教育类 Agent：我的下一个项目规划

做完这个博客之后，我决定把下一个项目定为一个教育类 Agent。这一篇先写清楚为什么做、打算做成什么样、技术上怎么起步。

项目背景

我自己是计算机专业学生，学习过程中最常见的需求不是“搜一个答案”，而是：

把一个知识点讲到我真正听懂；
做错的题能解释为什么错、错在哪个前置概念；
把零散的内容整理成一条可执行的学习路径；
学到一半能知道自己到底掌握了多少。

这些需求非常适合 Agent：它不是一次问答，而是围绕一个学习目标持续感知、规划、行动和反馈。

目标用户与场景

第一版先服务我自己和身边同学，覆盖三个场景：

知识点问答：基于课程资料和教材做 RAG 问答，回答必须给出依据。
错题解析：输入题目和错误答案，输出知识点定位、错误原因、同类题建议。
学习路径：根据目标和当前水平，生成阶段性的学习计划。

每个场景都要求 Agent 能调用工具，而不是只靠模型记忆回答。

核心能力设计

教育类 Agent 的关键不是“会聊天”，而是“能评估”：

知识库：把课程文档、教材、笔记结构化后存入向量数据库。
诊断：从回答或做题结果推断薄弱知识点。
规划：根据薄弱点生成下一步学习内容。
反馈：每次互动都更新对用户水平的判断。

这正好对应 Agent 的感知、记忆、规划和行动四层，适合用真实项目验证概念模型。

技术选型

目前计划使用：

模块	选型方向	说明
模型	LLM API	先验证效果，再考虑成本优化
编排	Agent 框架或自写循环	先自写最小闭环，理解后再引入框架
知识库	向量数据库	存放课程文档和检索结果
前端	Web 页面	交互式问答与学习路径展示
部署	Vercel + 后端服务	保持项目可上线

具体选型会在开发过程中根据实际效果调整。

开发计划

阶段一：MVP

接入 LLM API，完成知识点问答。
用少量课程文档搭建 RAG，回答必须引用来源。
记录每次问答的 trace，方便调试。

阶段二：诊断与规划

增加错题解析工具，输出知识点定位。
设计简单的掌握度模型，生成下一阶段学习建议。
用真实题目做小规模评估。

阶段三：闭环产品

增加学习路径持久化和进度记录。
增加用户反馈，持续修正诊断逻辑。
控制成本，加入缓存和摘要。

风险与边界

回答质量：教育场景不能编造依据，所有回答都要可溯源。
评估难度：掌握度很难量化，第一版用“是否完成目标”代替分数。
隐私：用户学习记录需要明确权限，不采集无关数据。
成本：长对话和 RAG 检索都有成本，需要限制使用量。

这个项目会以文章形式持续记录，先跑通，再谈完整产品。