一、设计目标:从答案机到陪练
直接把题目丢给大模型要答案,学生容易跳过思考。更好的做法是让智能体扮演陪练:要求学生先用自己的话复述文章要点,再围绕论点、证据、推理链逐步追问,最后归纳薄弱点。这样既锻炼表达,也能暴露理解盲区。
二、可复现代码
用 Ollama 在本地起一个兼容 OpenAI 接口的服务,再用 LangChain 串起提问链(需先安装 langchain、langchain-community、ollama):
from langchain_community.llms import Ollama
from langchain_core.prompts import ChatPromptTemplate
llm = Ollama(model='qwen2.5:7b', base_url='http://127.0.0.1:11434')
# 第一步:让学生复述要点
recite_p = ChatPromptTemplate.from_messages([
('system', '你是严谨的阅读辅导老师,不直接给答案,先要求学生用自己的话复述文章要点。'),
('human', '文章:{text}\n请先复述这篇文章的核心要点,不超过150字。')])
recite = recite_p | llm
# 第二步:追问论证与证据
probe_p = ChatPromptTemplate.from_messages([
('system', '根据学生的复述,追问一处论证是否成立、证据是否充分,只问一个最关键的问题。'),
('human', '文章:{text}\n学生复述:{recite}\n请提出一个追问。')])
probe = probe_p | llm把两步串成链并收集结果:
def tutor(text, student_recite=None):
r = recite.invoke({'text': text}).content
if not student_recite:
return r, None
q = probe.invoke({'text': text, 'recite': student_recite}).content
return r, q
# 多轮:把上一轮追问的答案再喂回,形成追问链三、薄弱点报告
收集学生多轮复述与作答,统计其反复跳过的论证环节(如只说结论不给证据)。
用一次总结调用输出结构化薄弱点:信息提取、论证判断、证据意识三类打分与改进建议。
报告只给老师与家长看,作为分层辅导依据,不直接打分排名。
四、合规提醒
提醒:面向未成年人的 AI 辅导产品须遵循教育 AI 应用的安全红线——数据最小必要、算法可干预、不替代教师育人职责;学生作答与身份信息应在校内私有环境处理,模型输出须保留人工复核入口,避免把 AI 判断直接当作评价结论。
参考来源
教育部等五部门《“人工智能+教育”行动计划》(教科信〔2026〕1号) - 教育部;LangChain 官方文档 - langchain.com;Ollama 官方文档 - ollama.com。