一、为什么需要规划型智能体
通用问答助手能答疑,却不会「带着学员往前走」。真正有效的学习规划需要状态记忆与工具协作:先诊断薄弱点,再推送匹配难度的练习,最后评估掌握度并调整路线。清华团队 OpenMAIC 教育智能体在 2026 数字学习周的亮相,正展示了此类「规划教练」形态。本文将这一思路落地为可私有化部署的最小实现。
二、智能体架构:中枢加三类工具
1. 知识点诊断工具:输入学员历史作答,输出薄弱知识点清单与置信度。
2. 练习生成工具:按薄弱点生成难度适配的题目与解析。
3. 掌握度评估工具:依据本轮作答更新知识点掌握概率,决定下一步。
三、最小可运行示例
下面用 Ollama 的函数调用(tool calling)串联工具,让模型在对话中决定调用哪一个。注意对工具输出做边界校验。
import ollama
TOOLS = [{
'type': 'function',
'function': {
'name': 'diagnose',
'description': '根据学员作答历史返回薄弱知识点',
'parameters': {
'type': 'object',
'properties': {'history': {'type': 'array'}},
'required': ['history']
}
}
}]
def diagnose(history):
# 真实实现可接入题库与掌握度模型
weak = [h['q'] for h in history if h['score'] < 0.6]
return {'weak': weak}
resp = ollama.chat(
model='qwen2.5',
messages=[{'role': 'user', 'content': '帮我规划下一步学习路径'}],
tools=TOOLS
)
print(resp['message'].get('tool_calls'))
模型返回 tool_calls 后,本地执行 diagnose 并把结果回灌给模型,即可进入「诊断—练习—评估」循环。掌握度可用简单的贝叶斯更新:每答对一次上调概率,答错则下调,使路径随学情动态收敛。
四、上邦提醒
规划智能体是脚手架而非替学。落地须保留人工导师在环,对低龄学习者尤其如此;练习与评估数据应可回溯,便于教师抽检与纠偏。本文为技术实践,不替代教学设计与教师职责。
参考来源
清华团队自主研发的 AI 教育智能体亮相 2026 数字学习周 - 中国网(2026-09-14)
教育部举行《「人工智能+教育」行动计划》新闻发布会 - 国务院新闻办公室(2026-04-14)
教育部等五部门关于印发《「人工智能+教育」行动计划》的通知(教科信〔2026〕1号)