Lab 4：设计数据库 Schema
面向人群：完成 Lab 3 的开发者 项目周期：约 1-2 小时 最终交付：8 张表在 Drizzle Studio 中可见
前置要求
Step 1：从 PRD 提取实体
打开你在 Lab 2 生成的 PRD.md，让 AI 帮你识别核心实体：
请根据 PRD.md 提取所有数据实体及其关系，用 ER 图的思路列出：
- 实体名称
- 核心字段
- 实体间关系（1:N, N:M）TalkCoach 的核心实体应该包含以下 8 张表：
| 表名 | 说明 | 关键字段 |
|---|---|---|
| users | 用户 | id, email, name, avatar |
| scenario_templates | 场景模板 | id, title, role_description, dimensions (JSONB) |
| training_sessions | 训练会话 | id, user_id, scenario_id, status, started_at |
| messages | 对话消息 | id, session_id, role, content, score (JSONB) |
| training_reports | 训练报告 | id, session_id, overall_score, dimension_scores (JSONB) |
| report_shares | 报告分享 | id, report_id, share_token, expires_at |
| user_stats | 用户统计 | id, user_id, scenario_id, total_sessions, avg_score |
| accounts | 认证账户 | id, user_id, provider, provider_account_id |
如果 AI 遗漏了 report_shares 或 user_stats，提醒它——分享功能和统计功能是 PRD 中明确要求的。
Step 2：让 AI 生成 Drizzle Schema
把实体表格发给 AI，让它生成完整的 Drizzle schema：
请用 Drizzle ORM 为以上 8 张表生成 PostgreSQL schema。
要求：
- 使用 pgTable 定义
- 主键用 uuid + defaultRandom()
- 时间字段用 timestamp with timezone
- JSONB 字段用 jsonb 类型
- 定义完整的 relations
- 导出所有表和关系安装 Drizzle 相关依赖：
pnpm add drizzle-orm @neondatabase/serverless
pnpm add -D drizzle-kitStep 3：审查关键设计决策
AI 生成的 schema 不能直接用，你需要审查几个关键点：
评分维度用 JSONB
面试场景的维度是"技术深度、表达清晰度"，口语场景的维度是"语法准确性、发音流畅度"。如果用固定列，每加一个场景就要改表结构。JSONB 让每个场景可以自由定义自己的维度：
// scenario_templates.dimensions 的结构
[
{ key: 'technical_depth', label: '技术深度', weight: 0.3 },
{ key: 'clarity', label: '表达清晰度', weight: 0.25 },
]会话状态枚举
训练会话有明确的生命周期，用枚举约束状态流转：
export const sessionStatusEnum = pgEnum('session_status', [
'preparing', // 选择场景，还没开始
'in_progress', // 训练进行中
'completed', // 用户主动结束
'reviewed', // 报告已生成
])索引策略
让 AI 补充索引。最关键的是用户查询自己的训练历史——按 user_id + created_at DESC 建复合索引，避免全表扫描：
请为以下查询场景添加索引：
1. 用户查看自己的训练历史（user_id + created_at）
2. 通过分享 token 查找报告（share_token 唯一索引）
3. 查看某次会话的所有消息（session_id + created_at）Step 4：AI 交叉论证
这是第 6 章讲的"第二意见"策略。开一个新的 AI 对话窗口，把生成的 schema 发过去：
请审查这份 Drizzle schema 的设计合理性：
1. 是否有冗余字段？
2. JSONB 的使用是否合理，有没有应该拆成独立表的？
3. 索引是否覆盖了主要查询场景？
4. 是否有潜在的性能瓶颈？WARNING
不要跳过这一步。Schema 设计的错误在后期修复成本极高——数据迁移、API 改动、前端适配，牵一发动全身。花 10 分钟交叉验证，能省后面 10 小时的返工。
Step 5：推送到 Neon 并验证
配置 Neon 数据库连接，然后用 Drizzle Kit 推送 schema：
# .env
DATABASE_URL="postgresql://user:pass@ep-xxx.neon.tech/talkcoach?sslmode=require"pnpm drizzle-kit push推送成功后，启动 Drizzle Studio 验证表结构：
pnpm drizzle-kit studio在 Studio 中逐一检查：8 张表是否都存在、字段类型是否正确、JSONB 字段是否可以插入测试数据。
交付物检查清单
- 8 张表在 Drizzle Studio 中可见
- JSONB 字段结构合理（dimensions、score）
- 会话状态枚举定义正确
- 关键查询场景有索引覆盖
- 至少经过一轮交叉论证
下一步
数据库就绪，接下来可以开始实现后端 API 和 AI 对话逻辑了。完成 Pset 1-3 的练习后，前往 Lab 5：为 API 写测试。