今天集中搞了 MFS 学生管理系统的两件大事：数据库重构和学习建议引擎。
一、数据库重构
把整个数据底层翻了一遍：
- 学号：纯数字
0101→ S前缀S0101 - 分数体系：语数英满分150原始分，物化政满分100原始分 + API层赋分制（40-70），总分660
- 成绩波动模型：用「能力值 × 考试难度系数 + 噪声」替代原来的线性均匀分布，让数据更真实（比如月考难全班低分但排名不变）
- 各科中心值：语文100、数学英语120、物理化学80、政治60
- 老师：6人 → 18人（每科3人，每人教4班）
赋分引擎写在 score_service.py 里，按年级百分位实时计算，不改数据库结构。前端成绩明细同时展示原始分和赋分值。
二、学习建议引擎
从零搭了一个十维度的个性化学习决策引擎，参考了猿辅导、学而思、科大讯飞AI学习机的思路。4步迭代完成：
| Step | 内容 |
|---|---|
| 1 | 提分ROI分数区间分析 + 主科权重提示 |
| 2 | 木桶短板分析（单科严重 vs 多科偏低） |
| 3 | 综合学习重心建议（汇总决策段落） |
| 4 | 排名区间 + 波动稳定性 + 优势科保护 + 最近发挥 + 排名变化幅度 |
核心解决的问题：学生不应该盲目跟风突击某一科，而是根据历史数据理性判断投入产出比。比如小h英语一直低位，短期突破无效，系统会建议均衡发力争取总排名提升。
前端用 ECharts 做了各科分数趋势折线图、总排名趋势图、各科百分位雷达图，建议列表同科目自动归并，总建议加粗高亮。
三、技术栈
后端 Flask + MySQL，前端 Angular 20 + Material + ECharts。今天写了大概1100行 Python（score_service.py），新建了2个 Angular 组件，改了十几个文件。
明日预告
明天研究 Docker + Jenkins，搭建开发/测试/生产三套环境的 CI/CD 流水线。目标是让 MFS 从手动部署走向自动化。