二次团队项目作业:20小时
  • 第三次团队项目作业:25小时
  • 第四次团队项目作业:20小时

在软件工程课程上花费的时间:

  • 累计时间:96小时
  • 实际周均时间:9.6小时
  • 预计周均时间:7小时

令你印象最深刻的是哪一次作业或哪一场答辩?
最让我印象深刻的是AI接口的第一次压力测试。当时我们模拟了20个并发用户同时提问,结果响应时间从正常的2秒飙升到10秒以上,超时率达到了40%。

我们立即组织分析问题,发现主要是两个原因:一是模型服务没有缓存,同样的查询需要重复计算;二是数据库查询没有优化,导致响应缓慢。我们紧急引入了Redis缓存,对高频问题进行缓存,同时优化了数据库索引和查询语句。

经过这些优化后,平均响应时间稳定在了200毫秒以内。这件事给我一个深刻的教训:没有性能保障的功能,在实际使用中几乎等于不可用。工程化不仅要关注功能的正确性,还要关注服务的可用性和性能。

二、总结收获

展开说说你的软工实践故事
从零开始搭建AI问答服务的过程,让我对后端工程有了完整的实践体验。

刚开始的时候,我们主要实现基础的RESTful接口,让前端能够调用AI模型。这个阶段主要关注功能的完整性,确保基本的问答能够正常进行。

随着用户量的增加,性能问题逐渐暴露出来。我开始重点关注服务的性能优化。通过引入多级缓存策略——本地缓存结合Redis分布式缓存,我们显著提升了响应速度。同时,我还优化了服务异常处理机制,确保在模型服务出现问题时,系统能够优雅降级,而不是完全崩溃。

最让我有挑战性的是设计语义相似度缓存。因为用户可能会用不同的方式问同样的问题,比如“怎么进攻A点”和“如何打A点”,系统应该能够识别这是相似的问题,返回缓存的答案。我通过计算问题向量的余弦相似度,实现了智能的缓存匹配逻辑。

当看到服务能够稳定处理上百个并发请求,响应时间保持在合理范围内时,我觉得所有的努力都值得了。

介绍学习到的新技术或生产力工具以及它们给你带来了哪方面的帮助?

  • Spring Boot框架:我熟练掌握了Spring Boot的各种特性,能够快速构建稳定可靠的后端服务。
  • Redis缓存技术:学会了如何设计和实现多级缓存策略,显著提升了服务性能。
  • Docker容器化:掌握了使用Docker打包和部署服务的方法,简化了运维工作。
  • 性能测试工具:学会了使用JMeter进行压力测试,能够科学地评估服务性能。

这些技术和工具不仅提高了我的开发效率,更重要的是让我建立了更专业的后端工程思维。我现在会更加注重服务的性能、可用性、可扩展性等工程指标。

技术之外,这门课程还给你带来了哪些方面的提升?

  • 工程化思维:从关注功能实现转向关注服务架构和系统设计,思考更加全面。
  • 应急处理能力:在线上问题出现时,能够快速定位问题并制定解决方案。
  • 团队协作意识:学会了与前端、AI算法团队的有效协作,明确了各自的职责边界。
  • 质量意识:更加注重代码质量和服务稳定性,建立了完整的质量保障思维。

如果还有什么想记录的或者想说的,就写在这儿吧!
这个学期的项目实践让我对后端工程有了全新的认识。以前我觉得后端主要就是写API接口,现在我知道后端工程要复杂得多——要考虑并发、缓存、分布式、监控等等问题。

最让我有成就感的是看到自己构建的服务稳定运行,支撑着整个AI问答功能。当用户通过我们的服务得到准确的回答时,我觉得自己的工作很有价值。

有时候我也会想,如果时间更充裕,我可能会在服务监控和自动化运维方面做得更好。但考虑到项目周期和团队资源,我们做出了合适的选择。

通过这次实践,我不仅提升了技术水平,更重要的是学会了如何构建一个完整的后端服务体系。这些经验对我未来的职业发展会有很大帮助。

三、致谢
感谢AI算法团队在模型集成上的技术支持,让后端服务有了强大的智能能力。感谢前端团队在接口调试中的耐心配合,我们一起完善了前后端协作的流程。最后特别感谢我们的项目经理,他给予了我非常大的帮助。


http://www.zskr.cn/news/170975.html

相关文章:

  • 模拟信号处理发展,从硬件优化到智能生态的全维度突破
  • YOLO目标检测服务灰度发布?多版本GPU部署
  • Hadoop - Difference between hadoop fs and hdfs dfs
  • 2025最新!10个AI论文软件测评:本科生写论文救星大公开
  • 阿里面试:线程池 是共享还是独享?你们是怎么选择的? 90% 的人没有实操经验,答错了!
  • PyTorch-CUDA基础镜像使用指南:支持多卡并行的AI训练环境
  • 机器学习——基本概念
  • 计算机毕设java后疫情时代小区服务网站 基于Java的后疫情时代社区服务管理系统设计与实现 Java技术驱动的后疫情时代小区服务平台开发
  • PyTorch+CUDA环境搭建耗时太久?试试我们的镜像方案
  • 静态库与动态库
  • 机器学习——生态系统
  • 从爱好到专业:AI初学者如何跨越CAIE认证的理想与现实鸿沟
  • PyTorch-CUDA镜像安全性评估:企业级部署注意事项
  • Conda环境迁移难题破解:容器化PyTorch解决方案
  • 编写并使用dll
  • 复习——网络测试工具
  • 阿里面试:一条sql慢怎么处理?一个接口慢怎么处理?(慢sql+慢api)
  • YOLO目标检测支持HTTPS?SSL卸载+GPU加速
  • YOLO与RetinaNet对比评测:谁更适合你的业务场景?
  • YOLO训练任务依赖管理:复杂Pipeline编排
  • 近期黄金和白银涨势和市场极端表现预示着什么?是否意味着纸币的黄昏和债权危机的表现?
  • 阿里面试:redisson分布式锁重入锁,为什么要有HINCRBY 自增 减一?
  • YOLO模型灰度版本灰度结束后的清理工作
  • YOLO目标检测在机场行李分拣系统的智能化升级
  • PyTorch-CUDA-v2.6镜像安装教程:GPU加速深度学习训练全流程详解
  • Git下载慢影响效率?搭配国内镜像源加速AI环境搭建
  • 清华镜像源加速PyTorch安装,配合CUDA环境更流畅
  • YOLO训练学习率设置不当?GPU利用率会明显下降
  • YOLO模型训练IoU损失函数选型:CIoU、DIoU、EIoU对比
  • YOLO与OpenPolicyAgent集成:统一策略控制中枢