我们从很多开发者实际会遇到的一个问题说起公司要做一次内部满意度调研学校要组织一场在线期中考试运营团队想收集用户反馈你第一时间想到的可能是问卷星、腾讯问卷这类在线服务。但问题随之而来——数据在别人服务器上、免费版功能受限、无法深度定制、更别提把系统和自己的账号体系打通。自己从零开发一套问卷系统工作量不算小前端要维护题型组件、拖拽排版、数据可视化后端要处理问卷状态机、答卷存储、统计报表还要考虑并发提交至少是两到三周的开发量。如果你想要的是“既能做问卷又能做考试还能刷题最好再支持 AI 自动出题”的一体化系统自研成本会更高。所以当看到 SurveyKing卷王这个开源项目时我的判断是它真正降低的是“私有化在线问卷与考试系统”的搭建门槛。它不是一个简单的表单工具而是把问卷调查、在线考试、题库刷题、AI 智能试卷整合到了一套系统里。本文会从功能拆解、环境准备、两种安装方式、实际使用流程、常见问题排查到生产环境建议完整带你跑通这套开源考试系统。如果你正在选型问卷系统、考试平台或者需要在自己服务器上部署一套安全可控的调研工具这篇文章可以直接作为操作手册。1. SurveyKing 解决了什么问题先给不熟悉这个项目的读者一个定位。SurveyKing 是一个开源的问卷/考试系统后端基于 Spring Boot前端基于 Vue 3数据库支持 MySQL 与 PostgreSQL另外依赖 Redis 做缓存和会话管理。从项目名称“卷王”就能看出它想覆盖的不仅仅是问卷而是整个“考试与测评”链路。它解决的核心问题有三类第一数据私有化。很多在线问卷平台免费版有答卷数量限制导出数据要收费而且问卷数据存在第三方服务器。SurveyKing 部署在自己服务器上数据完全可控适合企业内部调研、学校考试、政府机构测评等对数据安全有要求的场景。第二场景一体化。大多数开源表单系统只做“问卷收集”但考试场景还需要题库管理、随机组卷、自动阅卷、成绩导出。SurveyKing 把这些能力整合在一起减少了多套系统之间的数据同步成本。第三智能化成本。新版本加入的 AI 智能试卷功能可以通过大模型接口自动生成试题。传统做法是人工出题、校对、排版耗时很长。AI 出题不能说完全替代人工但可以显著缩短组卷的初稿时间这一点对老师、培训负责人来说非常实用。我用一张表格总结它适用的典型场景场景需求SurveyKing 的匹配度企业员工满意度调研匿名问卷、多维题型、结果统计高学校期中/期末考试随机组卷、在线答题、自动阅卷高在线培训考核题库刷题、模拟考试高产品用户反馈收集快速创建问卷、外部分享高智能出题辅助输入主题自动生成试题中高需要配置大模型接口不过也要说清楚边界。SurveyKing 不是商业级考试平台的替代品比如大规模视频监考的防作弊能力有限复杂考试流程如多阶段考试、人工阅卷复核流更多时候还是要靠业务系统配合。它更适合“中小规模、私有化部署、功能完整”的测评场景。2. 核心功能拆解从问卷收集到 AI 智能试卷下面把 SurveyKing 的功能拆开看。很多人容易被“开源问卷系统”这个定位带偏以为它只是另一款问卷星克隆实际上它的功能层次更丰富。2.1 问卷收集题型丰富支持逻辑跳转问卷模块是基础能力。创建问卷时除了单选、多选、填空、判断、简答这些常见题型还支持评分题、矩阵量表题、日期题、附件上传题等。这意味着它不只是简单的“表单收集器”也可以做 NPS 满意度调研、课程评价、心理量表这类相对复杂的测评问卷。问卷发布方式比较灵活可以生成链接分享到微信群/企微群也可以生成二维码线下去扫还能嵌入到已有的 Web 页面里。数据侧提供基础统计图表比如选项占比、答卷趋势原始数据支持导出成 Excel 做二次分析。个人认为问卷模块对绝大多数企业/学校场景已经够用。但要注意复杂问卷的“逻辑跳转”和“选项关联”属于进阶配置新手需要花一点时间理解规则。2.2 在线考试随机组卷与自动阅卷在线考试是 SurveyKing 差异于普通问卷系统的重点。这里有两个关键设计一是组卷策略。考试管理员可以在题库里按题型、难度、知识点等条件筛选试题也可以设置随机组卷规则。每份试卷的题目顺序、选项顺序可以乱序这能有效降低学生之间互相抄答案的概率。二是自动阅卷。客观题单选、多选、判断系统自动判分主观题简答、论述保留人工批改入口。考试结束后系统能生成成绩统计、分数分布、每道题的正确率这些数据对教学复盘很有价值。在线考试还支持设置考试时长、切屏提醒、限时交卷等功能。切屏提醒并不能完全达到商业监考系统的强度但如果你的场景是“课堂测验 单位内部培训考核”已经足够。2.3 题库刷题学习与考核闭环题库与刷题模块是我认为容易被低估的一部分。很多开源考试系统只做“考试”不关心考试之前的“练习”环节。SurveyKing 的题库功能让老师或管理员可以批量导入试题形成结构化题库然后学生可以在刷题模式下做练习系统记录答题历史与正确率。这个设计的好处是从“学”到“练”再到“考”形成闭环。教师可以分析学生的刷题数据了解哪些知识点掌握度低再针对性地组卷考试。