• 文档
• 教程
• 知识库
• 人工智能

技术练兵场是一个将「AI 生成挑战、拖拽选择技术方案、AI 智能评分」做成游戏化闯关流程的全栈项目：前端基于 Vue 3，后端基于 Spring Boot，AI 能力由 Java 生态的主流框架 LangChain4j 提供。本文以仓库中《Cursor + LangChain4j - AI 程序员技术练兵场项目实战》文档为主体，结合仓库内 Vibe Coding 教程与 AI 编程技术资料，系统讲解该项目的玩法设计、核心功能拆解、技术选型与开发方法，帮助读者理解如何用 AI 编程（Vibe Coding）从 0 到 1 完成一个可用的 AI 全栈应用。

一、项目定位：为什么叫「技术练兵场」

在 Vibe Coding 项目实战导读 中，鱼皮强调「做项目是检验学习成果的唯一标准」。而「AI 程序员技术练兵场」（开源项目名coder-test）正是围绕这个理念设计的一款游戏化学习产品。

简单来说，它的核心玩法是：

1. 用户先选择自己的技术方向（如 Java 后端）和难度（目标薪资段）；
2. AI 模拟产品经理，自动生成一份贴合该方向与难度的挑战任务需求；
3. 用户通过拖拽技术选项的方式，挑选自己认为适合实现该需求的方案；
4. AI 根据用户的方案选择进行智能评分，输出结果报告，指出「过度设计」「技术不匹配」等问题；
5. 用户通过不断挑战提升「薪资段位」，并可以学习 AI 给出的学习建议、架构图、面试题，形成「学—练—评—学」的闭环。

项目采用了全栈 Vibe Coding 的方式开发：前端（Vue）和后端（Spring Boot）均借助 Cursor 等 AI 编程工具生成，重点在于学习「如何用 AI 生成一个完整的全栈项目」，非常适合想学习 AI 应用开发、想做出自己产品的同学。文档给出的预计投入时间为 6～12 小时。

从仓库另一份文档 进阶 - 企业级 AI 编程实战项目 的描述可以确认该项目的技术画像：

• 技术栈：Java + Vue + LangChain4j；
• 核心能力：LangChain4j 框架实战、结构化输出与数据解析、提示词工程与优化、Vue 3 全栈开发、游戏化学习设计；
• 适合人群：有 Java 和 Vue 基础，想提升 AI 应用开发能力的同学。

二、游戏化玩法拆解：从「选择方向」到「月薪过万」

原文档用一段「月薪 3000 程序员闯关修炼」的演示流程，完整展示了产品体验，以下按产品功能模块逐一拆解。

1. 选择修炼方向

进入系统后，用户首先选择自己的技术方向。文档演示中选择的是「Java 后端」——这是系统内置的核心方向之一。这一步本质上是确定挑战任务的生成维度，AI 会根据所选方向生成对应技术领域的题目与选项。

2. AI 自动生成挑战任务

选择方向后，AI 自动生成挑战任务。文档中的示例任务是：实现一个基于 Spring Boot 的图书管理系统，目标薪资 8000 元。可以看到任务由两部分构成：

• 业务需求：一段可读的需求描述（如图书管理的增删改查）；
• 目标薪资：作为难度标尺，把抽象的「难度」映射为程序员最容易理解的「薪资等级」。

这正是该项目产品设计的巧妙之处：用薪资数字量化技术难度，让学习目标变得具体可感。

3. 拖拽选择技术方案

用户需要在选项区挑选能够实现该需求的技术。初始关卡中，选项以技术名词为主，例如：

• 基础选项：Spring Boot、MyBatis、MySQL、Lombok 等「常规武器」；
• 进阶选项：DDD、TDD、CQRS 架构、六边形架构等「奇门技艺」。

演示中用户「什么都想选」，把 DDD、CQRS、六边形架构全部拖进答案区，结果触发了 AI 的评分反馈：不仅没有加分，反而倒扣 400 元薪资，并给出了一段毒舌点评：

“恭喜你，成功把一个简单的图书管理系统设计成了宇宙级复杂架构！建议直接升职为 CTO，负责规划下一次人类登月的软件系统，建议先学会 'Hello World' 再谈六边形。”

