最近在帮学弟学妹们做毕业设计辅导发现一个普遍痛点找一个合适的、有创新性的 Django 毕业设计题目简直比写代码还难。大家要么是去网上搜“Django 毕业设计”结果出来的题目千篇一律要么是几个人凑一起头脑风暴效率低下还容易撞车。于是我琢磨着能不能用 AI 来辅助解决这个问题做一个智能的题目生成与管理系统。经过一番折腾还真搞出了一个能跑起来的原型今天就来分享一下我的实战经验。1. 背景与痛点为什么需要 AI 辅助传统的毕业设计题目获取方式主要依赖导师提供、网络搜索或同学讨论。这几种方式都存在明显短板导师资源有限一位导师可能带多个学生很难为每个学生量身定制新颖题目。网络题目同质化严重搜索到的题目往往重复率高缺乏创新性和时代感比如“图书管理系统”、“学生信息管理系统”已经快被用烂了。缺乏系统性管理即使有了题目如何记录灵感、筛选过滤、避免重复也是一个管理难题。因此一个能够根据学生专业方向、兴趣关键词自动生成并管理一批高质量、有区分度的 Django 项目题目的系统就显得非常有必要。AI特别是大语言模型LLM在理解自然语言和创造性生成方面具有天然优势是解决这个问题的理想工具。2. 技术选型为什么选择本地开源 LLM提到 AI大家第一反应可能是调用 OpenAI 或国内大厂的 API。但在毕业设计这个场景下我最终选择了在本地部署开源模型原因如下成本考量毕业设计项目通常没有商业预算。调用商用 API 按 token 计费虽然单次不贵但在开发调试、频繁请求的过程中累积起来也是一笔开销。本地模型一次部署无限次使用仅考虑电费。数据隐私与安全毕业设计题目可能涉及学生的专业方向、个人兴趣等半隐私信息。使用本地模型可以确保所有数据不出本地服务器避免了数据上传第三方可能带来的隐私风险。离线能力与稳定性校园网环境有时不稳定依赖外部 API 的服务可能会因为网络问题而中断。本地部署保证了服务的可用性和响应速度不受外网波动影响。可定制化与学习价值使用开源模型如 ChatGLM3-6B、Qwen-7B我们可以深入其原理进行微调或优化提示词这个过程本身具有很高的学习价值。我最终选择了 ChatGLM3-6B 作为基础模型它在中文理解和生成上表现不错对硬件要求相对友好6B 参数量在消费级显卡如 RTX 3060 12G上即可流畅运行。3. 核心实现从零搭建智能生成系统整个系统采用 Django 作为后端框架提供 RESTful API前端可以用任何框架如 Vue、React或直接使用 Django 模板。核心是将 AI 模型封装成一个内部服务。3.1 Django 项目结构django_ai_topic/ ├── manage.py ├── topic_generator/ # 主应用 │ ├── __init__.py │ ├── admin.py │ ├── apps.py │ ├── models.py # 定义题目数据模型 │ ├── views.py # 处理HTTP请求调用AI服务 │ ├── urls.py # 路由配置 │ └── services/ # 服务层封装AI模型逻辑 │ ├── __init__.py │ └── ai_service.py # AI模型加载与调用核心 ├── config/ # 项目配置 │ ├── __init__.py │ ├── settings.py │ ├── urls.py │ └── wsgi.py └── requirements.txt3.2 AI 模型服务封装这是最核心的部分。我们将模型加载和推理逻辑封装在一个单例服务中避免每次请求都重复加载模型。services/ai_service.pyimport threading from transformers import AutoTokenizer, AutoModel import torch import logging logger logging.getLogger(__name__) class AITopicGenerator: _instance None _lock threading.Lock() def __new__(cls): # 实现单例模式确保全局只有一个模型实例 if cls._instance is None: with cls._lock: if cls._instance is None: cls._instance super().__new__(cls) cls._instance._initialize_model() return cls._instance def _initialize_model(self): 初始化模型和分词器此处以ChatGLM3为例 model_path ./models/chatglm3-6b # 假设模型已下载到本地该路径 logger.info(正在加载AI模型...) try: self.tokenizer AutoTokenizer.from_pretrained(model_path, trust_remote_codeTrue) self.model AutoModel.from_pretrained(model_path, trust_remote_codeTrue, torch_dtypetorch.float16, # 使用半精度减少内存占用 device_mapauto) # 自动分配设备CPU/GPU self.model self.model.eval() logger.info(AI模型加载成功) except Exception as e: logger.error(f模型加载失败: {e}) raise def generate_topics(self, keywords, num_topics5, difficultymedium): 根据关键词生成题目 :param keywords: 关键词如‘电商 数据分析’ :param num_topics: 生成题目数量 :param difficulty: 题目难度easy, medium, hard :return: 生成的题目列表 # 精心设计的提示词Prompt Engineering prompt f 你是一个资深的Django全栈开发导师。请根据以下要求生成{num_topics}个毕业设计题目。 要求 1. 核心关键词{keywords}。 2. 技术栈必须基于Python的Django框架可以涉及前端如Vue.js、数据库MySQL/PostgreSQL、缓存Redis等。 3. 题目难度为{difficulty}。 4. 每个题目应具有创新性、实用性和可行性避免“图书管理系统”等过于常见的题目。 5. 输出格式直接返回一个Python列表列表的每个元素是一个字符串即一个完整的题目名称。不要有任何额外的解释或标记。 例如[基于Django的智能校园二手书交易平台设计与实现, 基于Django与协同过滤算法的电影推荐系统] try: # 调用模型生成 inputs self.tokenizer(prompt, return_tensorspt).to(self.model.device) outputs self.model.generate(**inputs, max_length512, temperature0.8, # 控制随机性 do_sampleTrue) response self.tokenizer.decode(outputs[0], skip_special_tokensTrue) # 后处理从模型返回的文本中提取出列表部分 # 这里假设模型严格按照指令返回了列表字符串实际需要更健壮的解析 import ast # 尝试找到响应中类似列表的部分 start_idx response.find([) end_idx response.rfind(]) 1 if start_idx ! -1 and end_idx ! 0: list_str response[start_idx:end_idx] topic_list ast.literal_eval(list_str) if isinstance(topic_list, list): return topic_list[:num_topics] # 确保返回数量正确 # 如果解析失败返回一个默认列表或进行更复杂的文本分割 return [f基于Django的{keywords}管理系统示例] * num_topics except Exception as e: logger.error(f题目生成失败: {e}) return [] # 全局访问点 ai_generator AITopicGenerator()3.3 RESTful API 接口设计我们在 Django 的视图中调用上面的 AI 服务。views.pyfrom rest_framework.decorators import api_view from rest_framework.response import Response from rest_framework import status from .services.ai_service import ai_generator from .models import GeneratedTopic # 假设有一个保存题目的模型 import json api_view([POST]) def generate_topic_view(request): 接收生成题目请求的API端点 data request.data keywords data.get(keywords, ).strip() num_topics int(data.get(num_topics, 3)) difficulty data.get(difficulty, medium) # 1. 输入验证与过滤防注入 if not keywords or len(keywords) 100: return Response({error: 关键词无效或过长}, statusstatus.HTTP_400_BAD_REQUEST) # 可以加入更严格的关键词过滤逻辑防止恶意输入 # 2. 调用AI服务生成题目 try: topics ai_generator.generate_topics(keywords, num_topics, difficulty) except Exception as e: return Response({error: AI服务暂时不可用}, statusstatus.HTTP_503_SERVICE_UNAVAILABLE) # 3. 