2.4 AI 智能试卷大模型辅助出题AI 智能试卷是 SurveyKing 较新版本的功能亮点。简单说系统通过调用兼容 OpenAI 接口的大模型根据你输入的主题、题型、数量和难度要求自动生成一批试题并写入题库或试卷草稿。实际使用中AI 生成的结果不会完美到可以直接发布。题型可能不稳定个别题目表述有歧义答案也可能有错。更务实的用法是让 AI 生成初稿再由人工校对、修改、补充最后放入正式试卷。这种“人机协同出题”的方式在需要大量出题的场景里能节省非常多的时间。要启用 AI 智能试卷需要在系统配置里填入大模型 API 地址和 Key。因为走的是 OpenAI 兼容协议所以既可以配置商业模型也可以接入本地部署的模型服务具体取决于你的网络环境和算力条件。3. 环境准备与部署方式选型3.1 运行环境要求部署 SurveyKing 前先确认服务器环境满足条件。依赖版本建议说明JDK17 及以上后端项目基于 Spring BootJDK 版本过旧无法启动MySQL8.0 及以上也可以用 PostgreSQL本文以 MySQL 为例Redis6.x 及以上用于会话管理和缓存Docker20.10 及以上如果选择容器化部署需要安装 Docker 与 Compose操作系统Linux / Windows / macOS生产环境建议 Linux这里特别提醒JDK 17 是硬性门槛。如果你的服务器还停留在 JDK 8需要先升级。数据库方面MySQL 5.7 虽然也能安装但官方更推荐 8.0从兼容性和字符集处理上都更省心。3.2 两种部署方式怎么选SurveyKing 部署大致分两类Docker Compose 方式官方和社区都会提供容器编排文件一条命令同时拉起 MySQL、Redis、SurveyKing 三个容器。优点是环境隔离、启动快、迁移方便缺点是要求你懂一点 Docker 网络和数据卷持久化。jar 包本地部署从 Release 页面下载前后端打包好的 jar 包自己准备 MySQL 和 Redis使用java -jar启动。优点是对传统运维更直观缺点是要手动处理数据库初始化、Redis 连接、日志目录等步骤。如果你是在自己的 Linux 服务器或云主机上部署我建议优先选 Docker Compose它可以减少很多“本地环境差异导致启动失败”的坑。如果你是学习原理或排查问题想看清楚启动过程选 jar 包方式会更好。4. Docker Compose 一键部署推荐Docker Compose 部署的核心思路用一份docker-compose.yml定义三个服务分别是mysql、redis、surveyking。数据库和 Redis 通过 volume 持久化避免容器重建后数据丢失。4.1 创建 docker-compose.yml创建一个专门目录比如surveyking-deploy然后在目录下写配置文件version: 3.8 services: mysql: image: mysql:8.0 container_name: surveyking-mysql environment: MYSQL_ROOT_PASSWORD: root123456 MYSQL_DATABASE: surveyking TZ: Asia/Shanghai ports: - 3306:3306 volumes: - mysql-data:/var/lib/mysql command: - --character-set-serverutf8mb4 - --collation-serverutf8mb4_unicode_ci redis: image: redis:7 container_name: surveyking-redis ports: - 6379:6379 volumes: - redis-data:/data surveyking: image: registry.cn-hangzhou.aliyuncs.com/surveyking/surveyking:latest container_name: surveyking-app depends_on: - mysql - redis environment: DB_HOST: mysql DB_PORT: 3306 DB_NAME: surveyking DB_USER: root DB_PASSWORD: root123456 REDIS_HOST: redis REDIS_PORT: 6379 REDIS_PASSWORD: ports: - 1991:1991 volumes: - surveyking-logs:/app/logs volumes: mysql-data: redis-data: surveyking-logs:需要说明的是不同版本的环境变量名可能略有差异镜像地址也建议以项目发布的实际信息为准。