项目开发及学习经历

在线c语言编译器

项目地址： https://chenyuheee.github.io/c

项目描述： 零配置、开箱即用的在线 C 语言编译/运行环境，完全托管于 GitHub Pages。前端单页整合 Monaco Editor、代码运行、测试用例管理、度量分析、命令面板等功能，结合 Service Worker 提供基础离线体验。运行全部委托给 Wandbox API，失败时在界面内返回真实错误信息。支持在浏览器本地持久化代码、主题与测试用例，并可生成包含输入/用例的分享链接。

技术栈：

• 前端：纯原生 HTML/CSS/JavaScript + Monaco Editor（通过 CDN loader 按需加载）
• 状态持久化：localStorage 保存代码、主题、测试用例
• 运行服务：Wandbox 编译 API（HTTPS POST，超时 8~10s）
• 分享机制：Base64 编码 JSON 写入 URL hash（包含代码 / stdin / 测试用例）
• PWA：手写 Service Worker 缓存核心静态文件
• 版本管理与部署：Git、GitHub Pages（主干直发，无构建流程）

实现方式：

1. 通过 Monaco 官方 AMD loader 在浏览器端加载编辑器，动态切换暗/明主题、撤销/重做、命令面板
2. 纯前端实现 C 语法智能缩进与格式化（栈 + 状态机），并在“自动缩进”按钮中调用
3. 利用 localStorage 同步代码、主题、测试面板用例，保持跨刷新持久化；关闭标签页前自动保存
4. 运行按钮向 Wandbox 发送编译请求，展示 stdout/stderr/exit code，并在失败时反馈真实错误
5. 分享窗口将代码、stdin、测试用例序列化为 JSON 后 Base64 编码写入 URL hash，实现零后端分享
6. 测试用例面板基于 Wandbox 编译结果批量校验输入输出，提供通过/失败汇总
7. Service Worker 预缓存首页、Manifest、图标等静态文件，实现离线打开与资源回源策略

学习技能：

• 前端工程：Monaco Editor 二次封装、命令面板、响应式布局
• 算法实现：针对 C 语法块的缩进/格式化状态机设计
• API 集成：远程编译接口的超时控制、错误提示、多语言提示文案
• 用户体验：快捷键绑定（Ctrl+Enter 运行、Ctrl+S 另存为）、移动端侧栏切换、I18n 切换
• PWA 与缓存：手动编写 Service Worker、版本号控制和缓存失效策略
• 数据处理：JSON 序列化分享、Base64 编码/解码、localStorage 容错

收获和推广：

• 通过 GitHub Pages 零成本上线，解决社团同学随时练习 C 语言的需求
• 掌握了 Monaco Editor 深度定制经验，可快速移植到其他语言沙箱
• 建立版本化脚本（scripts/version.js）统一展示版本号，形成稳定的迭代节奏
• 引入测试用例面板、代码度量、命令面板等增强功能，提升教学场景体验
• 当前线上版本 v1.3.20，浏览器访问量稳定，持续收集反馈迭代

不足：

• 运行完全依赖 Wandbox，出现超时或限流时只能提示错误，缺少备用编译服务
• Share 链接采用 Base64，超长代码在微信等平台仍可能被截断
• 当前仅支持单文件 C 程序，尚未提供多文件/头文件管理
• 没有多人协作或实时同步功能，暂时定位于个人练习

代码高尔夫

项目地址： http://47.99.243.62 项目地址2: https://zjucodegolf.xyz (因为该域名的ICP备案还未完成，所以目前暂时无法访问)

项目描述： 面向编程社团的代码高尔夫竞赛平台，覆盖题库、提交评测、积分天梯、投稿、站内信、文章与论坛等模块。用户在浏览器内使用 Monaco 编辑器完成 C 语言题目，系统按 UTF-8 字节数计分，通过异步判题集群返回结果并刷新榜单。可选接入 DeepSeek 助教为 AC/非 AC 提交提供分析，整个平台支持邮箱验证与基础运营工具。

