教学辅助多 Agent 平台

针对专升本培训中政策信息分散、学情分析效率低、教学干预缺乏个性化及志愿规则复杂等问题，设计并实现由政策咨询、学情诊断、个性化辅导和志愿决策四类 Agent 组成的教学辅助平台；通过可信知识检索、学习数据分析、跨 Agent 任务编排、确定性规则决策与人工复核，实现政策结论可追溯、学情诊断自动化、辅导方案个性化和志愿决策可解释，提升教学服务效率与升学决策质量。
Python FastAPI LangChain LangGraph Pydantic Qwen BGE-M3 BGE-Reranker Milvus PostgreSQL SQLAlchemy MCP Langfuse

项目背景

专升本培训中存在政策信息分散、学情分析效率低、教学干预缺乏个性化及志愿规则复杂等问题。平台由政策咨询、学情诊断、个性化辅导和志愿决策四类 Agent 组成，通过可信知识检索、学习数据分析、跨 Agent 任务编排、确定性规则决策与人工复核，使政策结论可追溯、学情诊断自动化、辅导方案个性化、志愿决策可解释。

个人职责

  • 系统架构与统一编排：完成系统架构设计与核心研发，通过分层架构及 Ports/Adapters 隔离领域逻辑与模型、检索和数据存储；为四类 Agent 设计类型化 State、Node、Graph 及 Pydantic 输出协议；实现统一 Orchestrator，支持 Agent 注册与懒加载、显式选择优先及“规则路由 + LLM 兜底”，通过 Single、Pipeline、Clarify 三种模式完成任务分发。
  • 多 Agent 协同：设计“学情诊断 → 个性化辅导”“政策核验 → 志愿决策”两条白名单 Pipeline，以 Pydantic 结构化中间结果传递跨 Agent 上下文，并通过独立 thread_id、State 隔离、步骤级状态记录和失败中止机制，避免内部状态串扰及错误结果向下游传播。
  • 可信政策问答：通过 MCP 统一接入政策知识检索、政策原文读取和 Web Search，并基于 Tool Schema 规范工具输入输出、超时重试、异常映射及调用追踪；设计 Query Rewrite、混合检索和 BGE-Reranker 精排链路，综合政策时效、来源权威性、证据覆盖率和来源冲突计算置信度，通过关键结论引用校验及低置信度转人工机制降低政策幻觉风险。
  • 教学反馈闭环：学情诊断 Agent 并行获取练习、错题、成绩和课程进度，结合数据质量评估识别薄弱知识点与学习风险，并生成满足时间、考试日期和先修关系约束的阶段计划；个性化辅导 Agent 基于诊断结果与考生历史信息生成针对性讲解与自适应练习，将作答结果回写学习记录，驱动后续诊断和计划动态调整。
  • 志愿规则决策：根据当年政策、考生类别、专业组、科目成绩和招生计划执行资格硬过滤，再结合历史分数、位次、计划变化及个人偏好进行可解释评分，生成冲刺、稳妥、保底志愿组合；使用确定性规则校验资格、数据有效期、重复项和保底数量。
  • 可靠性与质量保障：使用 PostgreSQL Checkpoint、滑动窗口记忆与增量摘要实现断点恢复，通过 interrupt/resume 支持人工审核；统一实现超时重试、Agent 级降级、幂等提交、SSE 流式事件、模型缓存与启动预热，并使用 Langfuse 追踪路由、节点、检索、工具调用及 Token 和延迟指标。

项目成果

  • 构建包含 600 条样本的分层离线评测集，覆盖四类 Agent、两条跨 Agent Pipeline，以及数据缺失、低置信度、规则冲突和依赖失败等异常场景；四类 Agent 综合任务成功率达到 92%，跨 Agent Pipeline 有效完成率达到 91%。
  • 在 300 条人工标注政策问答样本上，证据 Recall@5 达到 92%，关键结论引用支持率达到 94%；在学习计划与志愿校验专项评测集上，计划约束满足率达到 95%，志愿资格校验 Macro-F1 达到 95%。