企业官网建设流程全解析

每年到这个节点，总能看到不少人在为毕业设计挠头。图书管理系统这个题目，说新不新，说旧也确实经典，但每年依然有大量同学选它。原因很简单：业务逻辑清晰、CRUD基础全覆盖、数据维度丰富（图书、借阅、用户、分类、馆藏），特别适合用来展示技术栈的完整度。不过问题也来了——正因为做的人太多，如果只是把增删改查和几张统计图表拼在一起，答辩时很难拿出让人眼前一亮的记忆点。

这个项目标题很有意思：“机器学习大模型：基于python图书管理系统 书籍管理系统 图书数据分析可视化 书刊 可视化 Django框架 大数据毕业设计 deepseek”。一句话里同时出现了Django、数据可视化、大模型这几个关键词，摆明了是想要一个“基础功能扎实 + 数据分析出彩 + 大模型加亮点”的组合型方案。这篇文章就按照这个思路来聊——从系统设计、技术选型、核心功能实现到可视化模块、大模型集成，再到部署答辩时可能会踩的坑，一条线全部过一遍。无论你现在是刚刚定题、代码还没怎么写，还是功能已经做完但想再拔高一个档次，这篇内容应该都能帮你省下不少回头路。

1. 整体设计思路：为什么是这套技术组合

先聊选型。主框架用了Django，这是Python系做管理类系统最成熟的选择。Django自带Admin后台、ORM、认证体系、模板引擎和表单处理，意味着图书、借阅、用户这些基础模块的搭建速度非常快，天花板也足够高。相比Flask需要自己拼装一堆扩展，Django更适合“要交一个完整系统”的毕业设计场景——它让你把精力花在业务设计和模块扩展上，而不是底层细节里出不来自我。

为什么要加可视化？纯表格视图的图书管理系统已经很难展示工作量了。真正的加分项在于“让数据开口说话”：图书总量、分类分布、借阅趋势、馆藏流转、热门书榜、读者活跃度——这些维度通过折线图、柱状图、饼图和热力图呈现出来，一方面能证明你具备数据处理与前端展示的综合能力，另一方面也让答辩评委能在最短时间内看懂你的系统做了什么、做到了什么程度。

大模型集成是这个题目的“新意破局点”。基于DeepSeek API，可以给系统增加三个很实用的能力：智能图书推荐（根据借阅历史和兴趣标签推荐书单）、自然语言数据问答（用户直接问“上个月哪类书借得最多”，系统自动查询并给出结论）、智能摘要（对图书内容简介做归纳提炼）。这三大功能对毕设来说，既不过分复杂、又能很好地契合“大数据 + 机器学习”的主题标签，避免系统停留在“普通管理系统”的范畴里。

整套系统的宏观流程大概是：

用户端：注册登录 → 检索图书/查看详情 → 借阅/预约 → 查看借阅历史 → 使用智能推荐与数据问答 管理端：图书入库/下架 → 分类管理 → 借阅审核/归还 → 借阅数据总览与导出 数据层：SQLite/MySQL存储业务数据 → 定期聚合生成统计视图 → 大模型API按需调用

这样拆完之后，整个项目就有了三条明确的技术线：业务线（Django ORM/视图/模板）、数据线（统计聚合 + ECharts可视化）、智能线（DeepSeek API + 异步任务 + Prompt设计）。下面每一部分逐一展开。

2. 环境准备与项目初始化

2.1 依赖安装与版本避坑

建议Python版本直接选 3.10 或 3.11，太老的版本容易出现依赖兼容问题，太新的版本某些第三方库可能还没有完成适配。虚拟环境是必须的，这个习惯在毕设阶段养成，以后工作会少很多麻烦。

# 创建并激活虚拟环境 python -m venv venv # Windows venv\Scripts\activate # macOS/Linux source venv/bin/activate # 安装核心依赖 pip install django==4.2.* pip install pandas pip install openpyxl pip install requests pip install python-dotenv pip install django-cors-headers

有几个细节想单独说明一下：

• Django版本建议锁在4.2系列。5.0之后一些第三方组件的兼容性还不算稳定，而4.2是维护周期很长的LTS版本，做毕设完全够用。
• pandas和openpyxl是用来做离线数据分析和导出的。有些统计图表可以交给前端JS库（如ECharts），但涉及“导出Excel报表”这类功能时，pandas在后端处理起来会轻松得多。
• requests用于调用DeepSeek的API——大模型服务走的是HTTP接口，直接requests.post拿到JSON再解析就行，不需要额外引入重型SDK。
• django-cors-headers主要是开发时前后端分离调接口用的。如果你用Django模板直接渲染页面，其实用不到，但加上也不碍事，后面万一要接Vue时会省事。

