方案概览
智能备课的核心是本地大模型加结构化提示词加学科数据集。相比调用公有 API,本地部署可避免学生与教研数据出境,适合学校与教育机构。下面是一个最小可用工作流。
Step 1:本地部署教学大模型
ollama pull qwen2.5:14b\n# 或针对教育场景的指令模型\nollama pull llama3.1:8b\n# 启动 OpenAI 兼容接口\nollama serveStep 2:用提示词模板生成教学设计
把学科、年级、章节、课时目标作为参数注入模板,避免每次重复描述:
from openai import OpenAI\n\nclient = OpenAI(base_url='http://localhost:11434/v1', api_key='ollama')\n\ndef gen_lesson_plan(subject, grade, chapter):\n prompt = f'''你是有 {grade} 年教学经验的{subject}教师。\n请为“{chapter}”编写一份教学设计,包含:\n1. 教学目标;2. 重难点;3. 导入与探究活动;\n4. 随堂练习(3 题);5. 分层作业(基础/拓展)。'''\n r = client.chat.completions.create(\n model='qwen2.5:14b',\n messages=[{'role':'user','content':prompt}]\n )\n return r.choices[0].message.content\n\nprint(gen_lesson_plan('语文', '高二', '第二章第一节'))Step 3:作业批改与错因诊断
用结构化输出沉淀错题,便于后续精准再练:
import json\n\ndef grade_answer(question, std_answer, student_answer):\n prompt = f'''题目:{question}\n标准答案:{std_answer}\n学生作答:{student_answer}\n请输出 JSON:{{'correct': bool, 'reason': str, 'wrong_point': str}}'''\n r = client.chat.completions.create(model='qwen2.5:14b',\n messages=[{'role':'user','content':prompt}])\n return json.loads(r.choices[0].message.content)\n\n# 汇总错因,生成班级错题画像\nwrong_points = [grade_answer(*t)['wrong_point'] for t in batch]Step 4:评测与安全
① 用 20-50 份真实教学设计做人工评分,对比 AI 与教师版本;
② 涉及学生个人数据的,全部留在校内服务器,不调用外部 API;
③ 输出须标注 AI 辅助生成、教师终审,保留人工把关。
说明:模型能力与学科适配以实际部署版本为准;涉及未成年人数据须遵守相关隐私规定。
参考来源
本文参考的公开实践:河南教育垂类大模型助推 AI 融入教学全要素 - 河南省政府门户;青岛人工智能加教研落地实践 - 青岛市教育局。