SBTI打不开?手把手教你部署自己的人格测试(附源码链接)

news2026/4/30 21:50:08
网站打不开部署自己的SBTI人格测试附源码链接最近在B站刷到了一个很火的SBTI人格测试觉得挺有意思的。作为一名开发者我决定自己动手实现一个可以本地部署的版本。本文将带你从零开始用Flask框架搭建一个完整的人格测试网站。技术栈Flask 原生HTML/CSS/JavaScript项目地址部署自己的SBTI一、SBTI测试原理解析1.1 什么是SBTISBTI人格测试采用量表打分 向量匹配的混合机制通过30道常规题目从5个模型的15个维度分析用户的人格特征。1.2 五大模型与15个维度模型维度说明自我模型SS1-自尊自信S2-自我清晰度S3-核心价值评估自我认知和价值观情感模型EE1-依恋安全感E2-情感投入度E3-边界与依赖评估情感模式和亲密关系态度模型AA1-世界观倾向A2-规则与灵活度A3-人生意义感评估对世界的态度行动驱力AcAc1-动机导向Ac2-决策风格Ac3-执行模式评估行动力和决策方式社交模型SoSo1-社交主动性So2-人际边界感So3-表达与真实度评估社交风格1.3 赋分机制选项分值A选项 1分低分B选项 2分中分C选项 3分高分维度等级转换每个维度由2道题组成总分转换为等级2-3分 → L低4分 → M中5-6分 → H高人格匹配将用户的15维度等级向量与25种预定义人格模式进行匹配选出最接近的类型。二、项目架构设计2.1 项目结构sbti/ ├── app.py # Flask后端主文件 ├── templates/ │ └── index.html # 前端页面 ├── requirements.txt # Python依赖 └── README.md # 项目文档2.2 技术选型后端框架Flask 3.0.0轻量、简单、易上手前端技术原生HTML/CSS/JavaScript无需打包开箱即用数据存储内存存储无需数据库适合小型项目三、后端实现详解3.1 Flask应用初始化fromflaskimportFlask,render_template,request,jsonifyimportrandom appFlask(__name__)3.2 数据结构设计人格类型定义PERSONALITIES{HHHH:{name:HHHH,emoji:,desc:全维度高分罕见的全能型人格},SEALH:{name:SEALH,emoji:,desc:自信稳定情感投入乐观行动派},SEAHH:{name:SEAHH,emoji:,desc:自信独立情感充沛高执行力},DRUNK:{name:DRUNK,emoji:,desc:保温杯里泡枸杞的养生朋克},# ... 共25种人格类型}题目数据结构QUESTIONS[{id:1,dim:S1,# 对应维度text:别人夸你的时候你的第一反应是,options:[A. 先怀疑是不是在讽刺,B. 表面谦虚心里还挺受用,C. 坦然接受觉得理所当然]},# ... 共30道题]特殊题彩蛋SPECIAL_QUESTIONS[{id:31,type:drunk,text:保温杯里泡枸杞你觉得,options:[A. 养生达人,B. 朋克养生,C. 保温杯里泡白酒],trigger:C# 触发条件}]3.3 核心API实现API 1获取题目列表app.route(/api/questions,methods[GET])defget_questions():获取随机打乱的题目questionsQUESTIONS.copy()random.shuffle(questions)# 随机打乱顺序# 随机插入1道特殊题special_qrandom.choice(SPECIAL_QUESTIONS)insert_posrandom.randint(10,25)questions.insert(insert_pos,special_q)returnjsonify(questions)API 2计算测试结果app.route(/api/calculate,methods[POST])defcalculate_result():计算测试结果datarequest.json answersdata.get(answers,{})# 1. 检查是否触发DRUNK彩蛋forqid,answerinanswers.items():qnext((qforqinSPECIAL_QUESTIONSifstr(q[id])qid),None)ifqandq.get(type)drunkandanswerq.get(trigger):returnjsonify({personality:DRUNK,emoji:,name:DRUNK,desc:保温杯里泡枸杞的养生朋克,match_rate:100})# 2. 计算15个维度的分数dim_scores{}forqinQUESTIONS:qidstr(q[id])ifqidinanswers:answeranswers[qid]# 计算分数A1, B2, C3ifanswerA:score3ifq.get(reverse)else1elifanswerB:score2else:# Cscore1ifq.get(reverse)else3dimq[dim]ifdimnotindim_scores:dim_scores[dim][]dim_scores[dim].append(score)# 3. 转换为L/M/H等级dim_levels{}fordim,scoresindim_scores.items():totalsum(scores)iftotal3:levelLeliftotal4:levelMelse:levelHdim_levels[dim]level# 4. 匹配最佳人格类型best_matchfind_best_personality(dim_levels)personality_infoPERSONALITIES.get(best_match)returnjsonify({personality:best_match,emoji:personality_info[emoji],name:personality_info[name],desc:personality_info[desc],match_rate:85,dimensions:dim_levels})人格匹配算法deffind_best_personality(dim_levels):根据维度等级匹配最佳人格# 计算各模型的平均等级s_avgget_avg_level([dim_levels.get(S1),dim_levels.get(S2),dim_levels.get(S3)])e_avgget_avg_level([dim_levels.get(E1),dim_levels.get(E2),dim_levels.get(E3)])a_avgget_avg_level([dim_levels.get(A1),dim_levels.get(A2),dim_levels.get(A3)])ac_avgget_avg_level([dim_levels.get(Ac1),dim_levels.get(Ac2),dim_levels.get(Ac3)])# 组合成人格模式patterns_avge_avga_avgac_avgifpatterninPERSONALITIES:returnpatternreturnHHHH# 默认返回defget_avg_level(levels):计算平均等级level_map{L:1,M:2,H:3}scores[level_map.get(l,2)forlinlevelsifl]ifnotscores:returnMavgsum(scores)/len(scores)ifavg1.5:returnLelifavg2.5:returnMelse:returnH四、前端实现详解4.1 UI设计思路参考原版网站采用清新的绿色主题:root{--bg:#f6faf6;/* 背景色 */--panel:#ffffff;/* 卡片背景 */--text:#1e2a22;/* 文字颜色 */--accent:#6c8d71;/* 主题色 */--accent-strong:#4d6a53;/* 深色主题 */--shadow:0 16px 40pxrgba(47,73,55,0.08);/* 阴影 */--radius:22px;/* 圆角 */}4.2 页面结构采用三屏切换设计!