2.2 项目结构与数据模型设计

项目结构建议拆成多个子应用，每个应用只负责自己那块业务。不要把所有逻辑都堆在同一个app里，否则后期改代码的时候想哭的心都有。

book_management/ # 主配置目录 settings.py urls.py apps/ books/ # 图书模块：书目信息、分类、出版社 users/ # 用户模块：读者信息、认证、角色 borrowing/ # 借阅模块：借书、还书、预约、逾期 analytics/ # 数据统计与可视化模块 ai_assistant/ # 大模型集成模块 templates/ static/ media/

数据模型是整个系统的地基，设计得好不好直接决定后面写业务逻辑是顺手还是难受。下面是我推荐的一组核心模型：

from django.db import models from django.contrib.auth.models import AbstractUser class User(AbstractUser): # 扩展Django默认用户模型，增加角色字段 ROLE_CHOICES = ( ('reader', '读者'), ('admin', '管理员'), ) role = models.CharField(max_length=20, choices=ROLE_CHOICES, default='reader') student_id = models.CharField(max_length=20, blank=True, null=True, verbose_name='学号/工号') phone = models.CharField(max_length=20, blank=True, null=True) avatar = models.ImageField(upload_to='avatars/', blank=True, null=True) class Meta: verbose_name = '用户' verbose_name_plural = '用户' class Category(models.Model): name = models.CharField(max_length=50, unique=True, verbose_name='分类名称') code = models.CharField(max_length=20, blank=True, verbose_name='分类编码') parent = models.ForeignKey('self', on_delete=models.CASCADE, null=True, blank=True, verbose_name='父级分类') sort_order = models.IntegerField(default=0, verbose_name='排序') class Meta: verbose_name = '图书分类' verbose_name_plural = '图书分类' def __str__(self): return self.name class Book(models.Model): isbn = models.CharField(max_length=20, unique=True, verbose_name='ISBN') title = models.CharField(max_length=200, verbose_name='书名') author = models.CharField(max_length=100, verbose_name='作者') publisher = models.CharField(max_length=100, blank=True, verbose_name='出版社') publish_date = models.DateField(null=True, blank=True, verbose_name='出版日期') category = models.ForeignKey(Category, on_delete=models.SET_NULL, null=True, verbose_name='分类') price = models.DecimalField(max_digits=8, decimal_places=2, default=0, verbose_name='定价') total_copies = models.IntegerField(default=1, verbose_name='总馆藏量') available_copies = models.IntegerField(default=1, verbose_name='可借数量') summary = models.TextField(blank=True, verbose_name='内容简介') cover = models.ImageField(upload_to='covers/', blank=True, null=True, verbose_name='封面') tags = models.CharField(max_length=200, blank=True, verbose_name='标签，逗号分隔') created_at = models.DateTimeField(auto_now_add=True) updated_at = models.DateTimeField(auto_now=True) class Meta: verbose_name = '图书' verbose_name_plural = '图书' indexes = [ models.Index(fields=['title']), models.Index(fields=['category']), ] def __str__(self): return self.title class BorrowRecord(models.Model): STATUS_CHOICES = ( ('borrowed', '借出'), ('returned', '已还'), ('overdue', '逾期'), ('reserved', '预约中'), ) user = models.ForeignKey(User, on_delete=models.CASCADE, related_name='borrow_records', verbose_name='借阅人') book = models.ForeignKey(Book, on_delete=models.CASCADE, related_name='borrow_records', verbose_name='图书') borrow_date = models.DateField(auto_now_add=True, verbose_name='借书日期') due_date = models.DateField(verbose_name='应还日期') return_date = models.DateField(null=True, blank=True, verbose_name='实际归还日期') status = models.CharField(max_length=20, choices=STATUS_CHOICES, default='borrowed') renew_count = models.IntegerField(default=0, verbose_name='续借次数') class Meta: verbose_name = '借阅记录' verbose_name_plural = '借阅记录' ordering = ['-borrow_date']

