课程学习智能体：功能与架构设计说明

1. 项目定位

课程学习智能体（Class Agent）是一套面向教师和学生的课程知识服务系统。项目以课程课件为知识来源，以知识图谱为结构化记忆，以大语言模型为推理中枢，将课件管理、智能问答、学习监测、诊断报告和图谱优化串联为“教—学—评—优”的闭环。

它并非只是在课件上增加聊天框，而是把课程中的概念、公式、协议、先修关系和章节结构沉淀为可检索、可追溯、可迭代的知识底座。教师可以从重复的资料整理中抽离出来，专注于审核、校准和教学设计；学生则通过自然语言提问、学习画像与路径建议，更快定位需要补足的知识。

图 1 课程学习智能体的教—学—评—优闭环。

2. 核心功能设计

2.1 教：课件知识自动化构建

教师上传 PDF、PPTX、DOCX 或 TXT 等课件后，系统先将不同格式统一为可处理页面和文本块。对于图表、公式和复杂排版等传统文本提取容易乱码或缺失的内容，系统使用视觉语言模型逐页进行结构化转写；随后按 token 长度分块并保留必要重叠，兼顾模型上下文限制与语义连续性。

在知识抽取阶段，系统使用面向教育场景的实体和关系类型，例如概念、定义、公式、示例、章节、先修关系和包含关系。抽取结果以定界符结构化行输出，而不是要求模型一次生成大段 JSON，从而降低 token 消耗，并让局部格式偏差不至于破坏整批结果。对于跨页面反复出现的同名实体，系统通过 Map-Reduce 摘要融合得到统一描述；对于首轮遗漏的跨块关系，再通过 Gleaning 进行补充。

图 2 从多格式课件到图谱和向量索引的知识构建流程。

完成抽取后，实体和关系进入图谱层，并聚合形成实体层与社区层的双层知识图谱；文档块和实体同时建立向量索引。向量检索负责语义召回，图谱结构负责关系遍历和上下文推理，两者协同避免纯相似度检索忽略先修关系、层次结构等教育语义。

图 3 课程知识图谱可视化：不同颜色区分教育实体类型，连线表达知识关系。

2.2 学：面向课程的学习智能体

学生侧以统一的自然语言对话作为入口。学习智能体会先识别问题意图，再选择是否需要检索增强以及何种检索路径：简单事实查询可以使用轻量向量检索，概念比较或先修关系问题会更多依赖局部图谱遍历，综合问题则组合多种召回结果。

智能体由四项关键能力组成：课程知识图谱是记忆，图谱遍历与向量检索是工具，意图路由与模式选择负责规划，困惑检测与质量自检负责反思。这样的设计让模型不只生成答案，还能根据问题复杂度选择合适的证据来源，并在回答中附带课件页码、节点或来源信息。

图 4 学习智能体的决策组成：以图谱为记忆，以检索为工具。

2.3 自适应五模式 GraphRAG

为覆盖不同类型的问题，系统设计 naive、local、global、hybrid 和 mix 五种 GraphRAG 检索模式。naive 模式适合简单事实查询；local 模式围绕目标实体进行邻域遍历，适合关系对比；global 模式基于社区层获得课程主题概览；hybrid 融合局部和全局结果；mix 则在复杂、多实体问题中增加交叉编码器重排序。

这种“先识别意图、再自适应选模式”的策略避免了所有问题都拼接冗长上下文的问题，也使不同请求的检索成本、延迟和质量能够被记录、分析和持续优化。

图 5 五模式 GraphRAG 的检索路径及适用问题类型。

3. 系统架构设计

系统采用分层架构。应用层由教师端和学生端 Web 页面组成：教师可管理课件、查看和编辑图谱、回溯版本并查看学情；学生可进行智能问答、查看个人看板、获得薄弱点诊断和学习路径。

智能体服务层以 CourseAgent 为统一入口，协调知识构建、智能交互、学情诊断和图谱进化四项服务。其下方的 AI 能力引擎层包括图谱构建引擎、LLM 推理引擎和向量检索引擎：前者组织多模态解析、抽取和聚类，LLM 引擎处理多模型选择和容错降级，向量检索引擎完成嵌入和近邻召回。

数据层以 PostgreSQL 为核心，保存用户、课程、会话、学习事件、实体关系和版本快照；pgvector 支持向量索引，图数据库保存图谱结构，缓存层用于提高常用请求响应。前端使用 Next.js 和 React，后端采用 FastAPI 与异步 SQLAlchemy，模型侧接入文本、视觉与嵌入能力。

图 6 课程学习智能体的应用层、服务层、AI 引擎层与数据层。

从一次用户操作看，系统的处理流程如下：

课件上传 / 学生提问 → FastAPI 接口 → CourseAgent 意图编排 → 图谱与向量检索 → 大模型生成与溯源 → 学习事件记录 → 教师端 / 学生端页面展示

4. 评：学习监测与诊断报告

系统在后台采集学生自然产生的问答、浏览和学习行为，不要求额外填写问卷或完成专门测试。事件记录会关联学生、问题、识别意图、检索模式和命中的知识实体，从而把一次对话转化为可分析的学习证据。

针对每个知识点，系统以 Beta 分布维护掌握度参数，并随有效交互持续更新。对于尚未直接交互的知识点，系统沿图谱拓扑进行邻居传播推断。当掌握度低于设定阈值时，系统不仅标记薄弱项，还会沿先修关系回溯潜在根因，并以拓扑顺序生成可执行的学习路径。

图 7 基于知识点掌握度、根因分析和学习路径生成的个性化诊断报告。

5. 优：图谱质量评估与自迭代

图谱不会在第一次构建后保持不变。系统从实体抽取准确率、关系召回率、实体覆盖度和关系一致性四个维度持续评估质量。新课件上传后会触发增量合并和冲突检测；用户纠错会将相关实体标记为待审核；周期性自检会发现孤岛和冷知识点；模型也会辅助识别同义异名、同名异义等需要合并或拆分的情况。

当任一质量指标低于阈值时，系统生成全量重构建议。教师确认后，系统先保存当前图谱快照，再基于全部课件重建，并提供新旧版本差异对比。由此，图谱演进始终可追溯、可回滚，而不是无记录地覆盖历史知识。

图 8 图谱质量指标、问题发现与版本演进记录。

6. 系统界面展示

课程主页面向教师提供课程概览、课件上传和知识图谱入口，同时为学生提供问答与学习报告入口。它将原始教学资料、结构化知识和学习服务放到同一课程上下文中，减少系统功能分散带来的使用成本。

图 9 课程主页：课件上传、知识图谱、智能问答和学习报告入口。

学习向导页面提供新对话入口和常用提问建议，帮助学生快速从“课程核心概念”“知识点关系”“学习情况”和“薄弱点”几个方向开始学习。问答结果页面会展示回答正文与来源信息，使学生可以回到对应课件继续阅读。

图 10 学习向导的对话入口，以及基于课程资料生成的可溯源回答。

7. 项目价值与总结

课程学习智能体完成了从课件到课程知识图谱的自动化构建，并以图谱作为学习智能体的结构化记忆，使回答、诊断和优化都能建立在课程证据之上。系统的核心价值在于将“知识整理”“学习支持”“学习评价”和“内容优化”不再视为彼此独立的功能，而是纳入一套持续反馈的课程智能化流程。

当前系统已完成单课程场景下的完整落地。后续可以继续拓展跨学科知识迁移、更多多模态内容、诊断参数自适应、跨班级联合诊断，以及隐私保护与可控生成等能力。