-- 首页 --dividhome-screenclassscreen activedivclasscard heroh1SBTI 人格测试/h1buttononclickstartTest()开始测试/button/div/div!-- 测试页面 --dividtest-screenclassscreendivclassprogressspanidprogress-bar/span/divdividquestion-container/divbuttononclicknextQuestion()下一题/button/div!-- 结果页面 --dividresult-screenclassscreendivclassresult-emoji/divdivclassresult-nameSEALH/divdivclassresult-desc自信稳定情感投入乐观行动派/div/div4.3 核心JavaScript逻辑开始测试asyncfunctionstartTest(){constresponseawaitfetch(/api/questions);questionsawaitresponse.json();showScreen(test-screen);renderQuestion();}渲染题目functionrenderQuestion(){constqquestions[currentIndex];constcontainerdocument.getElementById(question-container);container.innerHTMLdiv classquestion-card div classquestion-text${currentIndex1}.${q.text}/div div classoptions${q.options.map((opt,i)div classoption${answers[q.id]opt[0]?selected:} onclickselectOption(${q.id}, ${opt[0]})${opt}/div).join()}/div /div;updateProgress();}提交测试asyncfunctionsubmitTest(){constresponseawaitfetch(/api/calculate,{method:POST,headers:{Content-Type:application/json},body:JSON.stringify({answers})});constresultawaitresponse.json();showResult(result);}显示结果functionshowResult(result){document.getElementById(result-emoji).textContentresult.emoji;document.getElementById(result-name).textContentresult.name;document.getElementById(result-desc).textContentresult.desc;document.getElementById(result-match).textContent匹配度:${result.match_rate}%;// 显示维度分析constdimLabels{S1:自尊自信,S2:自我清晰度,S3:核心价值,E1:依恋安全感,E2:情感投入度,E3:边界与依赖,// ... 其他维度};// 渲染维度网格// ...showScreen(result-screen);}五、项目亮点与优化5.1 题目随机化每次测试时题目顺序都会随机打乱避免记忆答案questionsQUESTIONS.copy()random.shuffle(questions)5.2 隐藏彩蛋机制在题目中随机插入特殊题选择特定答案触发彩蛋# 检查是否触发DRUNK彩蛋ifanswerC:# 选择保温杯里泡白酒returnDRUNK人格5.3 反转题处理部分题目Q14、Q27的选项分值顺序相反ifanswerA:score3ifq.get(reverse)else1# 反转题A3分5.4 响应式设计使用CSS媒体查询适配移动端media(max-width:640px){.hero h1{font-size:32px;}.result-emoji{font-size:60px;}}5.5 进度条动画实时显示测试进度提升用户体验functionupdateProgress(){constprogress((currentIndex1)/questions.length)*100;document.getElementById(progress-bar).style.widthprogress%;}六、部署与运行6.1 本地运行# 1. 克隆项目gitclone https://github.com/yourusername/sbti-test.gitcdsbti-test# 2. 安装依赖pipinstallFlask3.0.0# 3. 运行项目python app.py# 4. 访问网站# 打开浏览器访问 http://localhost:50006.2 生产环境部署使用Gunicorn部署pipinstallgunicorn gunicorn-w4-b0.0.0.0:5000 app:app6.3 Docker部署FROM python:3.9-slim WORKDIR /app COPY requirements.txt . RUN pip install -r requirements.txt COPY . . CMD [python, app.py]七、效果展示首页测试页面结果页面八、常见问题Q1: 为什么选择Flask而不是DjangoA:Flask更轻量适合小型项目。本项目只需要几个API接口不需要Django的复杂功能。Q2: 为什么不使用数据库A:题目和人格类型数据是固定的不需要动态修改使用内存存储即可。如果需要保存用户测试记录可以后续添加数据库。Q3: 匹配算法准确吗A:本项目采用简化的匹配算法主要用于学习和娱乐。如需更精确的匹配可以使用曼哈顿距离或欧氏距离计算相似度。Q4: 可以商用吗A:本项目仅供学习交流使用原始测试设计版权归原作者所有。九、总结这是一个非常适合初学者的Flask实战项目代码简洁易懂功能完整。你可以在此基础上进行扩展添加更多有趣的功能。项目源码SBTI如果觉得有帮助欢迎Star⭐和Fork在这里插入图片描述需要注意仅供娱乐SBTI不是专业心理测评结果不具备心理学依据半随机性多次测试可能得到不同结果这很正常勿当真不要将测试结果用于诊断、面试、相亲等严肃场合作者初衷B站UP主蛆肉儿串儿最初是为了劝朋友戒酒而设计参考资料Flask官方文档https://flask.palletsprojects.com/原版SBTI测试https://sbti.unun.dev/提示本文所有代码均已在GitHub开源欢迎下载学习如有问题欢迎在评论区讨论。