实现方式：

1. 使用 infra/docker-compose.yml 编排 PostgreSQL 15、Redis 7、RabbitMQ 3.12、API、Runner、Web 与 Nginx，deploy.sh 一键推送到阿里云 ECS（47.99.243.62）。
2. API 基于 Express + TypeScript，模块化路由覆盖认证、题库、题目投稿、提交、榜单、文章、论坛、站内信与管理员接口，通过 pg 操作数据库，zod 做参数校验，jsonwebtoken/bcryptjs 实现权限控制。
3. 提交链路将源码与测试需求写入 submissions 表并发布到 RabbitMQ 队列，Runner 组合 gcc -O2 -s 编译、按用例限时运行，统计时间/内存并回调内部 API 写回判题详情及 submission_tests 明细。
4. API 内置 C 语言字节计数器（去换行后基于 Token 拼接）保障评测与前端展示一致，同时维护 best_records、leaderboards 生成积分榜。
5. Runner、API、Web 均打包为独立镜像；Runner 容器预装 GCC/Clang，限制 CPU/内存防止挤占资源，内部只接受带签名 Token 的回调。
6. Web 端使用 React 18 + Vite + Tailwind + React Router，提供暗色主题、Monaco 编辑器、一键投稿、榜单与后台管理面板，所有请求都通过统一封装的 apiFetch 访问 API。
7. 配置 SMTP（nodemailer）完成邮箱验证，DeepSeek API 封装在提交详情页的 AI 助教按钮中，可选为失败提交生成诊断或对 AC 代码做精简建议。

技术栈：

• 基础设施：Docker Compose（PostgreSQL、Redis、RabbitMQ、API、Runner、Web、Nginx），阿里云 ECS 部署。
• 后端：Node.js 20 + Express + TypeScript，pg、zod、jsonwebtoken、bcryptjs、multer、gray-matter、nodemailer。
• Runner：Node.js + amqplib，容器内 GCC/Clang 执行沙箱，HTTP 回调写回判题结果。
• 前端：React 18、Vite、TailwindCSS、React Router、@monaco-editor/react、Marked + DOMPurify。
• 消息与缓存：RabbitMQ 负责异步调度；Redis 预留用于会话与排行榜缓存（配置完待接入）。
• DevOps：Git + GitHub，环境变量管理 .env/.env.example，deploy.sh 触发重启；Nginx 反代 Web/API。

学习技能：

• 体系化 TypeScript 后端开发：Express 中间件抽象、zod 校验链、JWT 鉴权与 RBAC。
• SQL 设计与调优：PostgreSQL schema、榜单积分计算、事务化写入投稿/论坛等复合业务流程。
• 消息队列与异步判题：RabbitMQ 发布/消费、Runner 幂等处理、限流与失败重试策略。
• 容器化运行：多服务 Docker 镜像构建、资源限制、Nginx 反向代理与静态文件托管。
• 富交互前端：Monaco 编辑器、React 状态管理、暗色模式、题面 Markdown 渲染与后台管理界面。
• LLM 辅助能力：DeepSeek API 封装、错误上下文拼接、判题日志与代码联合提示工程。

收获和推广：

• 完成题库 → 提交流程 → Runner 回写 → 榜单刷新的闭环，在内测期间稳定支撑 30+ 位同学使用。
• 建立题目投稿、文章、论坛、站内信、Admin 面板等配套模块，形成自运转社区闭环。
• 通过 Docker Compose + 一键脚本让部署/回滚标准化，阿里云主机故障时可 10 分钟内恢复。
• 深度打磨 C 语言字节计数与编辑器体验，为后续扩展多语言、榜单算法奠定基础。
• AI 助教为失败提交提供可重现实例，提高新人理解判题反馈的效率。

不足：

• 目前仅支持 C 语言，Runner 尚未做 seccomp/CGroups 级别的硬隔离，多语言与更强沙箱待实现。
• Redis 方案尚未真正接入线上路径，排行榜与会话仍落在数据库，存在性能瓶颈风险。
• 单机部署缺乏自动监控与告警，RabbitMQ/Runner 异常需要人工介入。
• 邮件与 AI 能力依赖外部服务配置，缺少兜底与健康检查。
• Admin 工具未覆盖批量数据修复、判题重跑等高级运维场景。

