多教学角色可配置协同的AI课堂生成方法、系统及机器人与流程

摘要: 本发明属于人工智能教辅领域,具体涉及一种多教学角色可配置协同的ai课堂生成方法、系统及机器人。背景技术:1、随着大语言模型(largelanguagemodel...
多教学角色可配置协同的AI课堂生成方法、系统及机器人与流程

本发明属于人工智能教辅领域,具体涉及一种多教学角色可配置协同的ai课堂生成方法、系统及机器人。

背景技术:

1、随着大语言模型(large language models, llms)与生成式人工智能技术的演进,计算机辅助教学系统(computer-assisted instruction, cai)正逐步从基于预设决策树与静态题库检索的早期架构,向具备自主语言理解与内容生成能力的动态教学系统演化。在交互式课堂生成与课后个性化辅导的实际应用场景中,如何协调多角色参与、确保推理过程可验证、提升系统容错能力并维持课前课后数据连续性,是当前智能教育技术领域的核心课题。然而,现有技术在系统架构与协同机制上仍存在以下几方面的技术缺陷:

2、第一,交互角色机制单一且静态,难以复现多边教学场景。现有多数智能教辅系统普遍采用单一主控智能体(single-agent)与学习者开展一问一答式的串行问答。在真实教育场景中,高水平的课堂教学往往依赖主讲教师、随堂助教以及具有不同认知特征的学生(例如探究型学生、批判思维型学生、笔记型学生)共同构建的多元交互场域。现有系统缺乏可灵活配置的多角色编排机制,无法依据用户需求动态组织并补齐缺失的角色职能,导致交互形态单调,无法通过角色间认知冲突激发学习者的深层思考。

3、第二,多智能体推理过程黑盒化,缺乏细粒度运行轨迹与证据溯源。在少数尝试引入多角色交互的现有方案中,各智能体通常直接输出最终的文本结果,其内部的上下文读取、资料检索与意图规划过程被封装于模型黑盒内。面对复杂的学科问答,智能体极易在未经检索验证的情况下产生隐式推理跳跃或事实性幻觉。这种缺乏细粒度运行轨迹(trace)的黑盒架构,导致推理过程不可审查、证据链条不可追溯,且历史交互无法在断点后进行高保真回放与重构。

4、第三,多智能体协同调用链脆弱,单点异常易阻断整轮交互。在多智能体并发或串联调用的管线中,若缺乏严格的异常隔离与沙箱保护机制,一旦某个智能体发生网络通信超时、输出格式解析失败或模型服务端异常,往往会导致整轮交互中断,严重影响交互流程的稳定性与系统可用性。

5、第四,多候选回复缺乏客观教学质量分层与确定性平局打破机制。在多智能体并发生成多个候选回复的情况下,现有方案通常采取简单文本拼接或基于固定规则的粗粒度选择,既未能区分教学角色(教师/助教)与学习角色(学生)的职能差异,亦缺乏依据教育学标准对候选内容进行的细粒度质量分层评级。当评估分类器自身出现偶发性故障或超时时,缺乏确定性的降级选择策略,容易导致低质或不适宜内容输出给学习者。

6、第五,课前内容生产与课后个性化辅导处于割裂状态,形成数据孤岛。现有教辅工具大多为功能单一的独立软件,课前阶段的课件生成、大纲编排与视频渲染,同课后阶段的答疑、测验与诊断相互独立。课前沉淀的结构化场景载荷与知识索引无法直接流转至课后环节复用,学习者在课堂交互中展现出的概念掌握情况与参与度特征亦无法沉淀为跨课堂的连续画像,无法形成覆盖课前生成、课中交互与课后分层辅导的全流程闭环。

技术实现思路

1、本发明所要解决的技术问题是:提供一种多教学角色可配置协同的ai课堂生成方法、系统及机器人,解决了现有技术中教学角色机制单一固化、多智能体协同推理不透明且不可追溯、单点异常易引发整轮交互崩溃、候选回复缺乏教育学质量分层评级以及课前课后数据孤岛脱节的问题。

2、本发明为解决上述技术问题采用以下技术方案:

3、多教学角色可配置协同的ai课堂生成方法,包括如下步骤:

4、步骤1、构建多智能体配置模块,配置教学需求、语言设定、参考资料及多媒体生成开关,生成包括教师、助教、学生及扩展角色的教学角色库;

5、步骤2、根据教学角色库解析参与课堂交互的目标角色集合,在缺失教师或学生角色时,依据角色覆盖约束规则自动从所述教学角色库中补齐对应角色,生成课堂角色集合并构建多场景结构化课堂载荷;

