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。
- DDeepSeek-V3.1-BaseDeepSeek-V3.1 是一款支持思考模式与非思考模式的混合模型Python00
- QQwen-Image-Edit基于200亿参数Qwen-Image构建,Qwen-Image-Edit实现精准文本渲染与图像编辑,融合语义与外观控制能力Jinja00
GitCode-文心大模型-智源研究院AI应用开发大赛
GitCode&文心大模型&智源研究院强强联合,发起的AI应用开发大赛;总奖池8W,单人最高可得价值3W奖励。快来参加吧~042CommonUtilLibrary
快速开发工具类收集,史上最全的开发工具类,欢迎Follow、Fork、StarJava04GitCode百大开源项目
GitCode百大计划旨在表彰GitCode平台上积极推动项目社区化,拥有广泛影响力的G-Star项目,入选项目不仅代表了GitCode开源生态的蓬勃发展,也反映了当下开源行业的发展趋势。06GOT-OCR-2.0-hf
阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00openHiTLS
旨在打造算法先进、性能卓越、高效敏捷、安全可靠的密码套件,通过轻量级、可剪裁的软件技术架构满足各行业不同场景的多样化要求,让密码技术应用更简单,同时探索后量子等先进算法创新实践,构建密码前沿技术底座!C0299- WWan2.2-S2V-14B【Wan2.2 全新发布|更强画质,更快生成】新一代视频生成模型 Wan2.2,创新采用MoE架构,实现电影级美学与复杂运动控制,支持720P高清文本/图像生成视频,消费级显卡即可流畅运行,性能达业界领先水平Python00
- GGLM-4.5-AirGLM-4.5 系列模型是专为智能体设计的基础模型。GLM-4.5拥有 3550 亿总参数量,其中 320 亿活跃参数;GLM-4.5-Air采用更紧凑的设计,拥有 1060 亿总参数量,其中 120 亿活跃参数。GLM-4.5模型统一了推理、编码和智能体能力,以满足智能体应用的复杂需求Jinja00
Yi-Coder
Yi Coder 编程模型,小而强大的编程助手HTML013
热门内容推荐
最新内容推荐
项目优选









