用通义灵码渐进式开发 0->1 实现高考志愿规划项目题文档

简介: 0-1 完全通过自然语言交互 实现一个 AI 高考志愿填报系统,结合通义千问 AI 模型提供专业推荐。该项目旨在帮助高考学生和家长根据个人情况智能推荐合适的专业和学校,减少志愿填报的盲目性。

项目目标


0-1 完全通过自然语言交互 实现一个 AI 高考志愿填报系统,结合通义千问 AI 模型提供专业推荐。该项目旨在帮助高考学生和家长根据个人情况智能推荐合适的专业和学校,减少志愿填报的盲目性。


核心诉求


  • 提供用户友好的信息填写表单,页面框架计划用 Vue3
  • 基于 AI 模型提供智能专业推荐,模型计划用百炼,后端调用通过 Python 实现
  • 展示专业详情(前景、薪资、需求等)
  • 支持响应式设计,适配移动端访问
  • 可选将用户数据存储到 Supabase 数据库


前置准备


1、开通 mastergo 企业版,否则报错无法获取 dsl。


2、灵码已经配置 mastergo 相关 mcpserver,并且添加有权限的个人访问令牌。


"@master/mastergo-magic-mcp": {
2      "command": "npx",
3      "args": [
4        "-y",
5        "@mastergo/magic-mcp",
6        "--token=个人token",
7        "--url=https://mastergo.com"
8      ]
9    }


个人 token


3、灵码已经配置 supabase 相关的 mcpserver,并且添加有权限的个人访问令牌。


阿里云 supabase 的 MCP,配置参考

https://help.aliyun.com/zh/analyticdb/analyticdb-for-postgresql/user-guide/supabase-mcp-use-guide

"supabase": {
2      "command": "npx",
3      "args": [
4        "-y",
5        "@aliyun-supabase/mcp-server-supabase@latest",
6        "--features=aliyun",
7        "--read-only"
8      ],
9      "env": {
10        "ALIYUN_ACCESS_TOKEN": "ACCESS_KEY_ID|ACCESS_KEY_SECRET"
11      }
12    },


渐进式开发步骤


1、开通 mastergo 企业版,否则报错无法获取 dsl。

第一步:MasterGo AI 设计稿生成


基于 mastergo 提供的 AI 生成页面能力,生成前端设计稿。


提示词:学生可以输入自己的姓名、性别、身份证号、所在省份、高考分数进行提交。 模型可以基于输入的信息生成个性化的高考志愿填报建议及职业生涯规划。


mastergo 会自动优化相关提示词,然后再让模型生成设计稿。



第二步:通过灵码 mastergo mcp 工具进行前端设计稿还原

请根据以下设计原型,使用 Vue3 框架开发两个前端页面,并实现前后端分离架构:


1. 页面开发需求


2. 前端实现要求

  • 使用 Vue 3(推荐使用 Composition API + Vite 构建)
  • 页面组件化开发,结构清晰


3. 后端实现要求

  • 使用 Python(推荐 FastAPI 或 Flask 框架)
  • 数据可暂存内存或使用简单文件存储(如 JSON),无需数据库


4. 其他要求

  • 提供简要的运行说明(如启动前后端的命令)
  • 保证代码可读性与可维护性
  • 遵循标准开发实践(如 ESLint、Prettier 可选)


请生成完整的项目结构及核心代码文件,确保前后端可独立运行并完成基本交互。


提示词里强制要求前后端分离,灵码自动生成相关目录结构,并按照设计稿进行前端代码生成。


collegeApplication/
2├── frontend/                  # 前端项目
3│   ├── src/                   # 源代码目录
4│   │   ├── views/             # 页面组件
5│   │   ├── router/            # 路由配置
6│   │   ├── App.vue            # 根组件
7│   │   └── main.js            # 入口文件
8│   ├── package.json           # 前端依赖配置
9│   └── vite.config.js         # Vite配置文件
10├── backend/                   # 后端项目
11│   ├── controllers/           # 控制器层
12│   ├── services/              # 服务层
13│   ├── models/                # 数据模型
14│   ├── app.py                # 主应用文件
15│   └── requirements.txt      # 后端依赖配置
16└── README.md                 # 项目说明文档


生成页面一,信息填报页面:



生成页面二,建议咨询页面:



第三步:用灵码 agent 模式进行后端模型对接代码编写


提示词:请使用 Python 编写一个后端服务,用于接收前端用户提交的报考信息,调用预训练模型进行推理处理,并将推理结果返回至前端“报考建议咨询页面”进行展示


模型调用方式参考:

import os
from openai import OpenAI

client = OpenAI(
    api_key=os.getenv("DASHSCOPE_API_KEY"), # 如果您没有配置环境变量,请在此处用您的API Key进行替换
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)
completion = client.chat.completions.create(
    model="qwen3-coder-plus",
    messages=[
        {'role': 'system', 'content': 'You are a helpful assistant.'},
        {'role': 'user', 'content': '请编写一个Python函数 find_prime_numbers,该函数接受一个整数 n 作为参数,并返回一个包含所有小于 n 的质数(素数)的列表。质数是指仅能被1和其自身整除的正整数,如2, 3, 5, 7等。不要输出非代码的内容。'}],
    )
print("="*20+"回复内容"+"="*20)
print(completion.choices[0].message.content)
print("="*20+"Token消耗"+"="*20)
print(completion.usage)