关于数据模型，几个经验想重点强调一下：

• available_copies（可借数量）和total_copies（总馆藏）分开存，这样管理端看库存一目了然。每次借书时把available_copies减一，还书时加一，逻辑上很简单，但要注意用事务保证并发安全。
• 借阅记录不要只存“借出/已还”两个状态，建议把“逾期”“预约”也放进来。有了逾期状态，统计分析时才能算“逾期率”这类指标，展示内容会更丰富。
• tags字段用逗号分隔维护简单，但查询时稍微麻烦点。我的建议是把它保留成展示字段，真正用于大模型推荐时，可以再配合分类和借阅历史一起做拼接，效果更好。

3. 核心业务功能实现

3.1 图书检索与筛选

图书检索是用户最常用的入口，做不好整个系统体验就直接垮掉。Django的ORM在复杂查询上很方便，建议检索条件至少覆盖：书名模糊查询、作者模糊查询、ISBN精确匹配、分类筛选、出版社筛选。这里我推荐用一个QuerySet链式过滤的方法来实现，代码结构很清晰：

from django.db.models import Q def search_books(request): keyword = request.GET.get('keyword', '') category_id = request.GET.get('category', '') publisher = request.GET.get('publisher', '') sort_by = request.GET.get('sort', 'default') books = Book.objects.all() if keyword: books = books.filter( Q(title__icontains=keyword) | Q(author__icontains=keyword) | Q(isbn__icontains=keyword) ) if category_id: books = books.filter(category_id=category_id) if publisher: books = books.filter(publisher__icontains=publisher) # 排序选项 if sort_by == 'newest': books = books.order_by('-created_at') elif sort_by == 'popular': books = books.annotate( borrow_count=Count('borrow_records') ).order_by('-borrow_count') elif sort_by == 'available': books = books.order_by('-available_copies') return books

这里有几个提升体验的小细节：

• icontains实现的是不区分大小写的包含匹配，中文场景下就是模糊匹配，和SQL里的LIKE '%keyword%'一个效果。
• popular排序用了annotate+Count做子查询聚合，统计每本书的借阅次数并排序。这个方法非常常用，务必掌握。
• 如果图书量特别大（比如后期导入了上万条数据），可以考虑用django-haystack+ 全文检索引擎，但这类内容容易让毕设展开过大。所以我一般建议数据量别搞太大，几千条足够支撑全部功能演示了。

3.2 借书/还书/续借/预约流程

这个模块是整个系统的业务核心，也是最容易暴露逻辑漏洞的地方。核心流程如下：

from django.db import transaction from django.utils import timezone from datetime import timedelta class BorrowService: @staticmethod @transaction.atomic def borrow_book(user, book_id): """借书流程""" try: book = Book.objects.select_for_update().get(pk=book_id) except Book.DoesNotExist: raise ValueError('图书不存在') if book.available_copies <= 0: raise ValueError('该书暂时无可借副本') # 检查该用户是否已有未归还的相同图书 existing = BorrowRecord.objects.filter( user=user, book=book, status='borrowed' ).exists() if existing: raise ValueError('你已借过这本书，请先归还') # 借阅期限默认30天 due_date = timezone.now().date() + timedelta(days=30) BorrowRecord.objects.create( user=user, book=book, due_date=due_date, status='borrowed' ) book.available_copies -= 1 book.save(update_fields=['available_copies']) return True @staticmethod @transaction.atomic def return_book(record_id): """还书流程""" record = BorrowRecord.objects.select_for_update().get(pk=record_id) if record.status == 'returned': raise ValueError('该记录已经还过了') book = record.book record.status = 'returned' record.return_date = timezone.now().date() record.save() book.available_copies += 1 book.save(update_fields=['available_copies']) return record

借书环节有三个关键点需要特别留意：

• select_for_update()配合transaction.atomic是并发安全的保证。两个读者同时借同一本只剩一册的书时，不加锁会出现超借问题。这个知识点在答辩时被评委问到的概率很高，建议主动讲出来。
• 用户没还书之前不能重复借同一本书，这个限制逻辑上很合理，也符合图书馆的真实规则。有些同学忘了加这个条件，系统就很容易出现“一个人霸占同一本书十几条记录”的怪象。
• 还书时要记得把available_copies加回去，这行代码丢了，数值就对不上了。

预约功能可以根据你时间决定做不做。如果做，思路是：当所有副本都被借出时，用户可以选择预约，等有人还书后系统按照预约顺序通知或自动分配。对毕设来说这个功能加分明显，但也会多出一套状态流转逻辑，我的看法是：如果主体功能已经完成，可以做；如果时间紧张，先把基础功能做稳再谈扩展。

