AI 教育/学习助手开发（一）：从场景分析到快速原型

引言

教育，是 AI 最被看好的落地场景之一。

想象一下：一个学生深夜做题卡壳，AI 秒回解题思路；一个英语学习者想练口语，AI 随时陪练不嫌烦；一个老师批改百份作文头大，AI 10 秒搞定初评。

这些不再是科幻。2026 年，大模型能力、语音技术、多模态识别的成熟度已经足够支撑真正的「AI 教育助手」落地。这个专题，我们就从零开始，手把手教你打造一套 AI 学习助手的核心功能。

第1期先做三件事：看清全景、定好架构、跑通一个可交互的 Demo。

一、AI 教育应用全景

先站在高处看一眼整个 AI+教育的地图，理解我们在做什么。

1.1 核心场景矩阵

1.2 AI 教育的三波浪潮

第一波：在线教育（2020 前）: : 录播课 + 题库，人找知识 第二波：AI 辅助（2020-2024）: : 个性化推荐 + 简单答疑，规则驱动 第三波：AI 原生（2025+）: : 对话式教学 + 自适应路径 + 多模态交互，模型驱动

我们正处于第三波早期。大模型的「通用推理能力」让教育助手从「预设回答」升级为「理解-推理-生成」的完整闭环。

二、技术栈选型

技术选型是工程中最关键也最容易纠结的一步。我的建议是：选你熟悉的，不要选最新的。

2.1 AI 模型

本期选择：使用 DeepSeek/GLM 兼容接口，通过 OpenAI 兼容 SDK 统一调用。

2.2 检索与存储

教育场景大量涉及「根据知识库查答案」，所以向量检索是标配。

2.3 其他能力

三、系统架构设计

我们采用分层架构，每层职责清晰，便于后续功能迭代。

┌─────────────────────────────────────────────┐
│               用户交互层                       │
│   Web UI (Streamlit) │ API (FastAPI) │ 语音   │
└──────────────────┬──────────────────────────┘
                   │
┌──────────────────▼──────────────────────────┐
│              能力编排层                       │
│   Agent 调度 │ Prompt 模板 │ 会话管理 │ 权限  │
└───────┬────────────┬───────────┬────────────┘
        │            │            │
┌───────▼──┐  ┌──────▼───┐  ┌────▼────────┐
│ AI 推理层 │  │ 检索层    │  │ 多模态层     │
│ DeepSeek │  │ Chroma   │  │ Qwen-VL    │
│ GLM      │  │ Neo4j    │  │ Whisper    │
└──────────┘  └──────────┘  │ CosyVoice  │
                            └─────────────┘

各层职责：

• 用户交互层：接收输入（文本/语音/图片），渲染输出
• 能力编排层：理解用户意图，调用合适的 AI/检索/多模态能力组合
• AI 推理层：大模型核心推理
• 检索层：知识库检索、图谱查询
• 多模态层：语音识别合成、OCR、图像理解

这种架构的好处是每层可独立替换。今天用 Chroma，明天切 Pinecone，接口不变。今天用 Streamlit 做 Demo，明天接 FastAPI + Vue，业务逻辑不重写。

四、功能模块拆解

专题规划了 8 期，每期对应一个核心模块：

五、快速原型：30 分钟跑通 Demo

理论结束，上代码。我们用 Streamlit + OpenAI 兼容 API 快速搭建三个核心功能的 Demo。

5.1 环境准备

# 安装依赖
pip install streamlit openai python-dotenv

# 创建 .env 文件
echo "OPENAI_API_KEY=你的API密钥" >> .env
echo "OPENAI_BASE_URL=https://api.deepseek.com" >> .env
echo "MODEL_NAME=deepseek-chat" >> .env

5.2 核心代码

整个 Demo 的核心架构只有三个函数，对应三个功能模块。

功能一：智能答疑

def smart_qa():
    st.header("智能答疑系统")
    
    kb = st.selectbox("选择知识领域", 
        ["小学数学", "初中英语", "高中物理", "大学计算机", "通用知识"])
    
    if "qa_msgs" not in st.session_state:
        st.session_state.qa_msgs = []
    
    for m in st.session_state.qa_msgs:
        with st.chat_message(m["role"]):
            st.markdown(m["content"])
    
    if prompt := st.chat_input("输入你的问题..."):
        st.session_state.qa_msgs.append({"role": "user", "content": prompt})
        ctx = [
            {"role": "system", "content": f"你是专业的{kb}教师"},
            *st.session_state.qa_msgs[-6:]
        ]
        r = client.chat.completions.create(
            model=os.getenv("MODEL_NAME"),
            messages=ctx, temperature=0.7
        )
        ans = r.choices[0].message.content
        st.session_state.qa_msgs.append({"role": "assistant", "content": ans})

核心思想：通过 system prompt 切换知识领域，用会话记忆维持多轮对话。

功能二：个性化学习路径

def learning_path():
    st.header("个性化学习路径")
    
    subject = st.selectbox("学科", ["数学", "英语", "物理", "编程"])
    level = st.select_slider("当前水平", 
        ["零基础", "入门", "初级", "中级", "中高级", "高级"])
    goal = st.selectbox("学习目标", 
        ["考试高分", "竞赛准备", "兴趣拓展", "职业提升"])
    weeks = st.slider("学习周期（周）", 1, 16, 8)
    
    if st.button("生成学习路径", type="primary"):
        prompt = f"""为{level}水平的学生设计{subject}学科的{weeks}周学习路径。
目标：{goal}。按周列出每周主题和知识点。"""
        r = client.chat.completions.create(
            model=os.getenv("MODEL_NAME"),
            messages=[{"role": "user", "content": prompt}],
            max_tokens=2048
        )
        st.markdown(r.choices[0].message.content)

功能三：AI 错题分析

def error_analysis():
    st.header("AI 错题本")
    
    text = st.text_area("粘贴做错的题目", height=150)
    
    if st.button("智能分析", type="primary") and text:
        prompt = f"""分析以下错题：\n{text}\n\n要求：
1. 错因诊断（概念/计算/思路）
2. 完整正确解法
3. 知识盲区分析
4. 出 2-3 道同类练习题（附答案）"""
        
        r = client.chat.completions.create(
            model=os.getenv("MODEL_NAME"),
            messages=[{"role": "user", "content": prompt}],
            temperature=0.5, max_tokens=2048
        )
        st.markdown(r.choices[0].message.content)

完整代码在 Gitee 仓库 ai-education-tutorial/episode-01-overview/scripts/ 下。

5.3 运行效果

streamlit run edu_assistant_demo.py

浏览器打开 http://localhost:8501，你会看到：

1. 侧边栏导航：切换三个功能模块
2. 智能答疑：选择领域后多轮对话，上下文保持最近 6 轮
3. 学习路径：输入学生画像，AI 生成按周定制的学习计划
4. 错题分析：粘贴题目，得到错因诊断 + 解法 + 同类练习

六、总结与预告

本期回顾

下期预告

第2期：AI 智能答疑系统

我们将深入打造一个带知识库的智能答疑系统，支持： - PDF/Word 教材上传与解析 - 向量检索 + LLM 的 RAG 问答 - 多知识领域切换 - 上下文感知的多轮对话

敬请期待！

本文代码已开源：https://gitee.com/genesisesNoun/ai-education-tutorial

关注 CV技术笔记，持续学习 AI 技术全栈实战 👇