基于大模型的“过程性思维诊断”智能体系统（展示你的 AI 架构能力）产品系统

1、立项原因
核心痛点：

“假懂”现象泛滥：学生在学习过程中，往往只停留在“看懂解析”的表层，缺乏深度的独立思考，导致换个题型立刻卡壳，知识无法内化。

过程性评价缺失：传统的辅导工具或教学方式，只看最终的对错结果。家长和教师无法直观看到学生“在哪个环节断档”，缺乏可视化的学情数据支撑。

抽象概念难以具象化：在面对复杂的空间几何、逻辑推演时，纯文字或静态图片的讲解效率极低，学生认知负荷过重。

产品解法：打造一套“启发式思维诊断引擎”。通过大模型的深度推理能力，进行多步骤的分步引导，拒绝直接投喂结果；同时结合代码生成技术，现场渲染动态 3D 交互网页。最终，系统输出结构化的“白盒思维日志”，将隐性的思考过程彻底数据化，赋能个性化教学。

2、行业场景 业务背景
业务背景：
随着教育理念向“核心素养”和“过程性评价”转型，无论是家庭辅导还是专业教学，都急需从“题海战术”向“思维培养”转变。学生需要能真正启发思考的工具，而教师和机构则需要高度专业化的学情分析报告，来外化教学成果、提升交付价值。

落地业务场景：

家庭与个性化培优：针对高难度的附加题或逻辑题，系统分步骤拆解“读题、关系、计算”等卡点，引导学生自主通关，培养独立思考习惯。

教学辅助与学情外化：作为教师或辅导机构的教研利器。课后系统自动生成包含“卡点归因”和“思维轨迹”的诊断报告。教师将报告同步给家长，直观展现教学深度，提升信任度与续费率。

多模态自适应学习闭环：遇到抽象图形题，大模型直接生成可拖拽的 3D 互动网页（如立体几何切割）。结合 RAG 知识库，在完成思维诊断后，自动匹配并推送同源变式题，实现“诊断-交互-推题”的完整业务流。

本系统采用微服务架构，将大语言模型的深度推理与代码生成能力深度融合，主要包含以下四大核心业务模块：

1. 启发式思维诊断与分步引导引擎

拒绝直给答案：底层通过强制Prompt约束与逻辑拦截，系统不会直接输出最终结果，而是模拟专家级教师的提问逻辑。

分步卡点拆解：根据学生的回答，动态判断其思维断点（如：读题遗漏、逻辑断层、计算失误），并提供渐进式的“脚手架”提示，引导学生自主推导出正确答案，培养独立思考习惯。

2. 实时动态交互与多模态生成（GenUI）

代码级渲染：遇到空间几何、抽象逻辑等认知负荷较高的题目时，系统不依赖死板的静态图库，而是通过大模型实时生成前端代码（HTML/CSS/JS）。

3D可拖拽交互：在对话界面旁直接渲染出可拖拽、缩放的 3D 互动网页（如立体几何切割），将抽象概念具象化，极大降低学生的理解门槛。

3. 白盒化思维轨迹追踪与学情日志

全链路留痕：系统的每一轮对话推演、每一次策略调用及学生的反馈，全部以结构化数据（JSON）实时落盘。

可视化诊断报告：生成专属的“思维体检单”，精准统计学生的“提示依赖度”、“卡点层级”。家长和教师可直观看到学生的思维薄弱环节，而非单一的“对错”结论。

4. 基于 RAG 的靶向练习与知识库闭环

同源变式推荐：系统在完成思维诊断后，自动提取薄弱知识点（如：分数运算、行程问题），无缝调用本地知识库或题源 API，精准推送 3 道同源变式题。

闭环巩固：形成“启发诊断 -> 3D可视化理解 -> 变式题靶向巩固”的完整学习闭环，确保学以致用。

本项目采用前后端分离 + 微服务解耦架构，将大模型的高并发推理、前端动态代码渲染以及数据持久化进行了深度整合。具体实现路径如下：

1. 总体架构与前后端分离设计

前端交互层：基于 Vue3 + Vite 构建，采用 WebSocket 实现大模型的流式输出（Streaming），保障对话的极致流畅感。

后端路由层：使用 Flask (Python) 搭建核心 API 网关，负责统一鉴权、用户会话管理及业务路由分发。

AI 引擎层：独立部署的大模型调用微服务，负责处理复杂的 Prompt 编排、上下文记忆管理与逻辑拦截。

2. 核心功能模块实现路径

启发式诊断引擎：底层采用“状态机+强制约束”机制。在系统提示词（System Prompt）中植入严格的逻辑校验规则，实时拦截大模型直接输出答案的倾向。通过多轮对话的上下文分析，动态匹配不同的启发式话术，引导学生自主推导。

GenUI 动态 3D 渲染模块：针对几何与逻辑题，后端通过大模型生成纯前端代码（HTML/CSS/JS/Three.js），经过沙箱安全清洗后，交付前端在侧边栏进行实时渲染，实现可拖拽的 3D 互动教具。

学情数据持久化：对话过程中的卡点标签、策略调用、依赖度等数据，以结构化 JSON 格式通过 SQLAlchemy 实时写入关系型数据库（MySQL/PostgreSQL），用于后续的雷达图与学情报告生成。

3. RAG 增强检索与知识融合

结合向量数据库（Vector DB）与大模型，构建轻量级 RAG 系统。当诊断出学生薄弱点时，系统自动进行向量检索，匹配本地题库或知识库中的同源变式题，推送到前端供学生巩固，实现“诊断-推荐”的闭环。

4. 工程化与稳定性保障

防幻觉与容错：针对大模型可能出现的格式乱码或超时问题，后端实现了完善的异常捕获与自动重试（Retry）机制，确保系统 7×