上面这份配置是通用的 Spring Boot 启动参数写法能帮助你把数据库连接、Redis 连接正确指向容器服务。配置成功后进入surveyking-deploy目录执行docker compose up -d首次启动会拉取镜像需要等待一段时间。启动完成后查看所有容器状态docker compose ps如果三个服务都在运行状态SurveyKing 默认端口是 1991浏览器访问http://你的服务器IP:1991看到登录页就说明服务起来了。4.2 确认数据持久化容器部署最容易犯的错误是“容器删了数据也没了”。上面的 compose 文件里已经通过 volumes 挂载了 MySQL 数据、Redis 数据和应用日志。升级镜像时不要直接docker compose down再删 volume否则会丢数据。正确的升级步骤是docker compose down docker compose pull docker compose up -d只要 volume 没有删除数据就还在。5. jar 包本地部署如果你不想用 Docker或者服务器资源本身有限jar 包部署是更传统的方式。整体流程分四步准备 MySQL 和 Redis、下载 jar 包、修改配置、启动。5.1 准备 MySQL 数据库先通过 MySQL 客户端创建数据库CREATE DATABASE surveyking DEFAULT CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;创建独立的数据库账号避免直接用 rootCREATE USER surveyking% IDENTIFIED BY yourpassword; GRANT ALL PRIVILEGES ON surveyking.* TO surveyking%; FLUSH PRIVILEGES;这里使用独立账号是生产环境的基本安全习惯后面会再展开。5.2 下载并配置 jar 包从项目的 Release 页面下载最新版本的 jar 包上传到服务器某个目录比如/opt/surveyking。在同目录下创建application.yml配置文件server: port: 1991 spring: datasource: url: jdbc:mysql://localhost:3306/surveyking?useUnicodetruecharacterEncodingutf8useSSLfalseserverTimezoneAsia/Shanghai username: surveyking password: yourpassword data: redis: host: localhost port: 6379 password: database: 0说明这里的spring.data.redis是 Spring Boot 新版本的配置前缀。老版本可能是spring.redis请你根据当前项目使用的 Spring Boot 版本调整。如果 Redis 设置了密码就在password项填入。5.3 启动服务启动命令java -jar surveyking.jar --spring.config.additional-locationclasspath:/,file:/opt/surveyking/或者把application.yml放在 jar 包同级目录直接用java -jar surveyking.jar启动日志出现类似Started SurveyKingApplication in x.x seconds的信息后就可以访问http://localhost:1991验证了。这里要注意SurveyKing 启动时通常会自动建表和初始化数据。如果因为数据库账号权限不够导致建表失败需要检查账号是否有 DDL 权限。6. 首次登录与基础配置6.1 登录系统用浏览器访问系统首页会看到登录页面。默认管理员账号一般是用户名admin 密码123456不同版本可能初始化方式不同。如果默认密码登不进去优先查看项目文档或启动日志中的初始账号提示。第一次登录后建议立刻到“系统设置”中修改管理员密码。这一点很重要因为 SurveyKing 部署在公网后默认密码会成为最明显的安全漏洞扫描工具很容易通过默认口令进入后台。6.2 系统参数配置在系统设置模块你会看到几类配置项基础设置系统名称、Logo、备案信息等。邮件设置配置 SMTP 后可以发送问卷链接、考试通知等邮件。AI 大模型设置填写 API 地址、API Key、模型名称用于启用 AI 智能试卷。附件存储本地文件存储或者对象存储如果版本支持。基础设置简单但邮件和 AI 设置容易出问题建议不要一次性全部填完先做最小验证比如先配置邮件后发一封测试邮件确认通过再接下一步。7. 实操创建问卷、考试与 AI 智能试卷这部分是全文的重点。我们从实际使用角度分别演示问卷、考试和 AI 智能试卷的完整流程。