🎓 基于多智能体与大模型的高校个性化学习资源生成智能体

科大讯飞 · 企业真实业务命题

核心框架: KSTAR 学习循环 × 多智能体协同

项目一句话说明

设计多智能体协同生成学习资源的流程，面向高校课程提供个性化资源推荐或生成。

核心框架：KSTAR 循环

K (Knowledge)  ── 前置测试，诊断学生已有知识
S (Status)     ── 分析现状与目标的差距
T (Target)     ── 确定当前要攻克的原子级知识点
A (Action)     ── AI生成资源 → 人类自主学习
R (Reflection) ── 后测评估 → 判断达标 → 决定下一步

          K → S → T → A → R ←── 重置循环
          ↑                       │
          └────── 直到达标 ────────┘

熔断机制: 正确率 ≥ 80% 视为通过 | 每知识点最多循环 2 次

项目结构

CourseResourceAgent/
├── orchestrator.py             # KSTAR 循环调度 + 熔断控制
├── question_bank.py            # 本地题库管理（导入/抽题/补充）
├── student_state.py            # 学生知识状态管理
├── config.py                   # 配置管理
├── prompts.yaml                # 7个Agent角色定义与提示词
├── architecture.md             # 智能体分工图（KSTAR版）
├── flow_diagram.md             # 资源生成流程图（含题库+熔断）
├── agents/                     # AI Agent 模块
│   ├── diagnostic.py           # 诊断评估 Agent（K阶段）
│   ├── gap_analyzer.py         # 差距分析 Agent（S+T阶段）
│   ├── resource_gen.py         # 资源生成 Agent（A阶段）
│   ├── resource_search.py      # 资源搜索 Agent（A阶段·可选）
│   ├── reflection.py           # 反思评估 Agent（R阶段）
│   ├── quality_review.py       # 质量审核 Agent（辅助）
│   └── format_convert.py       # 格式转换 Agent（辅助）
├── data/                       # 本地数据存储
│   ├── question_bank.json      # 题库
│   └── student_states.json     # 学生状态
├── samples/                    # 样例课程资源
│   ├── sample_kstar_trace.md   # KSTAR循环追踪记录
│   └── sample_lecture.md       # 样例学习材料
├── tests/                      # 测试与验证记录
│   └── verification_record.md
├── ui/                         # 演示原型
│   └── streamlit_app.py
├── docs/
│   └── design.md               # 技术设计方案（含成本策略）
├── .env.example
├── requirements.txt
└── README.md

快速开始

# 1. 安装依赖
pip install -r requirements.txt

# 2. 配置环境变量
cp .env.example .env
# 编辑 .env 填入你的 API Key

# 3. 导入题库
# 将你的题库文件放在 data/ 目录下，支持 Excel/CSV/JSON 格式

# 4. 启动演示原型
python -m streamlit run ui/streamlit_app.py

7 个智能体

阶段	智能体	职责
K	诊断评估	分析测试结果，生成能力诊断
S+T	差距分析	确定当前原子级学习目标
A	资源生成	生成精简讲义 + 练习题
A	资源搜索	搜索外部补充资源（可选）
R	反思评估	判断达标情况，更新知识状态
辅助	质量审核	审核生成内容的准确性
辅助	格式转换	多格式输出

成本控制

策略	说明
✅ 题库本地化	出题环节不消耗 API
✅ 诊断跳过	正确率 ≥ 80% 直接通过，零成本
✅ 熔断机制	每知识点最多循环 2 次
✅ K更新降级	一句话更新 K，不重写全量报告
✅ 原子粒度	T 是单个概念，每次生成内容极少

每轮封顶 4-5 次 API 调用，每知识点最多 10 次。

关键词

多智能体 · KSTAR学习循环 · 个性化学习 · 资源生成 · 教育技术 · 低成本

风险与边界

• 不得上传敏感个人信息
• 涉及法律、医学等内容必须人工复核
• 以原型验证为主，不承诺正式上线
• 熔断触发时建议求助人类老师

学生信息

• 学校: 郑州西亚斯学院 (SIAS University)
• 课程: AI+X 多智能体与大模型
• 命题单位: 科大讯飞股份有限公司