6、步骤3、根据学习者消息,针对角色集合中的至少两个智能体分别创建运行实例,在每个运行实例中依次生成规划思考事件、工具调用事件、工具结果事件与文本回复事件,且规划阶段施加约束禁止直接回答学习者;

7、步骤4、在每个运行实例中,根据当前场景上下文、历史对话、学习者画像、智能体角色记忆及知识库检索结果生成各智能体候选回复;

8、步骤5、在排除学生角色的候选回复中进行教学质量分层评级并选择聚合回复;当所述教学质量分层评级不可用时,按照教师角色优于助教角色、助教角色优于扩展角色的预设优先级执行确定性平局打破回退选择;

9、步骤6、将课堂交互会话、各智能体运行实例与事件序列进行结构化持久化存储;

10、步骤7、基于所述课堂交互会话与学习者画像,构建课前生成引擎和课后辅导引擎闭环的双引擎结构,通过课前生成引擎与课后辅导引擎共享底层记忆层与知识中心的双引擎架构,生成课后答疑、薄弱点诊断、复习测验或分层学习建议。

11、所述角色覆盖约束规则如下:

12、当检测到目标角色集合缺失教师角色时,从所述教学角色库头部自动插入预设教师角色;当检测到目标角色集合缺失学生角色时,从所述教学角色库尾部自动插入预设学生角色。

13、所述结构化课堂载荷的生成方法如下:

14、根据课程草稿中的教学需求、目标语言及参考资料,通过服务器发送事件sse流式将课堂规范化为包含多个连续场景的结构化载荷,每个场景包括场景标识符、场景标题、场景摘要、教学节拍序列beats以及场景视觉配置包;所述场景视觉配置包包括艺术指导参数、氛围描述、图像生成提示词、配色方案及包含多个视觉卡片的卡片序列,供下游课件生成与多媒体渲染管线复用。

15、步骤3中每个运行实例由事件状态机管理,事件流具有单调递增的事件序列号和唯一运行标识符,所述事件流包括:

16、规划思考事件,记录智能体在规划阶段的推理链;

17、工具调用事件,记录智能体调用的工具名称及输入参数;

18、工具结果事件,记录工具执行返回的结构化输出;

19、文本回复事件,记录智能体生成的回复内容;

20、完成事件,表征该运行实例正常结束;

21、异常失败事件,当单个运行实例发生执行异常时捕获错误信息并输出兜底文本,且单运行实例失败不阻断其余智能体运行实例与后续聚合评级的执行。

22、所述知识库的构建与检索方法如下:

23、接收用户上传的参考资料并分配唯一知识库标识符;

24、基于标题感知分块算法,通过识别文本中的markdown标题与编号标题层级,将文档切分为附带文档标识符、层级标题及前后10%重叠字符的结构化文本块集合,并基于分词结果构建关键词倒排索引;

25、针对查询关键词集合,计算文本块的关键词匹配得分和文本块的综合检索得分;

26、提取综合检索得分前k个文本块格式化为来源片段,注入智能体规划与响应的提示词上下文中,构成知识库。

27、教学质量分层评级、多智能运行与聚合包括如下步骤:

28、步骤a、输入规范化,接收课堂标识符、学习者消息、当前场景标题、摘要与节拍、参与角色列表、对话历史、支持模式开关、学习者标识符及知识库标识符,并通过角色过滤函数过滤合法角色,当角色列表为空时回退为默认教师角色;

29、步骤b、为当前交互轮次创建轮次标识符,并为每个参与智能体创建运行标识符及单调递增事件序号;

30、步骤c、并行异步读取学习者画像与智能体角色记忆,格式化为学习者上下文注入规划阶段与响应阶段的系统提示词;

31、步骤d、规划阶段,在系统提示词中施加禁止直接回答学习者的约束,模型仅输出思考内容与工具调用数组,将工具调用数组过滤限制在预设白名单工具内,并向事件流写入思考内容事件;

32、步骤e、工具阶段,针对每个合法工具调用,向事件流写入工具调用事件,执行工具解析函数获取结构化结果,并将执行结果写入工具结果事件;

33、步骤f、响应阶段:结合工具执行结果生成最终思考内容与回复文本;当支持模式开启且当前角色为教师角色时,生成包含当下动作、后续指引、复述话术及看护建议的教学支持卡片,并写入思考内容事件、后续指引事件与完成事件;

34、步骤g、异常兜底:若智能体执行异常,捕获异常并写入error事件、fallback文本及failed事件;

