Oppia项目中故事章节必备技能显示问题的分析与修复
问题背景
在开源在线学习平台Oppia中,管理员在编辑故事章节时遇到了一个显示问题:当某个必备技能(prerequisite skill)已经被分配到其他主题(topic)时,在编辑器中该技能描述会显示为空白。这个问题影响了管理员对故事章节必备技能的识别和管理。
问题现象
具体表现为:
- 在故事章节编辑页面添加必备技能
- 保存草稿后刷新页面
- 已添加的必备技能描述不显示,仅显示空白
技术分析
经过深入分析,发现问题根源在于前端组件使用了错误的技能数据源。当前实现存在以下关键问题:
-
错误的数据源:代码中使用了
skillSummaries数组来构建技能ID与描述的映射,但这个数组实际上包含的是主题本身的必备技能和诊断测试技能,而非当前故事章节的必备技能。 -
正确的数据路径:实际需要的数据位于
storyObj.story_contents.nodes[0].prerequisite_skill_ids路径下。 -
已有但未使用的功能:系统中已经存在一个
getPrerequisiteSkillsDescription()函数,它能够正确处理必备技能的获取和映射,但未被调用。
解决方案
修复方案包括以下步骤:
-
获取当前节点:首先需要识别用户正在编辑的具体故事节点。
-
使用正确的技能ID集合:通过
this.story.getStoryContents().getNodes()[0].getPrerequisiteSkillIds()获取正确的必备技能ID列表。 -
构建技能描述映射:利用现有的
getPrerequisiteSkillsDescription()函数,通过技能后端API获取技能描述并构建映射关系。 -
扩展修复范围:类似的问题也存在于"已获得技能"(acquired skills)的显示中,采用相同的修复思路一并解决。
实现细节
核心修复涉及修改core/templates/pages/story-editor-page/editor-tab/story-node-editor.component.html文件中的逻辑:
// 替换原有的错误实现
for (let idx in skillSummaries) {
this.skillIdToSummaryMap[skillSummaries[idx].id] =
skillSummaries[idx].description;
}
// 使用正确的函数
this.getPrerequisiteSkillsDescription();
测试验证
修复后进行了全面测试,验证内容包括:
- 添加已被其他主题使用的必备技能
- 保存草稿后刷新页面
- 确认技能描述正常显示
- 验证"已获得技能"同样修复正常
测试结果表明,修复后系统能够正确显示所有必备技能和已获得技能的描述,无论这些技能是否已被分配到其他主题。
总结
这个问题的解决不仅修复了功能缺陷,还提高了代码的健壮性。通过重用已有但未被充分利用的函数,避免了重复代码的产生,同时也为类似的数据显示问题提供了参考解决方案。修复后的系统为管理员提供了更可靠的故事章节编辑体验。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00