多Agent智能教育与个性化学习系统
▫️
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：
拥有一个可以在简历上写、面试的企业级多Agent项目
理解多Agent系统核心架构思想（Mesh + 事件驱动）
掌握面试八股文、STAR回答法、简历写法的全套技巧
用主流Python语言实现，适配AI行业岗位需求
整体架构
系统采用 Mesh + 事件驱动架构，5个Agent双向异步通信。
代码块
Plain Text
┌──────────────┐
│ 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
代码块
Plain Text
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
代码块
Plain Text
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
▫️
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
▫️
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
▫️
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：
代码块
Python
class ParentNotifyAgent(BaseAgent):
无需修改任何现有Agent代码。
数据流
学习者模型数据流
代码块
Plain Text
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
↓
状态一致性保证
50%
•
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
50%
部署指南
方式一：本地（推荐新手）
代码块
Plain Text
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
代码块
Plain Text
cd frontend
npm install
npm run dev
方式二：Docker Compose（一键部署）
代码块
Markdown
# 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
服务地址：
•
•
Python API：http://localhost:8000/docs
•
PostgreSQL：localhost:5432
•
Redis：localhost:6379
5个Agent职责说明
为什么用 Mesh + 事件驱动？
▫️
选择 Mesh 的原因：
🧠 核心算法详解
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：
代码块
Plain Text
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：
代码块
Plain Text
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。
代码块
Plain Text
学生："二次函数 y = x² + 2x + 1 的顶点在哪里？"