AICodeMentor : L'IA au service de l'enseignement du code

---

Fonctionnalités Majeures

Espace Enseignant (Génération IA)

• Prompt-to-Exercise : Génération complète (énoncé, signature, solution, tests JUnit 5) via Qwen 2.5.
• Classification Intelligente : Détermination automatique du niveau (L1 à M2) et des concepts clés (Boucles, Récursivité, POO).
• Validation & Itération : Système de révision des propositions de l'IA avant publication.

Espace Étudiant (Apprentissage)

• Éditeur Intégré : Intégration de Monaco Editor (moteur de VS Code) pour une expérience de dev native.
• Feedback Immédiat : Exécution des tests unitaires en arrière-plan et retour d'erreur masqué.
• Indices Dynamiques : En cas d'échec, un LLM analyse le code pour fournir des indices personnalisés sans donner la solution.

---

Architecture & Stack Technique

Ce projet utilise les dernières avancées de l'écosystème Java et Web :

• Backend : Java 25 & Spring Boot 3.5.5 (Spring 6).
  • Virtual Threads : Optimisation des performances serveur via les threads virtuels (Project Loom).
  • Data : Persistance via SQLite JDBC (Base embarquée) et accès direct via JDBC.
  • API REST : Utilisation de Java Records pour une sérialisation immuable avec Jackson 2.20.
• Frontend : Angular 20.2 & Bootstrap 5.3.
  • Intégration de l'éditeur de code Monaco.
• Qualité : Analyse statique de code via SpotBugs 4.9.
• LLM : Intégration locale/API de Qwen Coder 2.5.

---

Automatisation & DevOps

Le projet utilise un cycle de build Maven hautement automatisé pour garantir une installation "Zero Configuration" :

• IA-as-a-Resource : Téléchargement automatique du modèle LLM (Qwen 2.5 Coder 7B) depuis HuggingFace avec validation d'intégrité SHA-256 durant la phase de génération des ressources.
• Conteneurisation Native : Build automatique de l'image Docker java-sandbox lors de l'initialisation, garantissant que l'environnement d'exécution des tests étudiants est toujours prêt et isolé.
• Compilation Fullstack : Pipeline unifié utilisant frontend-maven-plugin pour builder l'application Angular 20 et l'intégrer nativement dans le serveur Spring Boot.
• Qualité de Code : Analyse statique stricte avec SpotBugs et compilation Java 25 avec flags --enable-preview.

Focus Architecture : Sécurité & Performance

• IA Locale : Intégration de Qwen 2.5 via des liaisons natives (JNI/Llama.cpp), permettant une génération d'exercices sans dépendance à une API tierce coûteuse ou lente.
• Sandbox d'Exécution : Utilisation de Docker pour isoler l'exécution du code soumis par les étudiants, garantissant la sécurité du système hôte contre l'exécution de code malveillant.
• Haute Disponibilité : Implémentation des Virtual Threads (Java 25) pour gérer les entrées/sorties bloquantes (appels LLM, accès DB SQLite, exécution Docker) sans saturer le pool de threads serveur.

Spécificités de l'implémentation

• Build Unique : Monorepo géré par Maven regroupant le Front et le Back.
• Zéro CORS : Configuration optimisée pour servir le frontend et l'API depuis la même origine.

---

Installation & Lancement Rapide

Grâce à l'automatisation Maven, le projet est prêt en deux étapes :

1. Prérequis :

JDK 25 (avec support des preview features). Docker installé et démarré (pour la sandbox d'exécution). Internet (pour le téléchargement initial du modèle LLM).

2. Lancer l'application :

# Clone du projet
git clone https://github.com/ton-pseudo/AICodeMentor.git
cd AICodeMentor

# Build complet (Front + Back + Download LLM + Docker image)
./mvnw clean install

# Lancement du serveur
./mvnw spring-boot:run

L'application sera accessible sur http://localhost:8080.

Développé avec IntelliJ IDEA - Projet universitaire de M1 Développeurs : Mathieu Jaunet & Kevin Thai