Опис та деталі проекту

Задача

Gpteach решает прикладную задачу: Gpteach — это динамическое веб-приложение, созданное с использованием Next.js, которое интегрирует возможности OpenAI для улучшения взаимодействия с пользователями. Оно предлагает обновление страниц в реальном времени, управление API-маршрутами и оптимизированную загрузку шрифтов для безупречного и захватывающего пользовательского опыта.

Это учебный проект (завершён и используется), где отрабатывались конкретные паттерны и инструменты без лишней обвязки.

Кейс демонстрирует типовой цикл разработки: постановка → прототип → стабилизация → сопровождение.

Перед стартом зафиксировали критерии готовности: понятный первый экран, предсказуемые ошибки форм, возможность доработки без переписывания половины кодовой базы.

Решение

Сделана учебная, но полноценная реализация с акцентом на читаемость кода и воспроизводимую сборку.

Сценарии спроектированы так, чтобы основные действия укладывались в один–два экрана: меньше переключений, меньше ошибок при вводе. Навигация и подписи полей согласованы с привычными паттернами — пользователю не нужно «учить интерфейс».

Отдельное внимание — состояния загрузки и пустые списки: skeleton/spinner там, где данные приходят асинхронно, и понятные empty-state тексты вместо пустой таблицы.

Архитектура и стек

UI и клиент: react, react-dom, react-markdown, react-syntax-highlighter.

Инфраструктура и утилиты: eslint, eslint-config-next, iron-session, lowdb, next, openai.

Распределение языков в репозитории: JavaScript (97.9%), CSS (2.1%).

Слои разделены так, чтобы UI не знал деталей транспорта: адаптеры API/хранилища, доменные типы, компоненты представления. Это упрощает замену бэкенда и точечные UX-правки.

Ключевые функции

• eslint — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.
• eslint-config-next — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.
• iron-session — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.
• lowdb — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.
• next — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.
• openai — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.
• react — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.
• react-dom — использован в продуктовой логике: снижает количество самописного кода и ускоряет добавление новых экранов.

Дополнительно:

• Интеграция и использование eslint в продуктовой логике и интерфейсе.
• Интеграция и использование eslint-config-next в продуктовой логике и интерфейсе.
• Интеграция и использование iron-session в продуктовой логике и интерфейсе.

Результат

Проект доведён до рабочего состояния: команда/пользователь получает стабильный инструмент вместо ручных таблиц и переписки. Сокращено время на типовые операции за счёт автоматизации в интерфейсе.

Исходный код открыт: https://github.com/astropsy999/gpteach — можно оценить структуру модулей и стиль коммитов.

Что бы улучшил

Добавил бы e2e-тесты на критичные сценарии и вынес бы конфигурацию в отдельный слой для экспериментов. Для публичного demo — CI-сборку и preview-окружение на каждый pull request.