纯大模型算不准相似度，他把数学交给TensorFlow

校友管理工具只有两个极端：要么是个静态通讯录，基础得不能再基础；要么是企业级ERP，复杂到没人愿意碰。大多数高校和校友网络至今还在用电子表格管分会、追踪内推、核验资质。中间地带是空的。

于是有人自己动手做了AlumIQ，一个把实时社区互动、生成式AI和神经匹配塞进同一套系统的全栈校友智能平台。整个拆解从技术栈开始。

技术栈一览

• 前端：React、Vite、Tailwind CSS v4
• 后端：Node.js、Express
• 数据库：MongoDB、Mongoose
• 实时通信：Socket.io
• AI层：Groq LLM、OpenAI GPT OSS 120B
• 神经匹配：TensorFlow.js Universal Sentence Encoder
• 图片上传：Cloudinary 加 Multer
• 邮件与验证码：Nodemailer
• 缓存与去重：Redis、ioredis
• 认证：JWT、bcryptjs、OTP

十个核心模块

仪表盘用MongoDB聚合管道实时拉取数据，KPI卡片展示校友总数、在招职位、即将开始的活动、分会数量和已认证校友。

认证模块覆盖注册、登录、邮箱验证码、双因素认证和密码重置。JWT采用访问令牌加刷新令牌，前端有一个会话感知的Axios拦截器，令牌过期就自动登出。

校友管理支持完整增删改查，包含技能信息和自动填充的地理坐标。管理员可以并排对比最多4位校友，安排重新认证，执行批量操作。

分会中心按地区和行业划分，带加入申请、成员审批和联合管理员指派。里面有讨论板、Cloudinary图库上传，还有一张基于Leaflet的全球分会热力图。

职位板同样支持完整增删改查，并用Redis做去重系统来追踪唯一浏览量，防止用户人为刷高数字。申请人可以收藏和保存职位。

活动管理可创建线上或线下活动，管理带候补名单的报名，以及现场签到。报名流程由Socket.io驱动，一个用户报名时，页面上所有人看到的出席人数会立刻更新。

导师中心管理导师与学员的会话，包含反馈评分、行动项和目标追踪。

贡献追踪记录校友的回馈行为——导师辅导、招聘、捐赠等，提供按类型划分的可视化拆解，以及一段AI生成的经济影响叙述。

认证中心核验校友的学历、任职和身份，使用不可篡改的审计日志。记录不匹配时，系统会标记为“审核中”而不是自动封禁，让管理员人工复核并填写拒绝原因。

目录中心是中央指挥台，带关注列表固定功能，还有24小时时间轴滑块用于实时活动回放、敏感区域、高价值校友集群，以及一条30天预测带。

生成式AI与神经层

每个模块都有专属的AI服务，由Groq LLM驱动。但作者没有只依赖提示词工程，而是把它和TensorFlow Universal Sentence Encoder的512维嵌入结合起来。

校友AI负责写简介、推荐行业、推荐技能、做匹配和职业路径建议；分会AI写描述、生成活动点子、给增长建议、写回顾；职位AI写JD、给薪资建议、做匹配、分析市场趋势和重叠检测；活动AI写描述和邀请函、给日程建议；导师AI写导师简介、做匹配、写议程和会话总结；认证AI解释监管要求、叙述拒绝理由、给批量评级依据；贡献与目录AI负责解释网络、讲行业故事、给敏感度建议。

混合AI的做法是这样的：做校友、职位、导师匹配时，先用TensorFlow计算文本嵌入之间的余弦相似度，找出数学上最相似的那批档案；再把这些预筛过的候选交给Groq LLM，让它解释为什么匹配，并生成外联策略。

几个关键工程决策

每条AI提示词都强制LLM返回合法JSON，避免解析错误和界面崩坏。AI有时会返回“N/A”或一个连字符这类占位值，一个清理助手会在数据到达前端之前把它们洗掉。每次AI响应之后，数组都会被过滤掉无效值——生成加清理，才是可靠的模式。

职位模块用Redis加1小时TTL做浏览去重，防止虚假浏览量膨胀；Redis挂了，应用会优雅降级。活动模块的Socket.io按房间广播，客户端加入特定房间，而不是把报名更新推给所有人，带宽因此压得很低。头像不存本地磁盘，而是用Multer内存存储把缓冲区直接流到Cloudinary。

安全架构

JWT访问令牌加刷新令牌；6位邮箱验证码1分钟过期，登录前必须完成；可选的双因素认证走邮箱验证码；密码重置通过验证码加一个短时效的专用JWT。全局限流每15分钟500次请求，认证端点每15分钟50次。Helmet.js处理HTTP头，CORS带凭证，bcrypt以10轮盐值哈希密码，认证操作写入不可篡改的审计日志。

踩过的坑

第一个是认证流程的边界情况：中间件必须保证过期或畸形的JWT不会直接让应用崩溃，而是返回特定错误码，前端Axios拦截器监听这些码来干净地处理跳转。

第二个是认证数据完整性：校友的雇主记录不匹配时不能自动封禁，状态要流转到“审核中”。Mongoose schema里内置了审计日志数组，记录每一个动作、操作的管理员和时间戳，形成一条“信任但验证”的透明轨迹。

第三个是AI匹配的可靠性。纯LLM不擅长数学，无法可靠地找出最相似的档案。把数学负担交给TensorFlow嵌入、把推理负担交给Groq之后，匹配系统既准确又可解释。

第四个是多角色权限：管理员和普通用户需要不同访问级别，用一个保护中间件校验JWT有效性，再加一个自定义角色检查中间件，确保只有管理员能访问特定端点。

接下来要做什么

作者正在给AlumIQ加基于语音的AI命令，目标是让管理员直接说“给John和Sarah生成一份聚焦系统设计的导师议程”，AI自动填好表单。其他计划包括用Socket.io做实时校友聊天、用React Native做移动应用，以及面向校友捐赠的高级预测分析。

最后两条经验：可靠性比聪明更重要，一个简单的JSON模式加清理逻辑，胜过一个偶尔失败的复杂提示词；实时功能需要仔细的架构设计，向所有客户端广播会拖垮性能，按房间订阅才是正路。