3.3 Django Admin后台定制

Django自带的Admin非常适合用来做管理端后台，做一些简单的定制就能达到很专业的展示效果：

@admin.register(Book) class BookAdmin(admin.ModelAdmin): list_display = ('title', 'author', 'publisher', 'category', 'total_copies', 'available_copies') list_filter = ('category', 'publisher', 'publish_date') search_fields = ('title', 'author', 'isbn') list_per_page = 20 ordering = ('-created_at',) date_hierarchy = 'publish_date' # 自动生成slug或处理封面这样的字段可以用readonly_fields readonly_fields = ('created_at', 'updated_at') fieldsets = ( ('基本信息', { 'fields': ('isbn', 'title', 'author', 'publisher', 'publish_date') }), ('馆藏信息', { 'fields': ('category', 'price', 'total_copies', 'available_copies') }), ('内容与展示', { 'fields': ('summary', 'cover', 'tags') }), )

Admin定制里最有性价比的是list_filter和search_fields，管理图书时筛选、查找效率高很多。fieldsets可以让编辑页面的信息分组展示，看起来跟正式的图书管理后台没什么区别，工作量却很小。

4. 数据分析与可视化模块

4.1 统计口径与数据聚合方案

可视化模块的关键不是你会不会用图表库，而是“数据要从哪里来、统计口径怎么定”。我建议从下面这几个维度入手：

• 馆藏分布：总藏书量、按分类统计的数量占比、出版社TOP10
• 借阅趋势：按月统计借书量，折线图展示高峰低谷
• 热门图书：总借阅次数TOP10榜单，柱状图
• 读者活跃度：借阅量TOP10读者，展示活跃用户画像
• 逾期分析：逾期最多的几本书/几个分类，用于管理决策参考

具体实现上，聚合逻辑可以放在Django视图里用ORM的聚合函数搞定，也可以先同步到pandas再统计。我个人的做法是：

• 日常展示用ORM聚合，性能足够；
• 需要导Excel报表时，用pandas处理之后再输出。

ORM聚合代码示例：

from django.db.models import Count, Sum, Q, F from datetime import datetime, timedelta def get_category_distribution(): """各分类图书数量分布""" return Category.objects.annotate( book_count=Count('book') ).filter(book_count__gt=0).values('name', 'book_count') def get_borrow_trend(months=12): """近12个月借阅趋势""" end_date = datetime.now().date() start_date = end_date - timedelta(days=30 * months) records = BorrowRecord.objects.filter( borrow_date__gte=start_date, borrow_date__lte=end_date ).values('borrow_date').annotate( count=Count('id') ).order_by('borrow_date') return records def get_hot_books(limit=10): """热门图书Top10""" return Book.objects.annotate( borrow_count=Count('borrow_records') ).order_by('-borrow_count')[:limit]

这些聚合结果返回的是字典列表，可以直接通过JSONResponse输出给前端图表组件。要注意的是，BorrowRecord的字段设计里borrow_date是日期字段，按月统计时最好在Python侧做一次格式化，或者直接在SQL里用TruncMonth：

from django.db.models.functions import TruncMonth def get_monthly_borrow_trend(): return BorrowRecord.objects.annotate( month=TruncMonth('borrow_date') ).values('month').annotate( total=Count('id') ).order_by('month')

TruncMonth是Django内置函数，直接把日期截断到月份再分组，比在Python里手工聚合要规范得多。数据量大时会因为索引和使用函数导致查询慢的问题，不过毕设数据量完全不用担心。

4.2 仪表盘前端设计（ECharts）

前端可视化推荐用ECharts。原因很简单：文档齐全、中文社区活跃、图表类型丰富，而且你只需要在Django模板里引入CDN即可，不用折腾Webpack那一套。

仪表盘页面建议用网格卡片布局，典型结构如下：

<div class="dashboard-container"> <div class="stat-cards"> <div class="card"> <h4>总藏书量</h4> <p id="totalBooks">-</p> </div> <div class="card"> <h4>当前借出</h4> <p id="borrowedCount">-</p> </div> <div class="card"> <h4>注册读者</h4> <p id="readerCount">-</p> </div> <div class="card"> <h4>本月借阅量</h4> <p id="monthlyBorrow">-</p> </div> </div> <div class="chart-row"> <div id="categoryChart" style="height: 400px;"></div> <div id="trendChart" style="height: 400px;"></div> </div> </div>

