目录
前言
项目介绍
1、前端
2、网关层
3、管理后台
4、AI处理核心
项目框架
项目流程图
系统流程图
系统E-R图
项目功能
1、用户管理
2、在线答题系统
3、AI图像识别
4、数据可视化大屏
5、工具箱模块
项目特点
1、技术栈前沿
2、微服务解耦
3、运维自动化
项目技术
项目体验
项目效果
系统登录
数据大屏
系统题库
AI模块
模型管理
识别记录
在线问答
项目源码
总结
前言
微服务架构凭借其独立部署、弹性扩展和技术栈灵活的优势，成为构建复杂系统的主流方案。今天推荐一款AI智能识别平台，它以.NET 8/9 + 微服务实践为核心，结合Vue3前端与AI图像识别技术，覆盖用户管理、在线答题、数据可视化等场景，为开发提供了一套可复用的全栈解决方案。
项目介绍
一个基于微服务架构的开源项目，采用前后端分离设计，通过模块化拆分实现功能解耦。
项目包含四大核心服务：
1、前端
基于Vue3构建的用户交互界面，集成Element UI/Plus组件库，支持响应式布局与多端适配；
2、网关层
作为系统入口，负责请求聚合、鉴权与路由分发，采用.NET 8 MVC框架提升接口性能；
3、管理后台
基于DDD（领域驱动设计）与CQRS模式，实现用户权限、题库管理等核心业务逻辑；
4、AI处理核心
集成YOLOv8目标检测算法，通过RabbitMQ/Kafka消息队列实现异步图像识别，支持高并发任务处理。
项目框架
项目流程图
系统流程图
系统E-R图
项目功能
1、用户管理
支持QQ邮箱注册与登录，集成JWT动态密钥鉴权，用户信息存储于MySQL数据库，Redis缓存加速数据访问。
2、在线答题系统
内置多类型题库（单选、多选、判断），答题记录实时存储至后台，支持按日期、题型筛选成绩，并可导出Word文档用于复盘分析。
3、AI图像识别
基于YOLOv8模型实现目标检测，用户上传图片后，系统通过AI-Api服务异步处理，识别结果（含标签、置信度）自动存储至数据库，支持历史记录查询。
4、数据可视化大屏
集成ECharts图表库，动态展示用户注册量、答题次数、AI识别量等关键指标，辅助运营决策。
5、工具箱模块
文件转换（如Excel转CSV）、二维码生成等实用工具，扩展系统应用场景。
项目特点
1、技术栈前沿
后端采用.NET 8/9与EFCore/Dapper混合ORM，兼顾开发效率与性能；前端使用Vue3+Pinia实现状态管理，代码结构清晰。
2、微服务解耦
通过gRPC实现服务间通信，SignalR支持前后端实时推送（如答题倒计时提醒），消息队列（RabbitMQ）解耦AI任务与主流程。
3、运维自动化
基于Kubernetes与Docker的容器化部署，结合Jenkins实现CI/CD流水线，支持一键发布与回滚。
项目技术
1、后端架构
网关层（Platform-Api）：.NET 8 MVC框架，集成Autofac依赖注入、AutoMapper对象映射，支持EPPlus导出Excel与SharpDocx生成文档。
管理后台（Admin-Api）：采用DDD分层设计，CQRS模式分离读写操作，EFCore仓储模式简化数据访问。
AI核心（AI-Api）：YOLODotNet库调用YOLOv8模型，ONNX格式模型优化推理速度，RabbitMQ处理异步任务队列。
2、前端架构
Vue3组合式API与Pinia状态管理，axios封装HTTP请求，Element Plus提供企业级UI组件，适配PC与移动端。
3、数据存储
MySQL存储结构化数据（用户、题目、成绩），Redis缓存会话与热点数据，MinIO（可选）支持图片等非结构化数据存储。
4、部署方案
Kubernetes集群管理服务实例，Docker镜像封装依赖，Jenkins自动化构建与测试，支持多环境（开发、测试、生产）配置。
项目体验
地址：http://47.107.226.106:8080/login
账号：lbhlbh，密码：123456
涵盖用户注册、答题系统、AI图像识别等功能。
项目效果
系统登录
数据大屏
系统题库
AI模块
模型管理
识别记录
在线问答
个人中心
项目源码
项目代码完全开源，托管于GitHub：
前端：https://github.com/Libihao520/LeSi-Platform-Web
网关层：https://github.com/Libihao520/LeSi-Platform-Api
管理后台：https://github.com/Libihao520/LeSi-Admin-Api
AI核心：https://github.com/Libihao520/LeSi-AI-Api
部署教程详见：https://libihao.blog.csdn.net/article/details/149899677，包含Docker-Compose快速启动与Kubernetes配置示例。
总结
通过微服务架构与前沿技术栈的融合，为开发提供了一套覆盖用户管理、在线教育、AI识别的完整解决方案。
其模块化设计、异步处理机制与自动化运维能力，不仅降低了系统复杂度，也为后续功能扩展（如多模型支持、移动端适配）奠定了基础。
引入地址
