多Agent智能教育与个性化学习系统

提示

这是一个企业级多Agent智能教育系统，用5个Agent完成个性化教学，是一个可以用来面试的完整项目，帮助：

1. 拥有一个可以在简历上写、面试的企业级多Agent项目
2. 理解多Agent系统核心架构思想（Mesh + 事件驱动）
3. 掌握面试八股文、STAR回答法、简历写法的全套技巧
4. 用主流Python语言实现，适配AI行业岗位需求

[图示已省略]

整体架构

系统采用 Mesh + 事件驱动架构，5个Agent双向异步通信。

                        ┌──────────────┐
                        │  React 前端   │
                        │  (WebSocket)  │
                        └──────┬───────┘
                               │
                        ┌──────▼───────┐
                        │ API Gateway  │
                        │  / EventBus  │
                        └──────┬───────┘
                               │
      ┌────────────────────────┼────────────────────────┐
      │                        │                        │
 ┌────▼──────┐          ┌─────▼──────┐          ┌──────▼──────┐
 │ Assessment│◄────────►│   Tutor    │◄────────►│    Hint     │
 │   Agent   │          │   Agent    │          │    Agent    │
 └────┬──────┘          └────────────┘          └─────────────┘
      │                       ▲
      │                       │
 ┌────▼──────┐          ┌─────┴──────┐
 │ Curriculum│◄────────►│ Engagement │
 │   Agent   │          │   Agent    │
 └───────────┘          └────────────┘
      │                       │
      └───────┬───────────────┘
              ▼
      ┌───────────────┐
      │ 共享学习者状态  │
      │ (PostgreSQL)  │
      └───────────────┘

事件流设计

核心事件流：学生答题

学生答题
  → STUDENT_SUBMISSION 事件
  → Assessment Agent 处理
      → MASTERY_UPDATED 事件
          → Curriculum Agent（更新SM-2复习计划）
      → ASSESSMENT_COMPLETE 事件
          → Tutor Agent（生成苏格拉底式回复）
          → Engagement Agent（分析学习状态）
  → Engagement Agent 并行处理
      → 如果检测到挫败 → ENGAGEMENT_ALERT 事件
          → Tutor Agent（降低难度）
          → Curriculum Agent（放慢节奏）

提示流：学生卡住

[图示已省略]

学生连续答错
  → Tutor Agent 检测到 attempts >= 2
  → HINT_NEEDED 事件
  → Hint Agent 处理
      → 判断提示级别（1/2/3）
      → HINT_RESPONSE 事件
      → Tutor Agent 转发给学生

为什么选择 Mesh + 事件驱动

与其他架构模式的对比

[图示已省略]

提示

Supervisor 模式：

• 中心化调度器分配任务给各Agent
• 缺点：调度器是瓶颈和单点故障
• 不适合本场景：教育交互是双向的、非线性的

提示

Pipeline 模式：

• Agent按固定顺序串行处理
• 缺点：灵活性差，不支持双向交互
• 不适合本场景：学习路径不是固定的

提示

Mesh 模式 (我们的选择)：

• Agent之间通过事件总线自由通信
• 优点：松耦合、可扩展、支持双向交互
• 适合本场景：Agent需要实时感知和响应其他Agent的状态

开闭原则验证

新增一个"家长通知Agent"只需要：

[图示已省略]

class ParentNotifyAgent(BaseAgent):
    @property
    def subscribed_events(self):
        return [EventType.WEAKNESS_DETECTED, EventType.ENCOURAGEMENT]

    async def handle_event(self, event):
        # 发送通知给家长
        pass

无需修改任何现有Agent代码。

数据流

学习者模型数据流

学生行为数据 → Assessment Agent → BKT更新mastery
                                → 持久化到数据库
                                → 事件通知其他Agent
                                      ↓
                               Curriculum Agent → SM-2更新复习计划
                               Tutor Agent → 调整教学难度
                               Engagement Agent → 检测学习状态

状态一致性保证

[图示已省略]

• 单写者策略：mastery只由Assessment Agent写入
• 事件溯源：所有变更通过事件记录，可追溯
• 版本号：每次更新带version，防止并发冲突

部署指南

[图示已省略]

方式一：本地（推荐新手）

cd python
python -m venv venv
source venv/bin/activate
pip install -r requirements.txt
python -m api.main
# 访问 http://localhost:8000/docs

前端

cd frontend
npm install
npm run dev
# 访问 http://localhost:3000

方式二：Docker Compose（一键部署）

# 在项目根目录
cp .env.example .env
# 编辑 .env 填入 API Key

docker-compose up -d

# 查看服务状态
docker-compose ps

# 查看日志
docker-compose logs -f python-api

# 停止
docker-compose down

服务地址：

• 前端：http://localhost:3000
• Python API：http://localhost:8000/docs
• PostgreSQL：localhost:5432
• Redis：localhost:6379

5个Agent职责说明

内嵌表格

为什么用 Mesh + 事件驱动？

内嵌表格

提示

选择 Mesh 的原因：

• 实战过程中，Tutor 需要随时请求 Hint，Assessment 需要通知 Curriculum 调整路径
• Agent 之间是双向、异步、事件驱动
• 新增 Agent 只需订阅事件，无需修改现有代码

🧠 核心算法详解

[图示已省略]

SM-2 间隔重复算法（Curriculum Agent 使用）

什么是间隔重复？ 就是"快忘了的时候复习效果最好"。Anki、SuperMemo 都用这个算法。

核心公式：

复习间隔计算：
  I(1) = 1 天（第1次复习）
  I(2) = 6 天（第2次复习）
  I(n) = I(n-1) × EF（之后每次间隔 = 上次间隔 × 难度因子）

难度因子更新：
  EF' = EF - 0.8 + 0.28 × q - 0.02 × q²

  其中 q 是回答质量（0-5分）：
    5 = 完美回答  → EF 增大 → 间隔变长
    4 = 正确但犹豫 → EF 不变
    3 = 勉强正确  → EF 略降
    0-2 = 错误    → 重置间隔，从头复习

贝叶斯知识追踪 BKT（Assessment Agent 使用）

什么是 BKT？ 用概率模型估计学生对每个知识点的掌握程度。

四个核心参数：

P(L₀) = 初始掌握概率（先验，通常 0.1-0.3）
P(T)  = 学习转移概率（每次练习后学会的概率）
P(G)  = 猜测概率（不会但猜对的概率）
P(S)  = 失误概率（会但做错的概率）

更新公式：
  如果学生答对：
    P(Lₙ|correct) = P(Lₙ₋₁) × (1 - P(S)) / P(correct)
  如果学生答错：
    P(Lₙ|wrong) = P(Lₙ₋₁) × P(S) / P(wrong)

苏格拉底式教学策略（Tutor Agent 使用）

什么是苏格拉底式教学？ 不直接告诉答案，而是通过提问引导学生自己发现答案。

学生："二次函数 y = x² + 2x + 1 的顶点在哪里？"

❌ 直接给答案："顶点是 (-1, 0)"

✅ 苏格拉底式引导：
  第1轮："你知道二次函数的顶点公式吗？或者，你能把这个式子配方吗？"
  第2轮："很好！你配成了 y = (x+1)²，那 (x+1)² 最小值是多少？此时 x 等于几？"
  第3轮："对了！所以顶点坐标是？"