笔记 · 毕业设计
ZhiYuAI：我的毕业设计实战复盘
这篇复盘讲述我如何将 ZhiYuAI 多模态翻译平台从课程原型升级为省赛二等奖、国赛晋级作品：从微服务拆分、AI 路由策略、Mock 降级，到一键部署脚本、答辩演示与工程化交付。 文章不仅展示架构设计，更强调真实可运行的工程资产与比赛复盘，让 HR 看到「说得清楚、跑得起来、拿得出手」的系统化能力。
项目背景
ZhiYuAI 最初是我的《云计算与分布式系统》课程项目，目标是搭建一个简单的翻译工具。为了让它成为有说服力的毕业设计，我决定将其升级为多模态翻译平台： 整合语音交互、场景识别、多引擎翻译与 AI 路由四大能力，并确保可以在无 AI 凭据的环境（如答辩现场）稳定运行。
- 目标对象：毕业答辩评委 + 算法大赛评审 + 求职面试官。
- 交付内容：微服务架构、DashScope/OpenAI 适配层、Mock 降级、一键部署脚本、Web/Flutter 客户端。
- 衡量方式：比赛成绩、演示稳定性、代码可复现性、导师评分。
架构设计
我将系统拆分为 4 个独立的 Starlette 微服务，通过共享的 AI 适配层与数据平面协同工作：
架构图渲染中...
四个服务由 start_services.py 一键启动，并通过共享适配层访问 DashScope 或 Mock 实现，确保演示与生产环境都可以顺畅运行。
关键技术与亮点
01 · 微服务架构
语音交互、场景识别、翻译、AI 路由四个服务独立部署，统一暴露 REST/WebSocket/SSE 接口。
02 · AI 路由策略
通过 LLM 驱动的策略引擎，根据任务类型、优先级与实时指标挑选最优模型并自动回退。
03 · Mock 降级方案
当缺失 AI 凭据时自动启用内存数据库与本地示例，确保答辩演示与培训场景稳定性。
04 · 一键部署脚本
start_services.py + Docker Compose 覆盖健康检查、日志聚合与依赖拉起，方便快速复现。
比赛成果与答辩
省赛二等奖
第七届全球校园人工智能算法精英大赛省赛，完整演示语音/场景/翻译协同链路。
国赛晋级
晋级国赛后继续迭代可观测性、Mock 降级与部署脚本，聚焦「可靠交付」场景。
演示稳定性
使用 Mock 模式在无凭据环境跑完整链路，答辩现场零失败。
导师评价
毕业答辩获得"优秀"评级，导师认可架构设计与工程化交付能力。
反思与可复制经验
- 微服务拆分要考虑演示场景：独立服务可以单独启动验证，降低答辩时的依赖风险。
- Mock 降级是真实需求：AI 凭据在答辩/培训场景往往不可用，内存实现能保证流程完整性。
- 一键脚本 + Docker Compose 让复现成本极低，评审老师可以快速跑起来验证。
- 数据驱动的答辩材料（比赛成绩、服务指标、架构图）比单纯讲技术更有说服力。
可用资产
- GitHub 仓库完整的微服务代码、脚本与 Docker Compose 配置，可直接 clone 运行。
- 演示脚本
final_demo.py提供语音→翻译→播报全链路演示，适合答辩与面试。 - 架构文档包含 Mermaid 架构图、API 文档与部署指南，面试时用于讲解设计思路。