7.1 创建并发布一份问卷登录进入管理后台左侧菜单找到“问卷管理”或“创建问卷”入口。点击创建后选择“空白问卷”或“从模板创建”。建议第一次使用选空白问卷从最简单的单选题开始体验。编辑器界面会提供两类操作左侧是题型工具栏中间是画布右侧是当前选中题目的属性设置。你可以把需要的题型拖到画布上然后编辑题干、选项和是否必答。比如创建一个“2024 年年会参与意愿调研”可以这样配置题1单选你是否参加年会选项参加 / 不参加 / 不确定题2多选你希望年会在哪一天选项按日期给题3填空如果你有其他建议请写下你的想法除了编辑内容别忘了设置问卷的基本属性是否匿名、是否可以重复提交、开始和结束时间、是否允许修改已提交答案等。这些属性在考试场景里更严格在问卷场景里要根据真实需求设置。保存问卷之后点击“发布”。发布后会生成一个外链和二维码。外链可以放入公众号文章、企业微信群公告也可以嵌入到公司门户页面。二维码适合线下活动。数据收集过程中后台可以实时看到答卷数量和统计图表。7.2 创建在线考试并设置随机组卷考试流程比问卷复杂关键在于组卷策略与判分规则。先在后台进入“考试管理”创建一场考试。考试基础信息包括考试名称、考试说明、考试时长、开始时间、结束时间、是否允许多次参加、是否开启切屏提醒等。在创建考试的过程中你需要选择“题库”里的题目。如果你的版本支持随机组卷设置方式通常是这样的从题库中按题型选择题目然后设置每组题目的抽取数量。比如单选 20 道、多选 10 道、判断 10 道每道 2 分满分 80 分简答 2 道每道 10 分。保存后建议先用自己的账号进入“模拟答题”检查题目顺序是否乱序客观题交卷后是否自动判分简答题是否需要人工批改考试结束时间到了是否自动交卷。考试开始后学生答题页面会显示倒计时。客观题当场出分主观题则由老师在后台进行人工批改。批改完成后成绩统计页面会汇总分数分布、平均分、及格率等数据。这里要提醒随机组卷虽然能有效防作弊但也会带来一个副作用不同学生拿到的题目组合不同如果题库本身颗粒度不够细考试难度会出现偏差。建议在设置抽取规则时尽量控制在同一知识点、同一难度层级内。7.3 启用 AI 智能试卷AI 智能试卷是 SurveyKing 比较有辨识度的功能。首先要确保已经在系统设置中配置好大模型接口。假设你有一个 OpenAI 兼容接口配置核心内容包括{ apiUrl: https://your-model-endpoint/v1, apiKey: sk-xxxxxxxx, model: your-model-name }配置完成后在创建考试或试卷时选择“AI 生成试题”。你需要输入出题主题比如“Java 面向对象基础”选择题型单选、多选、判断、简答、题目数量、难度要求然后点击生成。系统会调用大模型接口返回一份试题草稿。此时生成的题目只会进入草稿区不会自动发布。你需要逐题检查尤其是答案是否正确选项是否有重复题目表述是否有歧义是否适合当前考试对象的水平。检查修改后再将合适的题目导入题库或正式试卷。从实际效果看AI 出题对于“知识点覆盖广、标准化高”的题目单选、判断效率提升很明显但对于需要结合具体教学案例的简答题生成质量一般。建议把它定位为“出题助手”而不是“出题终审”。8. 常见问题与排查思路部署和使用过程中以下几类问题频率最高问题现象可能原因排查方式解决方案服务启动失败端口占用netstat -tlnp | grep 1991换端口或释放占用页面能开但登录报错Redis 连接失败检查 Redis 是否启动、端口、密码修改 Redis 配置并重启部署后问卷数据无法保存数据库连接串或账号权限错误查看日志中的 SQL 异常用数据库客户端本地测试连接中文内容乱码数据库字符集不是 utf8mb4查看表字符集与连接串建库时指定 utf8mb4AI 出题一直失败或超时模型 API Key 错误、网络不通、模型名不支持先用 curl 调用模型接口测试修正 API 配置或换可用模型上传附件失败服务器磁盘权限不够或文件大小限制检查日志和上传目录调整目录权限或修改上传限制忘记管理员密码常见运维失误查看官方文档关于重置密码的说明参考文档重置或恢复备份先说日志这是排查一切问题的第一步。Docker 方式用docker logs -f surveyking-app查看应用日志里面会直接打印异常堆栈。jar 包方式默认会在当前目录或指定日志目录生成日志文件同样先看日志中的 ERROR 信息。再单独强调一下 AI 出题问题。我见过不少失败其实是模型接口本身的问题API Key 没权限、模型名称填错、网络无法访问模型服务、请求超时。建议先在命令行用 curl 验证接口连通性再回到系统里测试。curl https://your-model-endpoint/v1/chat/completions \ -H Content-Type: application/json \ -H Authorization: Bearer sk-xxxx \ -d { model: your-model-name, messages: [{role: user, content: 生成一道单选题}] }如果 curl 返回正常说明接口层没有问题问题大概率出在 SurveyKing 的配置项上。