课程学习智能体项目说明书

1. 项目概述

课程学习智能体是基于知识图谱的课程学习系统，面向教师和学生提供统一的课程知识管理与学习支持。它将 PDF、PPT、DOCX、TXT 等课件解析为知识实体、关系和向量索引，在此基础上提供基于课程内容的问答、学习行为监测、掌握度建模和诊断报告。

项目的核心不是孤立地回答问题，而是构建“教—学—评—优”闭环：教师维护课程知识，学生以对话和学习活动使用知识，系统持续观测学习状态并产出诊断，图谱再依据质量评估和冲突消歧进行优化。

2. 功能范围

课件知识管理模块支持多模态课件解析。文本解析负责分块、实体与关系抽取；视觉识别补充页面图像中的内容；图谱模块将知识写入图数据库，并建立向量索引以支持语义检索和相关内容召回。

智能对话中枢是系统的统一入口。模型先识别用户意图，再路由到知识问答、学习查询、报告请求或图谱操作等子流程；检索模块组合图谱关系、向量内容和课程上下文，为回答提供可追溯依据。

学习监测模块无侵入采集学习行为，动态更新知识掌握度，输出薄弱点根因分析和个性化学习路径。图谱自迭代模块评估准确率、召回率和覆盖度，对冲突内容进行大模型辅助消歧，并支持重构与版本管理。

3. 技术架构

前端使用 Next.js App Router，分别服务教师端、学生端和知识图谱可视化。FastAPI 提供认证、课程、文档、图谱、问答、学习与报告接口；核心引擎封装抽取、图谱构建、检索、智能体、诊断和优化能力。

数据层采用 PostgreSQL + pgvector 承载关系数据与向量能力，Neo4j 存储图谱结构，ChromaDB 保存文档块嵌入，Redis 支持缓存。LLM 使用火山引擎 Ark，视觉和嵌入能力由通义千问 DashScope 提供。

系统链路为：

教师上传课件 → 解析与视觉识别 → 图谱构建和向量化 → 学生 / 教师 API 请求 → 意图路由和混合检索 → 对话、报告或图谱操作 → 行为采集与掌握度更新 → 诊断及图谱优化

4. 引擎设计

文档处理引擎负责将原始课件转换为结构化知识；图谱引擎维护实体、关系与课程边界；检索引擎在回答前组合多种召回路径；智能体负责判断请求意图并编排工具。各职责拆分后，模型调用不再直接面对整份课件，降低了上下文浪费和回答漂移。

学习诊断引擎从事件中更新掌握度，以知识点为单位定位薄弱环节，并结合课程图谱推荐后续学习路径。优化引擎则从图谱质量指标和冲突内容出发，生成可执行的修订或重构动作，形成知识底座的持续改进机制。

5. 部署与运行

项目通过 Docker Compose 启动所需数据服务。后端以环境变量接收模型密钥和 PostgreSQL、Neo4j、Redis 连接信息，前端与后端独立启动。工程同时保留 LightRAG 相关目录，用于承接知识检索和图谱增强能力。

项目已归档。五阶段主线完成后，后续分支补充了学习趋势 API、周报数据、事件追踪中间件修复以及仪表盘、报告页的前端联动，使学情诊断从单次报告扩展为可观察的连续过程。