豆包爱学app的学习交互设计思路

豆包爱学的“学习 Skill 调度器”是其区别于通用大模型对话产品的核心技术壁垒。它的设计思路并非简单的“意图识别+工具调用”，而是构建了一套面向教育认知规律的、确定性的、可编排的智能路由系统。

结合现有资料，其设计思路可以从以下五个维度进行深度拆解：

1. 核心设计理念：标签驱动与执行分层

调度器遵循 “调度看标签，执行看正文” 的底层原则，将“选择哪个能力”与“如何执行该能力”彻底解耦。

- 轻量级预加载（目录扫描）： 系统启动或更新时，仅读取 2000+ 个 Skill 文件顶部的 YAML 元数据（name, description, trigger_scenarios），生成全局技能索引。此阶段不加载任何正文规则，确保毫秒级响应和低算力消耗。

- 语义匹配而非关键词匹配： 用户输入自然语言（如“这道题我看不懂图”）后，模型将用户语义与 Skill 的 description 标签做相似度比对，而非传统的关键词检索。这解决了学生表述模糊、口语化的问题。

- 按需完整加载： 只有匹配度最高的单一 Skill 被选中后，系统才会完整加载其正文（包含教学SOP、Prompt模板、参数校验规则、输出格式定义等）。未命中的 Skill 全程不参与运算，杜绝干扰。

💡 设计洞察： 这种两层加载机制解决了教育场景下“技能多、上下文长、响应要求快”的矛盾。如果将所有 2000+ Skill 的规则都塞进 System Prompt，不仅 Token 成本爆炸，还会导致模型注意力分散、指令遵循下降。

2. 教育专属的 Skill 原子化拆分

通用 Agent 的 Skill 通常是“查天气”、“写代码”等功能型工具，而豆包爱学的 Skill 是按学习认知动作进行垂直拆分的。

Skill 类别 典型示例 设计逻辑与触发边界

讲解类 AI老师分步讲、动态板书、视频还原 触发词：“讲讲”、“为什么”、“看不懂”。隔离边界： 不给最终答案，只给推导路径。

练习类 举一反三推题、即时检测、听写 触发词：“练一下”、“考考我”、“巩固”。隔离边界： 必须在讲解或学习后触发，避免盲目刷题。

诊断类 错因分析、薄弱点识别、学情评估 触发词：“为什么错”、“哪里不会”。隔离边界： 需结合历史错题数据，非单次对话可完成。

生成类 互动网页、PDF资料、AI课程 触发词：“做个动图”、“导出”、“系统学”。隔离边界： 高算力消耗，需明确用户意图后触发。

陪伴类 情绪疏导、成长鼓励、百科问答 触发词：“难过”、“不想学”、“聊聊”。隔离边界： 涉及心理安全红线时自动熔断转人工。

- 边界隔离原则： 每个 Skill 的 description 必须明确专属触发场景，并主动声明“不适用场景”。例如，“AI老师讲题”Skill 会明确标注“不处理纯翻译请求”、“不处理作文批改”，避免与“翻译Skill”、“作文Skill”产生语义重叠导致的随机调用。

- 功能垂直拆分： 一个标签对应一类独立任务。不存在“万能学习Skill”，所有复杂需求都被拆解为原子技能的组合。

3. 动态编排与上下文感知

调度器不是静态的路由表，而是一个具备状态记忆和流程编排能力的中枢。

- 多轮对话状态机： 调度器维护一个会话级的状态对象，记录当前处于“预习-听讲-练习-复习”的哪个阶段。当学生追问时，系统知道这是在“听讲”阶段的深入，而非开启新任务，从而复用当前 Skill 的上下文，而非重新匹配。

- 跨 Skill 串联： 支持在一个会话中无缝切换多个 Skill。例如：

1. 学生拍题 → 触发【OCR识别Skill】

2. 识别完成 → 自动触发【AI老师讲题Skill】

3. 讲解结束 → 调度器主动询问“要不要练一道？” → 学生同意 → 触发【举一反三Skill】

4. 练习出错 → 触发【错因分析Skill】→ 推荐回退到【AI老师讲题Skill】重讲薄弱点

- 组件化复用： 朗读、公式渲染、画图等基础能力被封装为“功能化组件”，可被不同 Skill 按需触发，避免重复开发。

4. 确定性与安全对齐机制

教育是容错率极低的场景，调度器内置了多重保障机制，确保输出符合教学规范。

- 参数校验与自动修复： 在 Skill 执行前，调度器会校验必要参数（如年级、学科、教材版本）。若缺失，优先从用户画像或历史对话中补全；无法补全时，以引导式提问获取，而非猜测执行。

- 内容安全熔断： 所有 Skill 的输出都经过一层“教育合规过滤器”。即使模型生成了正确答案，若解题方法超纲、表述不当或存在价值观风险，调度器会拦截并降级为“建议咨询老师”或切换至更安全的备用 Skill。

- 置信度阈值控制： 对于 Choice 类决策（如知识点归类），若模型置信度低于设定阈值（如 0.85），调度器不会直接执行，而是标记为“待人工复核”或触发澄清追问，避免错误归因误导学生。

5. 数据闭环与持续进化

调度器本身也是一个学习型系统，通过真实交互数据不断优化匹配精度。

- 负反馈挖掘： 当用户对某个 Skill 的输出点“踩”、重新提问或手动切换工具时，系统会将该 case 标记为“匹配失败”或“执行不佳”，用于优化 Skill 的 description 标签或正文 Prompt。

- A/B 测试框架： 支持对同一需求配置多个候选 Skill（如两种不同的讲题策略），通过线上流量对比学习效果（完课率、练习正确率、用户满意度），优胜劣汰。

- 教研知识注入： 新的教学方法或课标变更，只需更新对应 Skill 的正文规则，无需重训大模型。这使得产品能以“天”为单位迭代教学内容，远快于模型训练周期。

📌 总结：调度器的本质

豆包爱学的学习 Skill 调度器，本质上是一个 “教育认知操作系统”的内核。

- 对上，它将学生模糊、碎片、情绪化的自然语言需求，转化为结构化、标准化的教学动作序列；

- 对下，它将大模型的通用智能，约束在教育学规律和安全红线之内；

- 对内，它通过状态管理和组件复用，实现了复杂学习路径的低成本编排；

- 对外，它通过数据闭环，让产品具备了随真实教学场景共同进化的生命力。

这种设计使得豆包爱学超越了“AI聊天机器人”的范畴，真正成为一个 “懂教育、可信赖、能进化”的AI学习专家。