这个案例围绕「shares/shuzhangqing」记录了一条真实 AI 实践线索，适合先按任务意图阅读再判断复用。

原文内容

当传统系统遇上 AI：用科大词元打造一个智能高校博士指标分配系统

一、项目背景与需求

“博士指标分配” 是连接国家战略需求、高校资源配置与导师招生资格的关键环节。这项工作通常遵循“国家导向、学校统筹、学院实施、质量优先”的原则，旨在将有限的招生计划精准投放至优势学科、高水平团队和前沿研究领域。本系统是根据某高校实际运用需求设计开发，统计科研项目、论文积分等数据，对符合博导资格的教师进行排名，并为每个项目设置可获得的博士招生指标。 这个系统看似只是一张表格，背后却聚集了复杂的业务规则，需符合当前高校追求高质量发展和精细化管理的要求：

• 项目积分：国家级项目得分（不含课题和子课题），项目课题到账超过 >=200 万的需特殊计分；
• 论文积分：按作者排序及是否通讯作者采用不同权重（1/n 或 2/n），取近三年得分最高的前三篇；
• 排序算法：往年已获指标但无论文的教师被排在最后；其余按项目类型(按重要度排序)、往年已获指标数升序、项目积分+论文积分(【项目+论文1】降序 → 【项目+论文1+2】降序 → 【项目+论文1+2+3】降序)、项目金额等条件多级排序；
• 年度指标管理：支持按年度设置指标，页面需同时展示本年度指标和历史已获指标总计；
• 历史快照：可将任意时刻的排名结果存档，支持随时切换查看和导出为 Excel。

采用 PHP + MySQL 架构，整体架构简单，需求目标清晰，引入 AI 辅助开发 和 科大模型 API，以数倍于传统方式的效率完成了全部功能。

二、技术栈与架构

• 后端：PHP 8.1，采用 RESTful API 风格
• 数据库：MySQL 8.0，利用窗口函数处理复杂排序
• 前端：Bootstrap 3 + jQuery，Ajax 交互
• 认证：JWT (JSON Web Token) 实现无状态身份校验
• AI 辅助：中国科学技术大学 LLM API（兼容 OpenAI 格式）

整体采用前后端分离架构：前端通过 Ajax 请求 PHP API，API 层使用 PDO 连接 MySQL，JWT 中间件进行权限过滤。所有业务逻辑集中在后端，前端只负责渲染和交互。

三、AI 开发协作模式

实际开发工作中并没有把项目全部交给 AI，而是制定了一套 “人定策略，AI 负责实现” 的协作流水线：

• **需求结构化：**将业务方的口述规则转换成清晰的功能描述和数据结构。
• **AI 生成代码骨架：**向大模型描述接口功能、表结构和业务逻辑，让它生成 PHP 控制器、模型、SQL 语句。
• **人工校验与修复：**运行生成的代码，遇到错误时直接将报错信息反馈给 AI 进行二次修正。
• **迭代优化：**从性能、安全性到 UI 细节，持续通过 AI 进行增补和优化。 AI 承担了约 70% 的编码工作，人类则专注于架构设计和逻辑验证。

四、科大模型 API 集成实战 我们直接调用了科大提供的 LLM API（端点 https://api.llm.ustc.edu.cn/v1），其完全兼容 OpenAI 的调用格式，因此可以很方便地嵌入开发工具链。