这一设计同时完成了三件事：让用户理解过度设计的概念、通过趣味反馈加深记忆、激励用户反复挑战。

随着「月薪段位」提升，后续关卡的选项不再是简单的技术名词，而是各种方案与实现细节（如具体的技术选型组合、架构方案），需求描述也更加晦涩复杂，难度呈阶梯式上升。

4. AI 智能评分与结果报告

提交方案后，AI 生成详细的评分报告，文档中展示的报告内容包括：

• 问题诊断：明确告知用户问题所在（例如「过度设计」）；
• 技术解析：为每个被选/漏选的技术给出清晰的介绍和应用场景；
• 架构图与核心业务流程图：系统自动生成图示，帮助用户直观理解正确方案；
• 学习建议：针对当前薪资段给出方向性建议，例如「针对 3k-8k 薪资段，企业更看重基础扎实、能干活」；
• 编程修炼秘籍与高频面试题：推荐贴合技术知识、企业常问的高频考题，每题附带详尽答案。

5. 排行榜与精选关卡

产品中还包含两个重要的留存与学习机制：

• 薪资排行榜：用户可以看到自己在排行榜上的名次，通过「排名竞争」驱动持续挑战；
• 精选关卡：由平台方精挑细选、覆盖更多业务场景的关卡，用户可自由学习，稳步扩展技术广度。

三、技术实现画像：LangChain4j 是核心引擎

该项目是鱼皮在 65 鱼皮的 AI 编程实战视频课 与 02 AI 编程学习路线 中重点推荐的项目，后者的描述最准确地概括了其技术内核：

基于 Spring Boot + Vue 的闯关式技术练兵场，AI 模拟产品经理出题、用户拖拽选择技术方案、AI 智能评分，实战 LangChain4j AI 开发框架、结构化输出、对话记忆、工具调用等主流 AI 开发技术。

也就是说，项目的「AI 出题」「AI 评分」「AI 生成报告」三项核心能力，全部建立在LangChain4j之上。要理解这个项目，先要理解 LangChain4j。

什么是 LangChain4j？

在仓库文档 04 AI 编程技术 中，LangChain4j 被定义为「另一个主流的 Java AI 开发框架，特点是更灵活，更适合开发复杂的智能体」，其核心特性包括：

这份特性清单与练兵场项目的需求几乎一一对应：

• 「AI 模拟产品经理出题」需要结构化输出（把 AI 生成的题目/选项解析成可渲染的数据结构）与提示词工程；
• 「拖拽选择 + AI 智能评分」需要结构化输出把评分结果解析为报告对象；
• 「挑战任务/方案的生成与评估」需要对话记忆（在挑战流程内保持上下文）与工具调用（如需检索题库）。

关于开发模式，同仓库教程给出过一个 LangChain4j 的 AI Service 最小示例：

@AiService public interface AiCodeHelperService { @SystemMessage(fromResource = "system-prompt.txt") String chat(String userMessage); }

只需要定义接口和注解，框架会自动生成实现类。练兵场项目中「AI 出题」「AI 评分」等能力，正是以这种声明式 AI Service 为骨架扩展出来的。

四、从「技术练兵场」看 LangChain4j 的实战用法

练兵场项目本身没有在本仓库内附带源码，但仓库内另一篇同系列的教程 Cursor + LangChain4j - AI 编程助手项目实战 完整演示了 LangChain4j 的几乎所有主流用法，可以作为理解练兵场技术细节的「预习教材」。下面把两项能力映射到练兵场的场景中。

1. 结构化输出：AI 出题与评分的关键

练兵场最核心的两步——「AI 生成挑战任务」和「AI 生成评分报告」——都依赖结构化输出。LangChain4j 中只要把 AI Service 方法的返回值声明为 Java 对象（或 record），框架就会自动把 AI 的文本输出解析为对应结构。例如「AI 编程助手」教程中的学习报告：

@SystemMessage(fromResource = "system-prompt.txt") Report chatForReport(String userMessage); // 学习报告 record Report(String name, List<String> suggestionList){}

映射到练兵场，出题接口大致可以声明为类似Challenge generateChallenge(String direction, int salary)的形式，返回一个包含需求描述、可用技术选项列表、目标薪资等字段的结构化对象；评分接口则可声明为Evaluation evaluate(Challenge challenge, List<String> selectedTechs)，返回包含「评分、问题诊断、技术解析列表、学习建议、推荐面试题」的报告对象。前端拿到这些结构即可直接渲染成拖拽区、报告卡片与架构图。

2. 提示词工程：决定 AI 输出质量的胜负手

AI 出题与评分的「专业性」完全取决于提示词。练兵场的提示词需要重点约束：

• 角色设定：AI 扮演「产品经理」出题，扮演「技术评审」打分；
• 难度映射：把目标薪资段与题目复杂度、选项难度绑定；
• 输出规范：规定报告必须包含诊断、技术解析、学习建议、面试题等字段；
• 反过度设计：评分规则要能识别「简单需求堆叠复杂架构」并给出负面反馈（对应演示中倒扣 400 元的设计）。

