Skip to content

    F 自命题

    考核内容

    从下方的“参考选题”中任选一个选题,进行项目开发。具体要求如下:

    • 项目的形式不限,推荐使用包含前后端的 Web 应用程序架构,但也同样可以开发桌面应用程序或 TUI 程序。
    • 语言不限,推荐使用 Python、Typescript、Go、Rust 等现代编程语言。
    • 项目完成度不限,但至少要有三个及以上的符合选题的、能够正常使用的功能。
    • 项目代码需要使用 Git 进行管理,并同步到 Github、GitLab、Gitee、CodeBerg 等公共代码托管平台。
    • 项目代码中要包含合理的注释,使用中文或英文注释均可。
    • Git Commit 消息需要遵循相关 Commit 消息规范(例如 约定式提交规范Gitmoji 提交规范)。
    • 如果你所开发的项目为 Web 项目,需要能够打包为容器镜像并能够以容器方式部署。
    • 你所开发的项目应当具有完整的文档(README.md 或独立的 docs 均可),其中需要包含项目介绍、项目特点、部署方式、使用方法等内容。

    基本要求

    1. 前端技术栈
      • 建议使用 React / Vue / Astro / Svelte 等现代前端框架进行开发。
      • 不推荐使用 JSP / ASP / PHP 等传统方案,也不推荐仅用“纯 HTML + 少量脚本”直接堆页面(除非是非常小的展示型页面)。
      • 前端开发(含 Web 前端、桌面 GUI 界面等),需提供 美观、现代化 的界面与良好的交互体验。
      • 重要:若提交的前端页面呈现明显“AI 默认模板风格”(例如常见的蓝紫渐变默认配色、模板化布局与组件堆砌、缺乏设计规范与信息层级),将视为未满足要求,直接判定考核不通过。
      • 建议参考并规避“AI 味”常见问题,可观看视频:【AI 做的网站丑爆了?7 招教你去除 AI 味儿!AI编程必学技巧】 https://www.bilibili.com/video/BV1QF6EBiErM/
    2. 后端技术栈
      • 建议使用 FastAPI(Python)/ Spring(Java)/ Gin(Golang) 等现代后端框架进行开发。
      • 不推荐使用 传统 Servlet/SSH/Struts2 等偏旧的技术方案或仅靠手写原生接口堆功能(可维护性较差)。
    3. 关于“寒假考核中:三个及以上符合选题要求的功能”
      • 这里的意思是:你需要任选一个选题,并围绕该选题开发一个项目;但在这个项目中,至少要实现 3 个可用功能,且这些功能必须与选题强相关
      • 由于提供的选题范围都比较大,本次不强制要求完成度,只要你能实现并跑通 ≥3 个可用的核心功能即可。
      • 当然,如果你能做出一个完整、体验闭环且符合选题目标的项目,会更加分。
      • 注意:登录/注册等通用功能不计入这 3 个功能
    4. 非 AI 驱动的传统项目也可提交
      • 如果你提交的是非 AI 驱动的传统项目,但项目本身完成度较高、功能完善,并且按规则提交,同样可以进入考核流程。
    5. 不涉及 Infra 与 AI 科研方向
      • 本项目不包含 Infra 相关内容,也不包含人工智能相关的科研项目。
      • 如果你对这些方向感兴趣,请联系负责人chw进一步沟通。
      • 如果你正在参与相关科研工作,提交相关材料/成果/代码片段用于面试展示,依然可以通过考核。
      • 如果你有比较好的其他选题想法,或者做过的以及正在做的 Agent 相关项目,可以私聊chw进行讨论。
    6. 不了解 Agent 概念的同学:推荐先看以下视频

    提交要求

    请根据项目情况选择以下一种方式提交,并确保包含以下全部或相应材料:

    • GitHub 仓库链接:需确保仓库公开,且根目录下包含完整的 README.md。
    • API 文档:提供 Apifox 分享链接或 Postman Collection 文件。
    • 部署文档:详细的部署步骤说明。
    • 部署地址:(如有)提供在线访问地址。
    • 演示视频:(可选,建议提供)时长 3-5 分钟,可提交视频文件或 Bilibili 链接。
    • 开发记录
      • 开发过程/思路:简述开发过程中的思考与技术选型逻辑。
      • 容器构建记录:构建和运行容器镜像的完整过程记录(必须包含截图)。
      • 功能演示:浏览器前端界面的功能操作演示(必须包含截图,需覆盖每个核心功能)。