1. 获取 API Key

在中国科学技术大学大模型公共服务平台https://llm.ustc.edu.cn申请 API 密钥，并设置为系统环境变量 USTC_LLM_KEY。

2. 本地辅助脚本 codegen.js

为了在日常开发中快速调用 API，我们编写了一个简单的 Node.js 脚本，通过命令行直接生成代码：

Javascript

const API_KEY = process.env.USTC_LLM_KEY;
async function generateCode(requirement) {
  const res = await fetch('https://api.llm.ustc.edu.cn/v1', {
    method: 'POST',
    headers: {
      'Authorization': `Bearer ${API_KEY}`,
      'Content-Type': 'application/json'
    },
    body: JSON.stringify({
      model: 'deepseek-v4-flash-ascend',
      messages: [
        { role: 'system', content: '你是谁？。' },
        { role: 'user', content: requirement }
      ],
      temperature: 0.3,
      max_tokens: 2000
    })
  });
  const json = await res.json();
  return json.choices[0].message.content;
}
// 示例用法
generateCode("创建一个 PHP API，接收 DeID 和年度，将指标保存到 doctor_quota_yearly 表，存在则更新，使用 PDO 和 JWT 验证。")
  .then(console.log);

该脚本可集成到 VS Code 的任务或通过快捷键触发，实现选中文本即生成代码的流畅体验。

3. 典型应用场景

复杂 SQL 编写：用自然语言描述积分计算及排序逻辑，AI 输出包含多个 CTE 和窗口函数的完整 MySQL 查询。 API 批量生成：提供数据字典后，让 AI 一次性生成 CRUD 相关的完整 PHP 文件，包括输入验证和错误处理。 错误诊断：将 PHP 报错日志或 SQL 错误码发给 AI，它能在几秒内定位问题并给出修复代码。 测试数据构造：要求 AI “生成 200 条符合本项目积分规则的测试数据”，直接得到 INSERT 语句。

五、关键功能实现与 AI 参与实录

1. 积分排序引擎（核心 SQL）

这是整个系统最复杂的部分，涉及三个 CTE 和多级排序。我们将所有规则用中文描述发送给 AI，它立即生成了完整的 SQL 语句。在测试时发现一名教师因 UserID 为空被错误包含，AI 检查后添加了 AND IFNULL(dt.UserID,‘’) <> ‘’ 条件，问题立即解决。

2. 年度指标管理

前期从最初单一的历史已获指标改为按年度管理时，AI 协助完成了：

新建 doctor_quota_yearly 表（DeID，Year，Quota，唯一约束）； 编写 INSERT … ON DUPLICATE KEY UPDATE 的保存逻辑； 修改查询 SQL，通过子查询获取本年度指标和合计； 生成前端弹窗表单（增加“年度”输入框）及对应的 JS 脚本； 整个过程仅 20 分钟，且代码可直接运行。

3. JWT 认证体系

为实现前后端分离，我们使用 Token 认证。AI 推荐使用 firebase/php-jwt 库，并生成了：

• 登录接口（验证用户名密码，返回 Token）；
• JWT 验证中间件（解析请求头中的 Bearer Token，返回用户信息或拒绝访问）；
• 前端全局 Ajax 拦截器（自动附加 Token，401 时跳转登录页）。

4. 历史快照存档

存档功能需将当前排名结果完整冻结，并支持随时回溯。AI 为此设计了主从表结构，并生成了：

• 存档创建接口：执行实时查询后，将结果批量插入明细表，采用事务保证一致性；
• 查看接口：根据存档 ID 读取明细表数据；
• 前端卡片式列表，支持悬停删除（调用删除接口时需验证管理员权限）。

同时，AI 建议用 MySQL 多行 INSERT 替代循环插入，使 1000 条数据的保存时间从 8 秒缩至 1.2 秒。

六、总结与展望

通过这次实践，验证了 PHP + MySQL + AI 辅助开发 模式的巨大潜力：

开发效率大幅提升：原本数周的工作量在 AI 辅助下两天内完成； 代码质量可控：AI 生成的代码结构规范，且容易通过反馈迭代修正； 技术门槛降低：开发者可更专注于业务逻辑和架构，细节编码由 AI 承担。 特别地，科大模型 API 的引入让我们能够将大模型无缝嵌入开发流水线，使“AI 辅助”不再是聊天框里的尝鲜，而是真实提高生产力的日常工具。

未来，可计划进一步将 AI 应用于自动化测试、性能监控日志分析、接口文档自动生成等环节，持续探索人机协作的软件开发新范式。