对应统计数据的JSON接口：

def dashboard_data(request): total_books = Book.objects.count() borrowed_count = BorrowRecord.objects.filter(status='borrowed').count() reader_count = User.objects.filter(role='reader').count() current_month = datetime.now().replace(day=1) monthly_borrow = BorrowRecord.objects.filter( borrow_date__gte=current_month ).count() data = { 'total_books': total_books, 'borrowed_count': borrowed_count, 'reader_count': reader_count, 'monthly_borrow': monthly_borrow, 'category_distribution': list(get_category_distribution()), 'borrow_trend': list(get_monthly_borrow_trend()), } return JsonResponse(data)

前端通过fetch获取数据，再调用echarts.init渲染对应图表。注意图表容器初始化时如果隐藏或宽度为0，ECharts会渲染出空白图，解决方案是等DOM完全加载、容器有明确尺寸后再执行渲染。如果图表的容器在Tab页里，就得在Tab切换事件里重新调用chart.resize()。

4.3 数据导出为Excel

答辩时拿出一份实打实的Excel统计报表，观感非常好。用pandas实现非常直接：

import pandas as pd def export_books_report(request): books = Book.objects.all().values( 'isbn', 'title', 'author', 'publisher', 'category__name', 'total_copies', 'available_copies', 'price' ) df = pd.DataFrame.from_records(books) df.columns = ['ISBN', '书名', '作者', '出版社', '分类', '总馆藏', '可借数量', '定价'] response = HttpResponse(content_type='application/vnd.ms-excel') response['Content-Disposition'] = 'attachment; filename="books_report.xlsx"' df.to_excel(response, index=False, engine='openpyxl') return response

导出Excel这类功能，本质上就是“从Django ORM拿数据 → 转成DataFrame → 输出到文件流”。我会在“常见问题”部分再提醒一个Excel导出时很容易踩的坑。

5. 大模型集成：用DeepSeek给系统赋予智能能力

5.1 为什么要用API而不是自己部署模型

看到“机器学习大模型”这个标题，有些同学的第一反应是自己用Transformers微调一个模型。这个思路我必须泼点冷水：毕业设计阶段，自己从零训练一个大模型既没有算力支撑，也没有足够的标注数据，更没必要。更合理的做法是调用成熟的大模型API（DeepSeek就是一个很合适的选择），把精力放在应用场景的整合和Prompt设计上。这就像做地图应用不用自己发射卫星，而是调高德百度地图的API——重点是你能利用好这个能力做出什么产品。

基于DeepSeek API，我建议做这三个方向的功能。

5.2 智能图书推荐：基于借阅历史的个性化书单

传统的推荐算法往往是协同过滤或者标签匹配，自己实现一套效果不稳定，答辩解释也费劲。用大模型来做推荐，核心思路是：把用户的历史借阅信息和图书库中的候选书拼接进Prompt，让模型帮我们选出最合适的几本。

import requests import os from dotenv import load_dotenv load_dotenv() DEEPSEEK_API_KEY = os.getenv('DEEPSEEK_API_KEY') DEEPSEEK_API_URL = "https://api.deepseek.com/chat/completions" def build_recommend_prompt(user_borrow_history, candidate_books): history_str = "、".join([f"{b.title}（分类：{b.category.name}）" for b in user_borrow_history]) candidate_str = "\n".join([ f"- {book.title}（{book.author}，分类：{book.category.name}，简介：{book.summary[:50]}）" for book in candidate_books ]) prompt = f""" 你是一名专业的图书推荐专家。请根据用户的借阅历史和候选书单，为用户推荐最合适的5本书。 要求： 1. 推荐理由必须结合用户的阅读偏好，每本书用一句话说明推荐理由； 2. 优先推荐与用户历史阅读内容相关、但又不重复的类型； 3. 输出格式为JSON数组，每个元素包含 title 和 reason 两个字段。 用户借阅历史： {history_str} 候选图书列表： {candidate_str} """ return prompt def ai_recommend_books(user, top_n=8): history = BorrowRecord.objects.filter( user=user, status='returned' ).select_related('book').values_list('book', flat=True)[:10] borrowed_books = Book.objects.filter(borrow_records__user=user) # 排除借过的书，从热门+同类中取候选 candidates = Book.objects.exclude(id__in=borrowed_books).order_by( '-borrow_records__count' )[:top_n] prompt = build_recommend_prompt(history, candidates) result = call_deepseek(prompt) return parse_recommend_result(result)