    README.md 或独立部署文档需包含以下内容:

    1. 已实现功能清单:列出所有已完成的功能点。
    2. 进阶功能说明:(如有)
    3. 项目简介:项目的背景与目标。
    4. 技术栈说明:前端、后端及其他工具库的列表。
    5. 项目结构说明:目录结构的解释。
    6. 本地运行指南:如何从零开始在本地启动项目。
    7. API 文档链接:指向 Apifox/Postman 的链接。

    补充说明

    • 本次寒假考核允许并推荐使用 Vibe Coding 方式进行开发,并推荐使用 ClaudeCodeOpenCodeRoo Code 等工具搭配 MiniMax M2.1GLM-4.7 等模型进行开发。不过,你仍然需要确保自己能够理解 LLM 给出的代码,并对项目结构和技术栈有清晰的认知。
    • 对于 Vibe Coding 场景,很多模型厂商都推出了高性价比的 Coding Plan 套餐。截止至本文档编写时,智谱的 Coding Plan 已限售,但 MiniMax Coding Plan 仍然可以购买并且有折扣,有需要的同学可以看一下。
    • MiniMax 平台也提供了语音合成、视频生成、图片生成、音乐生成等多种生成式 AI 模型,如果在开发项目的过程中有相关需要,也可以使用。
    • 在项目开发以及构建和推送/拉取容器镜像时,可以试试 Github Codespaces。它提供了开箱即用的开发环境,并且与 Github 本身深度集成,可以直接以仓库代码创建 Codespaces 实例。
    • 在项目开发以及构建/推送/拉取容器镜像时,可尝试使用 GitHub Codespaces。它提供开箱即用的开发环境,并与 GitHub 深度集成,可直接基于仓库创建 Codespaces 实例。
      • Codespaces 网络环境较优,适合依赖下载与镜像构建/推送/拉取。
      • 普通用户每月提供 60 小时免费额度;完成学生认证后通常可获得更高额度。
      • 由于服务器位于海外,国内访问可能延迟较高,建议访问 Codespaces 页面时启用科学上网工具。
      • 推荐流程:本地编码 → Git 推送至 GitHub → 创建 Codespaces → 构建、运行、调试与镜像相关操作。

    参考选题

    1. LLM 驱动的搜索引擎

    Perplexica

    Scira

    Morphic

    MindSearch

    Crawl4AI

    ScrapeGraphAI

    Firecrawl

    CrewAI

    SearXNG

    OpenSearch

    STORM

    2. LLM 驱动的 RAG 知识库

    Dify

    MaxKB

    FastGPT

    RAGFlow

    Haystack

    PandaWiki

    DocsGPT

    txtai

    Quivr

    QAnything

    LlamaIndex

    AutoRAG

    OpenViking

    3. LLM 驱动的编码助手

    OpenCode

    Crush

    Open-SWE

    Codebuff

    OpenHands

    Cline

    Roo Code

    DeepCode

    4. LLM 驱动的 PPT 生成器

    Presenton

    ALLWEONE

    LandPPT

    Slidev

    PPTAgent

    Infographic

    5. LLM 驱动的 AI 虚拟助手/数字人

    Project AIRI

    Luna AI

    Open-LLM-VTuber

    Project N.E.K.O.

    Persona Engine

    学习资源

    大模型应用开发

    动手学大模型应用开发

    提示工程与大语言模型应用开发

    开发LLM代理高级工具

    设计与实现多智能体大型语言模型系统

    检索增强生成 (RAG) 入门

    大型语言模型应用高级向量检索

    生产环境中RAG系统的优化

    Agent Skills

    Context Engineering Template

    鱼皮的 AI 知识库

    一人公司

    Vibe Coding

    Easy Vibe

    Vibe Vibe

    Vibe Coding 指南

    Vibe Kanban

    最后更新于: