u+平台教育平台自动化答题系统开发日记：从AI交互到HTTP请求的全流程实践一、背景与目标近期在开发一个教育平台的自

教育平台自动化答题系统开发日记：从AI交互到HTTP请求的全流程实践

一、背景与目标

近期在开发一个教育平台的自动化答题工具，核心需求是根据不同题型（单选/多选/判断/填空）自动获取AI答案并提交。涉及技术点包括：

火山引擎大模型交互（ArkService）
HTTP请求模拟（Java HttpClient）
JSON解析与数据处理（Gson）
题型差异化处理逻辑

二、开发过程与关键技术

1. AI交互核心：精准控制答案格式

痛点：

AI返回常包含多余解释或格式错误（如填空题带引号），需严格约束输出。

解决方案：

系统提示强约束：针对不同题型设置专属指令

switch (qsnType) {
    case 1: // 单选题
        content = "只返回单个选项字母（如：A），无需任何解释";
        break;
    case 6: // 填空题
        content = "直接返回答案内容，禁止添加任何引号、括号或解释性文字";
}

答案清洗层：统一处理多余字符

private static String processAnswer(String content, int qsnType) {
    if (qsnType == 6) {
        return content.trim().replaceAll("^[\"“”']|['\"“”]$", ""); // 去除首尾引号
    }
    return content;
}

2. HTTP请求陷阱：受限头引发的异常

错误复现：

IllegalArgumentException: restricted header name: "Connection"
Java HttpClient禁止手动设置部分请求头（如Connection、Keep-Alive）。

修复方案：

请求头白名单机制：过滤受限头

private boolean isRestrictedHeader(String name) {
    String lower = name.toLowerCase();
    return Set.of("connection", "keep-alive", "transfer-encoding").contains(lower);
}

合规头构建：仅保留合法字段（User-Agent、X-Access-Token、Referer等），避免触发客户端限制。

3. 题型差异化处理：从答案提取到提交

单选题/多选题：

正则过滤非字母字符并转大写

contentStr.replaceAll("[^A-Za-z]", "").toUpperCase();

判断题：

映射“正确”/“错误”到布尔值

userAnswer = aiResult.equalsIgnoreCase("正确") ? "true" : "false";

填空题：

保留原始内容并包装HTML标签（平台要求）
```
userAnswer = "<p>" + aiResult + "</p>";
```

三、代码架构解析

1. 主流程逻辑（伪代码）

for (题目 : 题目列表) {
    if (已有答案) continue; // 跳过已答题目
    根据qsnType生成AI请求 → 获取rawAnswer → 清洗处理 → 组装userAnswer;
    if (答案有效) {
        构造Http请求头（含X-Access-Token） → 发送POST请求;
        打印提交响应;
    }
}
if (AUTO_SUBMIT) 提交整份作业; // 全局开关控制

2. AI交互核心模块

private static String getAnswerFromAi(...) {
    List<ChatMessage> messages = new ArrayList<>();
    messages.add(系统提示);
    messages.add(用户问题+选项);
    
    ChatCompletionRequest request = ChatCompletionRequest.builder()
        .model("deepseek-r1-250120")
        .messages(messages)
        .build();
    
    return arkService.createChatCompletion(request)
        .getChoices()
        .stream()
        .map(choice -> processAnswer(choice.getMessage().getContent(), qsnType))
        .findFirst()
        .orElse("");
}

3. 鲁棒性设计

空值保护：所有JSON解析处添加has("字段")检查
异常重试：HTTP请求添加重试机制（示例未展示，建议实现）
日志输出：关键节点打印AI答案和提交响应，便于调试

四、踩坑记录与最佳实践

JSON解析陷阱
- 问题：字段缺失导致JsonSyntaxException
- 方案：使用has()方法预检查，如if (detailData.has("userAnswer"))
AI响应不可靠性
- 方案：添加正则兜底处理，如填空题强制去除首尾引号，多选题确保字母大写
HTTP请求头匹配
- 必须严格与浏览器抓包一致（User-Agent、Referer等），建议使用工具（如Charles）获取真实请求头

五、优化方向

支持更多题型：扩展解答题、计算题处理逻辑
性能优化：批量提交题目，减少AI交互次数
错误处理增强：记录失败题目ID，支持断点续传
配置化：将题型映射、AI模型参数等移至配置文件

六、总结

本次开发深度实践了“AI交互+网络请求+业务逻辑”的三层架构，核心挑战在于格式控制和兼容性处理。通过系统提示强约束、答案清洗层、合规请求头设计，有效解决了自动化流程中的关键问题。后续可进一步结合题库缓存、代理池等技术提升稳定性，适合教育类自动化场景复用。

github链接github.com/journs/U-pl…

#掘金日新计划 #Java开发 #教育科技 #自动化工具 #大模型应用