欢迎访问上邦|专注企业 AI 数字化转型落地 · 咨询热线 400-667-6771
免费咨询
首页 / 资讯中心 / 技术干货 / 文章详情
技术干货

搭建本地化 AI 阅读理解辅导智能体:提问链驱动的深度理解

上邦 AI 工程团队2026-10-05阅读 约 7 分钟
阅读理解辅导的关键不是给答案,而是引导学生说出推理过程。本文给出可本地部署方案:用本地大模型(Ollama 加载 Qwen 或 Llama 系列)配合 LangChain 构建提问—追问—归纳辅导链,对学生提交的文章与问题先让其复述要点,再逐层追问论证与证据,最后生成个性化薄弱点报告,数据不出内网。

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。
相关标签:AI教育阅读理解本地大模型LangChainOllama

免费咨询上邦技术顾问

一对一上邦方案顾问对接 · 免费定制企业专属 AI 数字化转型方案

立即获取上邦方案