第四步:对接 Supabase 数据库,将相关数据自动保存到数据库


提示词:将用户通过前端页面(如“报考信息提交页面”)填写的表单数据(例如:姓名、性别、年龄、学历、专业、报考类别等),通过后端服务安全地插入到 Supabase 的数据库中。

效果:




运行的过程中,模型可能会自动修改已经生成好的前端页面,最后可以再做一次优化。


提示词:根据

https://mastergo.com/file/167266857969601?fileOpenFrom=project&page_id=M&layer_id=1%3A0

https://mastergo.com/file/167266857969601?fileOpenFrom=project&page_id=M&layer_id=14%3A004

两个设计稿优化两个前端页面的展示效果,要求布局和 mastergo 设计页面一致。


总结


协作亮点:

  • 渐进式开发:从页面设计 → 前端实现(设计稿还原) → 后端实现(核心调用) → 功能优化(数据持久化),分阶段实现复杂需求。
  • 上下文记忆:通义灵码自动关联前序对话中的变量和功能,无需重复说明。
  • 版本管理:每轮对话生成代码快照,可随时回退或对比。
  • 实时验证:每轮对话后可立即运行测试。
  • 按需扩展:用户可选择优先实现最关心的功能。


通过这种分步引导的方式,即使没有编程经验的用户也能通过自然语言交互逐步构建完整项目。


协作关键点:


功能分步:每次只聚焦一个功能点

明确反馈:当生成结果不理想时,可具体指出问题

持续迭代:基于现有代码提出新需求

样式优化:最后可要求优化 UI

相关文章
|
9天前
|
弹性计算 开发工具 git
通义灵码助你打造专属高德 MCP 服务
如果现有的MCP服务不满足您的需求,通义灵码智能体能够帮助您开发专属MCP服务,直达业务目标。本案例以高德提供的基础MCP服务为基础,借助智能体开发一个订制旅游攻略的高级MCP服务。
|
20天前
|
运维 NoSQL Serverless
|
11天前
|
人工智能
拥抱AI原生!8月29日深圳,企业实践工作坊火热报名中
阿里云诚挚邀请您参加【AI原生,智构未来——AI原生架构与企业实践】工作坊,8月29日13:30于深圳·LandMarkCoffee 蓝马咖啡(南山区科技园桑达科技大厦1楼)从开发范式到工程化实践,全链路解析AI原生架构奥秘,与AI先行者共探增长新机遇。立即报名:https://hd.aliyun.com/form/6638
240 16
拥抱AI原生!8月29日深圳,企业实践工作坊火热报名中
|
2月前
|
人工智能 自然语言处理 数据可视化
通义灵码保姆级教程:从数据读取、清洗、结合大模型分析、可视化、生成报告全链路
本课程通过通义灵码实现零代码数据分析全流程,涵盖数据读取、清洗、可视化、报告生成及内容仿写,无需编程基础,轻松掌握从CSV导入到PDF报告输出的实战技能。
|
26天前
|
人工智能 安全 Nacos
如何实现 AI Agent 自主发现和使用 MCP 服务 —— Nacos MCP Router 部署最佳实践
Nacos社区推出MCP Router与MCP Registry开源解决方案,助力AI Agent高效调用外部工具。Router可智能筛选匹配的MCP Server,减少Token消耗,提升安全性与部署效率。结合Nacos Registry实现服务自动发现与管理,简化AI Agent集成复杂度。支持协议转换与容器化部署,保障服务隔离与数据安全。提供智能路由与代理模式,优化工具调用性能,助力MCP生态普及。
571 24
|
13天前
|
人工智能 监控 Serverless
相比于直接消费 MCP 服务,您的企业可能更需要一个专属的 MCP 服务中心
MCP(Model Control Protocol)作为AI应用上下文工程中的关键组成部分,正广泛应用于企业AI转型实践。企业开发人员通过Cursor、Cline、灵码等AI工具使用MCP,结合自定义MCP实现创新,但也面临生产发布、沉淀复用等挑战。Function AI提供完整的企业级MCP解决方案,通过标准化流程解决MCP构建与发布问题,并通过MCP市场模板打造企业专属服务中心,提升复用效率。方案支持快速部署、测试及集成,助力企业高效构建智能化体系。
|
人工智能 缓存 NoSQL
【深度】企业 AI 落地实践(四):如何构建端到端的 AI 应用观测体系
本文探讨了AI应用在实际落地过程中面临的三大核心问题:如何高效使用AI模型、控制成本以及保障输出质量。文章详细分析了AI应用的典型架构,并提出通过全栈可观测体系实现从用户端到模型推理层的端到端监控与诊断。结合阿里云的实践经验,介绍了基于OpenTelemetry的Trace全链路追踪、关键性能指标(如TTFT、TPOT)采集、模型质量评估与MCP工具调用观测等技术手段,帮助企业在生产环境中实现AI应用的稳定、高效运行。同时,针对Dify等低代码平台的应用部署与优化提供了具体建议,助力企业构建可扩展、可观测的AI应用体系。
|
29天前
|
网络协议 应用服务中间件 网络安全
阿里云SSL免费申请流程,共20张免费SSL,跟着教程一步步操作(新手一看就懂)
2025年阿里云免费SSL证书申请流程更新,提供Digicert品牌单域名证书,每个账号可申领20张,有效期3个月。通过数字证书管理控制台操作,支持域名DNS验证及多种服务器证书下载。免费版不支持续费,到期重新申请。

热门文章

最新文章