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.coloradmin.cn/o/2510943.html

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈,一经查实,立即删除!

相关文章

SpringBoot-17-MyBatis动态SQL标签之常用标签

文章目录 1 代码1.1 实体User.java1.2 接口UserMapper.java1.3 映射UserMapper.xml1.3.1 标签if1.3.2 标签if和where1.3.3 标签choose和when和otherwise1.4 UserController.java2 常用动态SQL标签2.1 标签set2.1.1 UserMapper.java2.1.2 UserMapper.xml2.1.3 UserController.ja…

wordpress后台更新后 前端没变化的解决方法

使用siteground主机的wordpress网站,会出现更新了网站内容和修改了php模板文件、js文件、css文件、图片文件后,网站没有变化的情况。 不熟悉siteground主机的新手,遇到这个问题,就很抓狂,明明是哪都没操作错误&#x…

网络编程(Modbus进阶)

思维导图 Modbus RTU(先学一点理论) 概念 Modbus RTU 是工业自动化领域 最广泛应用的串行通信协议,由 Modicon 公司(现施耐德电气)于 1979 年推出。它以 高效率、强健性、易实现的特点成为工业控制系统的通信标准。 包…

UE5 学习系列(二)用户操作界面及介绍

这篇博客是 UE5 学习系列博客的第二篇,在第一篇的基础上展开这篇内容。博客参考的 B 站视频资料和第一篇的链接如下: 【Note】:如果你已经完成安装等操作,可以只执行第一篇博客中 2. 新建一个空白游戏项目 章节操作,重…

IDEA运行Tomcat出现乱码问题解决汇总

最近正值期末周,有很多同学在写期末Java web作业时,运行tomcat出现乱码问题,经过多次解决与研究,我做了如下整理: 原因: IDEA本身编码与tomcat的编码与Windows编码不同导致,Windows 系统控制台…

利用最小二乘法找圆心和半径

#include <iostream> #include <vector> #include <cmath> #include <Eigen/Dense> // 需安装Eigen库用于矩阵运算 // 定义点结构 struct Point { double x, y; Point(double x_, double y_) : x(x_), y(y_) {} }; // 最小二乘法求圆心和半径 …

使用docker在3台服务器上搭建基于redis 6.x的一主两从三台均是哨兵模式

一、环境及版本说明 如果服务器已经安装了docker,则忽略此步骤,如果没有安装,则可以按照一下方式安装: 1. 在线安装(有互联网环境): 请看我这篇文章 传送阵>> 点我查看 2. 离线安装(内网环境):请看我这篇文章 传送阵>> 点我查看 说明&#xff1a;假设每台服务器已…

XML Group端口详解

在XML数据映射过程中&#xff0c;经常需要对数据进行分组聚合操作。例如&#xff0c;当处理包含多个物料明细的XML文件时&#xff0c;可能需要将相同物料号的明细归为一组&#xff0c;或对相同物料号的数量进行求和计算。传统实现方式通常需要编写脚本代码&#xff0c;增加了开…

