理途产品系统

中学物理教学中，老师每天面对大量重复提问（如“牛顿第二定律怎么用”），传统题库无法解答概念辨析类问题，通用大模型（如ChatGPT）存在幻觉。理途智能体通过自主检索教材、教辅、教师心得等知识库，以老师的口吻分步讲解，已服务真实用户，减少教师重复答疑时间约40%。

面向中学物理教学场景的知识检索型智能体系统，核心目标是解决物理教师课后重复答疑负担重、传统题库无法覆盖概念推导类问题、通用大模型存在幻觉等痛点。系统基于Qwen2.5-7B大语言模型和RAG检索增强生成架构，构建了涵盖力学、电磁学、热学、光学、原子物理五大学科的30万+结构化知识库（来源于教材、教辅、试题解析及教师独家教学心得）。智能体采用四层架构设计：交互层负责意图识别和上下文管理（微调BERT做五类意图分类），决策层基于LangGraph实现多步推理工作流编排（支持检索→判断→重写查询→生成的循环决策），工具层将RAG检索、知识图谱查询等能力封装为标准Agent工具，工程层通过Redis实现短期记忆、Milvus实现长期知识库记忆、RAGAS实现评测闭环。系统具备自主路由能力，根据问题复杂度自动选择缓存直出、FAQ匹配或完整RAG链路。通过LoRA微调（Rank=8，2000条教学问答对）让回答风格贴近物理教师口吻，通过SSE流式响应将首字延迟控制在400毫秒以内。系统已上线服务真实用户（中学物理教学），学生自主提问解决率达75%以上，教师重复答疑时间减少约40%。项目已规划下一代进化方向：集成MCP协议实现多工具调用、引入Hermes自进化框架实现持续学习、构建Harness工程化运行环境，实现从“回答问题”到“执行任务”的跨越。

面向中学物理教学场景的知识检索型智能体（Agent）系统。它基于大语言模型（Qwen2.5-7B），结合 RAG（检索增强生成）、工具调用、工作流编排和记忆管理，构建了一个能够自主理解问题、检索知识、生成回答、持续学习的智能教学助手。
与传统RAG系统不同，理途具备 Agent核心特征：
自主决策：根据问题类型选择最优处理路径（缓存/FAQ/检索）
工具调用：封装RAG检索、知识图谱查询等为Agent可调用的工具
工作流编排：复杂问题自动拆解为多步任务（LangGraph实现）
记忆系统：短期对话记忆 + 长期知识库记忆
可观测性：完整调用链追踪 + 效果评估（RAGAS）