这段代码里主要的逻辑基本都在Prompt构造上。你不需要训练模型、不需要学习复杂的推荐算法，只需要把数据准备好、把Prompt写得清晰有条理，就能得到一个体验相当不错的智能推荐功能。

5.3 自然语言数据问答

这个功能是答辩现场最抓眼球的一个。用户在输入框里输入“上个月借阅量最多的图书分类是什么？”或者“哪个出版社的馆藏最多？”，后台调用大模型把自然语言翻译成SQL查询，或者直接让模型输出结构化查询条件，再执行得到结果后生成自然语言回复。

我推荐的做法是让模型输出JSON格式的结构化条件，而不是直接生成SQL。原因很好理解：让大模型直接拼SQL有注入风险，而且在复杂聚合下容易生成语法错误；用JSON条件更可控、更安全。

def ai_data_query(request): user_question = request.POST.get('question') sys_prompt = """ 你是一个图书管理系统数据分析助手。请将用户的问题解析为结构化的查询条件，输出JSON。 可选字段：category_name(分类名), publisher(出版社), month_range(月份范围)，metric(统计指标)，top_n(排名数量)。 统计指标只能从以下选择：borrow_count(借阅次数), book_count(图书数量), overdue_count(逾期次数)。 JSON示例：{"category_name": "计算机", "metric": "borrow_count", "month_range": "最近3个月"} """ user_prompt = f"用户问题：{user_question}" json_response = call_deepseek_with_system_prompt(sys_prompt, user_prompt) query_condition = json.loads(json_response) # 根据结构化条件执行ORM查询 result = execute_condition_query(query_condition) answer_prompt = f"用户的问题是：{user_question}，查询结果是：{result}。请用一句简洁的中文回答用户。" final_answer = call_deepseek(answer_prompt) return JsonResponse({'answer': final_answer})

一个每天刷借阅数据的系统，配合一个能直接“对话”的入口，展示效果和数据洞察深度都是压倒性的。

5.4 大模型调用的封装与性能优化

调用大模型API有一个问题：网络请求耗时长（通常1-5秒），用户等太久体验会很差。我建议用缓存和异步任务优化：

from django.core.cache import cache import hashlib import json def call_deepseek(prompt, use_cache=True): if use_cache: cache_key = hashlib.md5(prompt.encode('utf-8')).hexdigest() cached = cache.get(cache_key) if cached: return cached response = requests.post( DEEPSEEK_API_URL, headers={ 'Authorization': f'Bearer {DEEPSEEK_API_KEY}', 'Content-Type': 'application/json' }, json={ 'model': 'deepseek-chat', 'messages': [ {'role': 'system', 'content': '你是一个有用的助手'}, {'role': 'user', 'content': prompt} ], 'temperature': 0.3, 'max_tokens': 500, 'response_format': {'type': 'json_object'} }, timeout=30 ) if response.status_code == 200: data = response.json() content = data['choices'][0]['message']['content'] if use_cache: cache.set(cache_key, content, timeout=3600) return content else: raise Exception(f"DeepSeek API请求失败: {response.status_code} - {response.text}")

这里有几个调参经验：

• temperature设成0.2~0.3比较合适。推荐和问答场景都偏向确定性的输出，温度过高会出现“答非所问”或推荐理由编得天花乱坠的情况。
• response_format设为json_object是DeepSeek API支持的参数，强制模型返回JSON格式。这个对后续解析结果特别有用，强烈建议开启。
• 缓存时间建议设置为3600秒，即1小时内同样的问题不需要重复调API，能省成本也能提升响应速度。深度测试时我发现很多用户会反复问类似的问题，缓存命中率相当可观。
• max_tokens要根据具体场景调整：图书推荐输出5本书+理由大概需要300~500 tokens，数据问答的回答可以短一些，200~300就够。token过长一方面等待时间长，另一方面费用也会增加。

关于触发流式输出（stream），个人经验是：毕业设计里不建议为了“看起来更酷”去搞SSE流式，它会让前端和异步处理的复杂度明显上升，而答辩时你更希望的是快速稳定地展示功能。直接一次性返回完整结果，简单又可靠。