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器的上位机配置操作说明

LBE-LEX系列工业语音播放器|预警播报器|喇叭蜂鸣器专为工业环境精心打造&#xff0c;完美适配AGV和无人叉车。同时&#xff0c;集成以太网与语音合成技术&#xff0c;为各类高级系统&#xff08;如MES、调度系统、库位管理、立库等&#xff09;提供高效便捷的语音交互体验。 L…

(LeetCode 每日一题) 3442. 奇偶频次间的最大差值 I (哈希、字符串)

题目&#xff1a;3442. 奇偶频次间的最大差值 I 思路 &#xff1a;哈希&#xff0c;时间复杂度0(n)。 用哈希表来记录每个字符串中字符的分布情况&#xff0c;哈希表这里用数组即可实现。 C版本&#xff1a; class Solution { public:int maxDifference(string s) {int a[26]…

【大模型RAG】拍照搜题技术架构速览:三层管道、两级检索、兜底大模型

摘要 拍照搜题系统采用“三层管道&#xff08;多模态 OCR → 语义检索 → 答案渲染&#xff09;、两级检索&#xff08;倒排 BM25 向量 HNSW&#xff09;并以大语言模型兜底”的整体框架&#xff1a; 多模态 OCR 层 将题目图片经过超分、去噪、倾斜校正后&#xff0c;分别用…

【Axure高保真原型】引导弹窗

今天和大家中分享引导弹窗的原型模板&#xff0c;载入页面后&#xff0c;会显示引导弹窗&#xff0c;适用于引导用户使用页面&#xff0c;点击完成后&#xff0c;会显示下一个引导弹窗&#xff0c;直至最后一个引导弹窗完成后进入首页。具体效果可以点击下方视频观看或打开下方…

接口测试中缓存处理策略

在接口测试中&#xff0c;缓存处理策略是一个关键环节&#xff0c;直接影响测试结果的准确性和可靠性。合理的缓存处理策略能够确保测试环境的一致性&#xff0c;避免因缓存数据导致的测试偏差。以下是接口测试中常见的缓存处理策略及其详细说明&#xff1a; 一、缓存处理的核…

龙虎榜——20250610

上证指数放量收阴线&#xff0c;个股多数下跌&#xff0c;盘中受消息影响大幅波动。 深证指数放量收阴线形成顶分型&#xff0c;指数短线有调整的需求&#xff0c;大概需要一两天。 2025年6月10日龙虎榜行业方向分析 1. 金融科技 代表标的&#xff1a;御银股份、雄帝科技 驱动…

观成科技:隐蔽隧道工具Ligolo-ng加密流量分析

1.工具介绍 Ligolo-ng是一款由go编写的高效隧道工具&#xff0c;该工具基于TUN接口实现其功能&#xff0c;利用反向TCP/TLS连接建立一条隐蔽的通信信道&#xff0c;支持使用Let’s Encrypt自动生成证书。Ligolo-ng的通信隐蔽性体现在其支持多种连接方式&#xff0c;适应复杂网…

铭豹扩展坞 USB转网口 突然无法识别解决方法

当 USB 转网口扩展坞在一台笔记本上无法识别,但在其他电脑上正常工作时,问题通常出在笔记本自身或其与扩展坞的兼容性上。以下是系统化的定位思路和排查步骤,帮助你快速找到故障原因: 背景: 一个M-pard(铭豹)扩展坞的网卡突然无法识别了,扩展出来的三个USB接口正常。…

未来机器人的大脑:如何用神经网络模拟器实现更智能的决策?

编辑&#xff1a;陈萍萍的公主一点人工一点智能 未来机器人的大脑&#xff1a;如何用神经网络模拟器实现更智能的决策&#xff1f;RWM通过双自回归机制有效解决了复合误差、部分可观测性和随机动力学等关键挑战&#xff0c;在不依赖领域特定归纳偏见的条件下实现了卓越的预测准…

Linux应用开发之网络套接字编程(实例篇)

服务端与客户端单连接 服务端代码 #include <sys/socket.h> #include <sys/types.h> #include <netinet/in.h> #include <stdio.h> #include <stdlib.h> #include <string.h> #include <arpa/inet.h> #include <pthread.h> …

华为云AI开发平台ModelArts

华为云ModelArts&#xff1a;重塑AI开发流程的“智能引擎”与“创新加速器”&#xff01; 在人工智能浪潮席卷全球的2025年&#xff0c;企业拥抱AI的意愿空前高涨&#xff0c;但技术门槛高、流程复杂、资源投入巨大的现实&#xff0c;却让许多创新构想止步于实验室。数据科学家…

深度学习在微纳光子学中的应用

深度学习在微纳光子学中的主要应用方向 深度学习与微纳光子学的结合主要集中在以下几个方向&#xff1a; 逆向设计 通过神经网络快速预测微纳结构的光学响应&#xff0c;替代传统耗时的数值模拟方法。例如设计超表面、光子晶体等结构。 特征提取与优化 从复杂的光学数据中自…