9. 生产环境最佳实践与工程建议SurveyKing 可以跑起来做演示但真正用于生产环境还需要做一些工程化加固。9.1 使用 Nginx 反向代理并启用 HTTPS不要直接暴露 1991 端口给用户。更稳妥的做法是用 Nginx 做反向代理把域名指向 SurveyKing 服务同时配置 HTTPS 证书。这样既便于统一管理端口也能避免明文传输账号密码和问卷数据。一个简化的 Nginx 配置片段server { listen 443 ssl; server_name survey.example.com; ssl_certificate /path/to/cert.pem; ssl_certificate_key /path/to/private.key; location / { proxy_pass http://127.0.0.1:1991; proxy_set_header Host $host; proxy_set_header X-Real-IP $remote_addr; proxy_set_header X-Forwarded-For $proxy_add_x_forwarded_for; proxy_set_header X-Forwarded-Proto $scheme; } }配置完成后记得用nginx -t检查语法再重载 Nginx。9.2 数据库备份与恢复演练问卷和考试数据是核心资产不能只靠 Docker volume。建议在服务器上写一个定时备份脚本每天凌晨用mysqldump备份数据库并保留最近 N 天备份。备份命令示例mysqldump -h 127.0.0.1 -u surveyking -pyourpassword surveyking backup_$(date %Y%m%d).sql有条件的话每季度做一次恢复演练。备份文件能产生、能恢复备份机制才算真正有效。9.3 数据库账号最小权限生产环境不要用 root 连接应用。给 SurveyKing 单独建一个账号只授予业务库的增删改查权限。如果应用需要自动建表再授予 DDL 权限如果是后续版本升级后再建表可以考虑更严格的权限控制。账号的密码通过环境变量注入不要明文写在部署文档里。9.4 考试场景的并发与容量预估在线考试和问卷收集有一个明显区别考试往往是集中发起比如上午 10 点全校同时开考。这会造成瞬时的并发压力。需要结合学生数量和考试时间段评估服务器规格、数据库连接池大小、Redis 连接数。如果你没有压测工具至少可以找测试环境模拟一批用户同时提交答卷观察接口响应时间和数据库连接数峰值。很多开源系统的并发瓶颈不在应用本身而在数据库连接和 Redis 性能。9.5 AI 生成内容必须人工审核AI 智能试卷功能虽然方便但生成内容存在不确定性题目可能超纲、答案可能错误、表述可能存在不当信息。在正式发布考试前所有 AI 生成的题目都必须经过人工逐题审核。学校考试尤其要注意这既是对学生负责也是避免教学事故的基本要求。9.6 版本升级前先备份并测试SurveyKing 迭代速度不慢新版本会修复问题、增加功能。升级前先看 Release Notes确认是否有破坏性变更比如数据库表结构变化、配置文件格式变化。稳妥的做法是先备份当前数据在测试环境部署新版本跑一遍核心流程登录、创建问卷、提交答卷、查看统计确认无误后再更新生产环境。10. 收尾给不同用户的三点建议到这里SurveyKing 的安装和使用流程基本讲完了。最后给不同角色的读者一点具体建议。如果你只是个人开发者想快速体验直接走 Docker Compose 路线不必纠结数据库配置细节先把服务跑起来进入后台点击创建问卷感受一下交互流程。如果你是公司运维或全栈工程师要把 SurveyKing 作为正式系统交付请务必补上 Nginx 反向代理、HTTPS、数据库备份、账号权限这几件事。它们不复杂但决定了系统能不能长期稳定运行。如果你是老师、培训负责人重点研究“题库 考试 AI 智能试卷”的组合先把历年真题导入题库再配置随机组卷用 AI 生成一部分新题做补充。这套组合能让你从重复的出题工作中解脱出来把更多精力放在知识点讲解和学情分析上。一个容易被忽略的提醒是SurveyKing 再强大也是一个工具真正决定问卷质量和考试效果的是题目设计。AI 生成的题目、随机组卷的规则、考试时长的设置都需要围绕你的实际教学或业务目标来调整。工具解决的是效率问题方向判断还是要靠人。如果你在部署过程中遇到其他问题建议优先翻项目文档和 GitHub Issues很多坑已经有人踩过并给出了解决方案。这套系统值得收藏等你下次需要搭建问卷或考试平台时直接翻这篇文章快速上手即可。