AI医学辅助诊断系统（MedAgt）

项目地址： http://121.43.107.58

项目描述： MedAgt 是一个面向远程问诊场景的智能医学站点，目标是“采集症状，生成可追溯的初步建议”。前端提供病例标签页、多症状录入、追问锁定与历史回放，后端 orchestrates 多个 DeepSeek Agent：先生成检索策略，再调用 PubMed/NICE 抓取证据，最后汇总出 triage、诊疗建议、追问列表和临时诊断。界面实时展示分析进度、证据数量、置信度以及文献统计，支持直接下载 PubMed 摘要或全文。

核心能力：

1. 多病例管理：左侧标签页可一键新建/切换病例，完成分析后自动折叠表单并持久化到 localStorage。
2. 追问闭环：若 LLM 觉得信息不足，会生成 3~6 条追问并锁定结果，用户补充后才能继续生成最终方案。
3. 进度可视化：前端通过 /api/v1/progress 轮询展示“解析症状 → 检索 → 排序 → 规划 → 翻译”五步进度条。
4. 证据展示：后端整合 PubMed/NICE，过滤动物试验、人口不符等噪声，同时汇总“发表年份柱状图 + 来源占比圆图”。
5. 证据下载：自建 /api/v1/evidence/:pmid/abstract|fulltext，支持直接拉取官方摘要和 PDF 链接。

实现方式：

1. 前端使用 Next.js 16（App Router + TypeScript），主页面 page.tsx 负责表单、追问、结果展示与可视化；CSS Modules 控制整体玻璃拟态风格并针对移动端适配。
2. 表单状态通过 React hooks 管理，并将病例、分析结果、追问历史等写入浏览器缓存，刷新不丢数据。
3. 后端 FastAPI 提供 /api/v1/analyze，内部实例化 SymptomAnalyzer 并串联多个 DeepSeek Agent（搜索计划、证据排序、临床规划、追问、翻译）。
4. 知识检索模块 knowledge.py 直接调用 NCBI E-utilities（httpx 请求）和 NICE 非结构化页面，过滤兽医/动物研究，按年份和来源统计文献分布。
5. Agent 决策流程会记录原始提示词与输出（agent_traces），便于事后审计和复现答案；若证据不足则回退到内置安全方案。

技术栈：

• 前端：Next.js 16、React、TypeScript、CSS Modules、Turbopack
• 后端：FastAPI、httpx、Pydantic、DeepSeek API、asyncio
• 数据来源：PubMed E-utilities、NICE Guidelines（HTML 抓取）
• 部署：阿里云 ECS（Ubuntu 24.04）+ systemd + Nginx 反向代理
• 辅助：deploy.sh 一键增量部署、localStorage 持久化、浏览器端数据可视化

学习技能：

• 多 Agent 提示工程：拆分检索、排序、规划、追问、翻译五个 Agent，调优提示词与 JSON Schema 校验
• 临床语境的数据清洗：针对年龄段/性别/动物研究等添加过滤器，保证返回证据更贴近真实临床
• 前端状态编排：处理病例折叠、追问锁、历史追问回放、并行进度条等互动细节
• 可观测性设计：记录 agent trace、进度轮询与错误提示，便于上线后的调试和迭代
• 云端部署与运维：systemd 管理前后端服务，Nginx 统一反代，deploy.sh 根据 git diff 判断最小部署单元

收获和推广：

• 完成“问诊 → 检索 → 决策 → 追问 → 复盘”闭环，真实部署到外网供演示
• 对 PubMed/NICE 的抓取和过滤有了实践经验，可复用到其他医学知识项目
• 为校内远程医疗课程提供 demo，展示 LLM + 传统检索的协同工作流
• 构建了可追溯的 agent trace 与证据链，为后续引入人工审核打下基础

不足：

• 目前还未引入电子病历数据，全部基于用户手动输入
• triage 规则仍依赖 LLM 输出，缺少医学顾问的正式背书
• NCBI API 调用未做本地缓存，高并发场景仍需加速与限流策略