6. 部署与常见问题排查实录

6.1 本地环境常见坑

这一节全部是真实踩过的坑，挑重点说。

数据库迁移时提示django.db.utils.OperationalError: no such table：多半是忘记先makemigrations再migrate了。正确顺序是：先改models.py，然后python manage.py makemigrations，确认生成的迁移文件没问题，再python manage.py migrate。我见过有些同学直接migrate就跑，结果表根本没建出来。

静态文件404：Django默认DEBUG=True时由开发服务器托管静态文件，但如果STATICFILES_DIRS配置不对，或者模板里没有加{% load static %}，所有css/js都会白屏。生产环境部署时还要先跑python manage.py collectstatic把所有静态文件收集到STATIC_ROOT。

上传图片后页面不显示：图片上传到MEDIA_ROOT之后，Django开发环境要访问MEDIA_URL，需要在urls.py里加一个路由：

from django.conf import settings from django.conf.urls.static import static urlpatterns = [ # ... 你的路由 ] if settings.DEBUG: urlpatterns += static(settings.MEDIA_URL, document_root=settings.MEDIA_ROOT)

不配这段代码的话，上传的封面和头像永远显示不出来。

Excel导出中文字符乱码：如果导出的是CSV格式，需要写入\ufeff（BOM标记），Excel才能正确识别UTF-8编码。用pandas输出Excel（.xlsx格式）没有这个乱码问题，但如果你导出csv，请务必加上response.write('\ufeff')再输出DataFrame内容。

DeepSeek API调用非常慢甚至超时：先检查网络环境能否正常访问API域名；其次确认Prompt里没有让模型干太重的活（比如要求一次输出2000字）；最后确认timeout设置充分，建议30秒而不是默认的几秒钟。

6.2 JsonResponse序列化时报错

Django自带的JsonResponse默认不支持序列化date、Decimal这些类型。你聚合出来的数据里带日期、价格字段时，直接传进去会报TypeError: Object of type date is not JSON serializable。解决方法是自定义一个JSON编码器：

from django.core.serializers.json import DjangoJSONEncoder from django.http import JsonResponse def json_response(data): return JsonResponse(data, encoder=DjangoJSONEncoder, safe=False)

DjangoJSONEncoder会帮忙处理date、datetime、Decimal和UUID这些常见类型，比自己手写解析省心太多。

6.3 答辩演示的关键准备

答辩时的演示流程直接影响评委对系统完成度的判断。我建议按下面的顺序来展示：

• 先跑一遍仪表盘，把图表和数据总览展示出来，让评委第一时间看到系统的工作量；
• 演示借书→还书→续借的完整业务流程，过程中顺手展示“可借数量”的变化；
• 演示可视化模块的筛选功能，比如切换分类看柱状图变化；
• 如果做了大模型推荐功能，最后一个演示，现场输入一个个性化问题让AI回答，效果最炸裂；
• 准备好一台流畅运行的电脑，预先搭好本地环境，保证网络通畅。绝不能把演示寄托在现场Wi-Fi上——API调用如果断网就当场翻车。

6.4 给整个项目继续加分的几个方向

如果想继续往上拔高，还有下面几条路可以走（但要评估时间成本）：

• 引入Celery做异步任务队列，把大模型API请求、Excel导出这类耗时操作变成后台任务，用户点击后不需要长时间等待。
• 用Redis做缓存和排行榜，大数据场景下系统响应会更快，这也更贴近“大数据”标签。
• 做一个读者画像模块，基于借阅记录用聚类算法分类读者群体（比如“技术爱好者”“文学青年”），再结合大模型生成画像描述。
• 把前端从模板换成一个前端工程（Vue或React），通过API对接Django后端，这种前后端分离的结构在很多评委眼里认可度更高。

我个人在实际操作中的体会是：毕业设计真正拉开差距的地方，从来不是堆了多少框架，而是你能不能在一个明确的场景里把数据流跑通、把业务讲清楚、把一个亮点做深。图书管理系统作为经典选题，基础功能大家都会做，数据可视化让系统有“看头”，大模型集成让系统有“说头”。把这三点做扎实，你的答辩就不会是平平淡淡的念PPT，而是真正能拿出产品思维和技术深度来讲一段完整的故事。

最后再分享一个小技巧：答辩前把系统里所有统计数字和图表的数据来源都问自己一遍“这个数是怎么算出来的”，能在脑子里把每一张图的SQL/ORM查询流程完整复述出来。这个准备比背十页演示文稿都管用。评委只要深挖一层，你能接住，这分就跑不了。