在 04 AI 编程技术 中 LangChain4j 的@SystemMessage支持fromResource从资源文件读取提示词，便于维护较长的系统 Prompt，这正是练兵场这类「提示词较重」的项目推荐的组织方式。

3. 对话记忆：让闯关流程上下文连贯

在「生成任务 → 选择方案 → 评分报告」的闯关中，每个环节之间存在上下文依赖。LangChain4j 的MessageWindowChatMemory（最多保存 N 条消息、自动淘汰旧消息）可以轻松实现单次闯关流程内的上下文保持；如需多用户隔离，可以借助@MemoryId参数按用户单独创建会话记忆。对于练兵场这种多用户产品，还可以通过自定义ChatMemoryStore把记忆持久化到 MySQL 等外部存储。

4. 工具调用：扩展 AI 能力边界

文档演示的「AI 推荐高频面试题并附答案」能力，若希望题目数据更真实可靠，可以像「AI 编程助手」教程那样通过@Tool注解给 AI 绑定一个「检索面试题」工具（该教程中是抓取面试鸭网站搜索页），AI 判断需要时会自动调用工具获取真实题目列表，再结合自身能力组织答案。这为练兵场提供了「AI 生成题目 + 真实题库兜底」的可行方案。

五、用 Vibe Coding 开发这类全栈 AI 项目的通用方法

练兵场项目「以 Vibe Coding 为主、全程使用 AI 开发」，前端和后端都可用 Cursor 等工具生成。结合 Vibe Coding 项目实战导读 提出的方法论，可以提炼出开发这类全栈 AI 项目的一般流程：

1. 明确需求与产品设计

先用自然语言把产品玩法说清楚（方向选择、AI 出题、拖拽选方案、AI 评分、排行榜），这一步决定了后续 AI 生成的代码质量。练兵场的「游戏化 + 薪资段位」设计在需求阶段就应固化。

2. 搭好后端骨架与 AI 能力

• 新建 Spring Boot 项目，Java 版本建议 21（LangChain4j 最低支持 17）；
• 引入langchain4j核心依赖，以及所使用大模型的 Spring Boot Starter 依赖；
• 通过配置文件指定模型名称与 API Key，将敏感配置放入application-local.yml并加入.gitignore；
• 以 AI Service 声明式接口为骨架，依次实现出题、评分等核心方法；
• 用单元测试（@SpringBootTest）逐一验证各 AI 能力的输出结构，再联调。

3. 用 Cursor 生成前端并对接

前端基于 Vue 3 实现拖拽交互、报告展示、排行榜等界面。Vibe Coding 的核心是「用对话描述界面和交互，让 AI 生成代码」，再通过不断迭代修正样式与逻辑。

4. 联调与迭代

前端与后端打通后，重点验证两个闭环：挑战闭环（出题 → 选方案 → 评分 → 报告）与成长闭环（挑战 → 涨薪资 → 解锁更高难度 → 排行榜激励），用真实数据检验 AI 出题与评分的质量，并反哺提示词优化。

六、如何上手本项目

• 项目代码完全开源（开源仓库名coder-test，由程序员鱼皮直播全程亲手打造），可以直接下载源码学习；
• 本地运行前，把项目配置中的 AI 大模型 API Key 换成自己的，即可正常使用；
• 文档提供了配套的文字 + 视频教程，适合边看边做；
• 预计花费 6～12 小时，适合有 Java 与 Vue 基础、想系统掌握 AI 全栈应用开发的同学。

如需深入了解 LangChain4j 在本类项目中的具体编码细节（依赖坐标、配置写法、AI Service、会话记忆、结构化输出、RAG、工具调用、MCP、SSE 流式输出等），可以继续学习仓库中的 Cursor + LangChain4j - AI 编程助手项目实战；想横向对比另一个主流 Java AI 框架，可参考 Spring AI - AI 超级智能体项目实战；框架选型层面的整体对比见 04 AI 编程技术。

七、总结

「AI 程序员技术练兵场」表面是一个有趣的闯关游戏，本质上是一个把「需求分析 → 技术选型 → 方案设计 → 结果复盘」这一程序员核心成长路径游戏化的AI 全栈应用样板。它既示范了 LangChain4j 在真实产品中的落地方式（结构化输出 + 提示词工程 + 对话记忆 + 工具调用），也展示了 Vibe Coding 从 0 到 1 开发全栈产品的完整方法论。正如原文档中的那句点睛之笔：纸上得来终觉浅，绝知此事要躬行——通过这个项目学会的技术广度与方案设计能力，最终还要靠实战磨砺才能真正内化。

• 文档
• 教程
• 知识库
• 人工智能