35、步骤h、全角色完成后调用聚合评级函数获得面向学习者的统一答复,并通过会话保存函数将更新后的历史会话异步持久化。

36、所述生成引擎和辅导引擎两者共享底层记忆层、知识中心与工具/能力注册表,其中,生成引擎,负责初始学习者画像,场景/载荷/多媒体任务;

37、辅导引擎具有动态能力集,根据学习任务在课后答疑、薄弱点诊断、复习测验、深度研究与苏格拉底对话之间切换;

38、当辅导引擎复用课堂上下文且非深度研究或苏格拉底对话能力时,辅导回复执行与课堂交互相同的多智能体聚合管线;

39、构建学习洞察模块,综合薄弱点诊断摘要、测验得分以及课堂对话记录,评估输出学习准备度等级、判定证据链、焦点概念集以及包含基础层、标准层与拓展层的三层差异化学习计划;

40、会话结束后调用画像分析函数,根据学生交互消息比例与平均消息长度计算参与度得分,并更新学习者画像中的概念掌握度列表、已掌握概念集、薄弱概念集及参与度趋势列表,形成跨课堂连续学习画像闭环。

41、多教学角色可配置协同的ai课堂生成与个性化辅导系统,包括草稿接收模块,用于接收包含教学需求、语言设定、参考资料及多媒体配置的课程草稿;

42、角色覆盖与课堂载荷生成模块,基于角色库与角色覆盖约束解析并补齐课堂角色集合,通过流式接口生成多场景结构化课堂载荷;

43、多智能体trace运行模块,针对至少两个教学智能体并行创建运行实例,通过事件状态机按序执行规划、工具调用、工具结果解析与回复生成,输出有序事件流,且规划阶段强制禁止直接回答;

44、知识库模块,对参考资料进行标题感知分块、倒排索引构建及关键词与语义混合检索;

45、记忆画像模块,用于存储与更新跨课堂学习者长期画像及智能体角色记忆;

46、质量聚合模块,用于在排除学生角色的候选回复中基于教学质量分层评级或确定性角色优先级回退,生成面向学习者的统一聚合回复;

47、辅导引擎模块,用于在课后提供多能力动态切换的个性化辅导,并输出分层学习计划;

48、多媒体生成模块,基于结构化课堂载荷生成ppt演示文稿、语音音频及课堂视频;

49、持久化模块,用于对课堂交互会话、运行实例、trace事件流及学习者画像进行持久化存储。

50、所述系统的语言约束覆盖中文、英文及西班牙文并贯穿课前草稿、课堂旁白与课后辅导输出。

51、ai课堂生成与个性化辅导机器人,所述机器人包括至少一个处理器、与所述处理器通信连接的存储器,所述存储器存储有可被所述处理器执行的计算机程序,所述计算机程序被所述处理器执行时实现所述多教学角色可配置协同的ai课堂生成方法,为多角色提供可配置的课堂生成内容及个性化辅导内容。

52、与现有技术相比,本发明具有以下有益效果:

53、1、实现了可配置的多教学角色动态协同与鲁棒角色覆盖保障:通过标准化角色库与覆盖约束机制,系统能够根据课程草稿自动解析并确定性补齐缺失的教师与学生角色,保证课堂交互始终具备传授者与互动者;配合多智能体并发调度与单角色沙箱隔离机制,任一角色发生执行异常时均能实现局部降级兜底,保障整体交互流程零中断。

54、2、建立了全生命周期可追溯的细粒度trace事件状态机与显式规划机制:引入状态机事件模型,在规划阶段通过强约束迫使智能体完成显式推理与白名单工具调用,消除了未经检索的隐式推理跳跃;全流程有序事件序列持久化存储,支持完整课堂运行轨迹的高保真回放与教学审查。

55、3、构建了科学的教学质量分层评级与确定性平局打破聚合机制:在排除非教学角色(学生角色)候选回复的前提下,基于教育学标准将候选教学回复划分为优选级、可接受级与待纠正级;在分类器服务发生异常时,平滑降级至基于预设角色优先级的确定性规则,兼顾了多智能体思维多样性与最终输出内容的权威可靠性。

56、4、达成了课前生成引擎与课后辅导引擎的双引擎共享底座与自适应数据闭环:课前生成引擎与课后辅导引擎共享底层记忆层、知识中心与工具注册表;辅导引擎支持多能力动态切换,输出包含基础层、标准层与拓展层的三层差异化学习计划,并依据交互深度动态更新概念掌握度与参与度趋势,打破了数据孤岛,实现了教学全周期的连续个性化支持。