将生成的题目存入数据库可选用于历史记录、去重 saved_topics [] for topic_text in topics: # 简单的去重检查基于题目文本 if not GeneratedTopic.objects.filter(titletopic_text).exists(): topic_obj GeneratedTopic.objects.create( titletopic_text, keywordskeywords, difficultydifficulty, sourceai_generated ) saved_topics.append(topic_obj.title) else: saved_topics.append(topic_text (已存在)) # 4. 返回结果 return Response({ keywords: keywords, difficulty: difficulty, topics: saved_topics }, statusstatus.HTTP_200_OK)3.4 提示词工程Prompt Engineering提示词的质量直接决定了生成题目的好坏。上面的代码中已经包含了一个基础提示词。在实践中我们还可以优化增加角色设定让 AI 扮演更具体的角色如“资深高校计算机系毕业设计评审专家”。提供更详细的约束明确要求题目需要包含哪些模块用户管理、数据看板、API接口等。给出优秀范例在提示词中提供 1-2 个高质量的题目示例引导模型模仿其风格和结构。迭代优化根据初期生成结果不断调整提示词这是一个持续的过程。4. 性能与安全考量系统搭建起来后性能和安全性是必须面对的问题。冷启动延迟模型加载可能需要几十秒到几分钟。解决方案是使用单例模式在 Django 启动时或第一次请求时预加载模型后续请求直接使用避免重复加载。可以考虑写一个 Django 的AppConfig的ready方法来自动初始化。并发请求处理Django 是同步框架一个长时间的模型推理请求会阻塞整个工作线程。解决方案异步视图使用 Django 3.1 的异步视图async def和 ASGI 服务器如 Daphne、Uvicorn但需要确保模型推理库支持异步。任务队列将生成请求放入 Celery 等任务队列由后台 Worker 处理通过 WebSocket 或轮询通知前端结果。这是更生产级的做法。输入过滤与防注入虽然我们的提示词是固定的但用户输入的keywords会被拼接到提示词中。必须对keywords进行严格的清洗和长度限制防止用户输入恶意指令导致模型被“提示词注入”攻击。响应缓存对于相同的关键词和难度组合其结果在一定时间内是稳定的。可以使用 Django 的缓存框架将生成结果缓存起来例如缓存 1 小时显著减少对模型的重复调用提升响应速度。5. 生产环境避坑指南想把系统真正用起来以下几个坑需要注意模型内存占用ChatGLM3-6B 加载后显存占用可能超过 10GB。如果服务器 GPU 内存不足可以考虑使用int8或int4量化版本或者使用 CPU 推理速度会慢很多。在requirements.txt中精确指定transformers、torch等库的版本避免兼容性问题。Docker 部署的资源限制如果使用 Docker 部署务必在docker-compose.yml或运行命令中为容器分配足够的共享内存shm_size和显存资源deploy.resources否则模型加载可能失败。日志与监控缺失一定要为 AI 服务添加详细的日志记录如上面的logging记录模型加载状态、每次请求的参数和耗时、错误信息等。这有助于快速定位线上问题。可以考虑接入 Sentry 等错误监控平台。版本管理将模型文件本身纳入版本管理如 Git LFS或制定明确的模型下载脚本确保开发、测试、生产环境使用的是同一版本的模型避免生成结果不一致。6. 总结与展望通过这个项目我们成功地将一个本地大语言模型集成到了 Django 后台构建了一个能解决实际痛点的智能题目生成系统。整个过程涉及了 Django 项目架构、AI 模型服务化、API 设计、提示词工程、性能优化等多个环节是一次非常棒的全栈AI 实践。这个系统还有很大的扩展空间多学科支持目前的提示词主要针对计算机/Django 方向。我们可以为不同专业如机械、经管、艺术设计不同的提示词模板甚至训练一个简单的分类器根据输入关键词自动选择最合适的模板。加入教师审核流程生成的题目可以直接推送给指定导师进行审核。可以在GeneratedTopic模型中增加状态字段如pending,approved,rejected并开发一个导师管理后台让导师能方便地浏览、筛选、修改或批准题目。题目优化与评分可以引入第二个 AI 模型或同一模型的不同提示词对生成的题目进行可行性分析、技术复杂度评分并给出简单的实现思路建议让题目不仅“新”而且“好”。社区化与协作允许学生对自己感兴趣或生成的题目进行收藏、评论形成一个题目灵感池促进交流。AI 辅助开发不是要替代开发者而是成为我们手中一件强大的工具。从这个毕业设计题目生成器开始我们可以探索更多 AI 与 Web 开发结合的场景比如自动生成接口文档、代码审查建议、甚至是辅助编写单元测试。希望这个实战分享能给你带来启发也欢迎一起交流探讨让我们的开发工作变得更智能、更高效。