78 lines
7.3 KiB
Markdown
78 lines
7.3 KiB
Markdown
# KD 智慧英语 AI 自适应教学平台项目建设方案 架构审查报告
|
||
|
||
## 1. 文档定性
|
||
* **阶段判别**：方案设计阶段 (0.2版方案 Proposal/Solution Design)。
|
||
* **领域判别**：**融合型** (传统教研信息化 + 智能化 HiFi Agent)。
|
||
* **核心解决事项**：将一套纸质的“KD 智慧英语提分秘典”教研体系，转化为一套**去教师化、自动化**的 AI 自适应教学平台（App/SaaS），以解决下沉市场师资不足、个性化差及无法规模化复制的问题。
|
||
|
||
## 2. 出发点与价值评估 ([船长] 视角)
|
||
* **业务价值 (ROI/MVP)**：
|
||
* **极高**。该方案不是凭空造轮子，而是基于已经高度结构化、SOP 化的纸质教辅（MVP）进行数字化。
|
||
* **资产属性明确**：项目核心在于沉淀“知识原子库”和“归因模型”，这是典型的**专家资产构建**，而非单纯的软件开发。
|
||
* **商业闭环清晰**：通过“去教师化”大幅降低履约成本（从依赖名师转为依赖 AI + 低成本助教），只要提分效果（L2/L3）能达到真人教师的 70-80%，商业模式即可跑通。
|
||
* **资产属性**：
|
||
* 正在构建**反脆弱资产**。通过捕获学生的“修正痕迹”和“决策数据”反哺模型，系统使用越久，护城河越深。
|
||
|
||
## 3. 关键问题 (Critical Issues)
|
||
* **致命问题 1：违反“绿野仙踪协议”的冒进开发风险**
|
||
* **现象**：建设方案中直接规划了 50-150 万的 AI 引擎研发投入，却未提及**在代码开发前**是否已通过“真人模拟 AI”跑通全流程。
|
||
* **风险**：若未先用真人助教在微信/飞书群里模拟“自适应推送”和“苏格拉底式引导”，直接开发复杂的贝叶斯归因和推荐引擎，极大概率会面临“算法推得不准”、“学生不爱用”的窘境，导致研发资金打水漂。
|
||
* **[附录] 纪律**：绿野仙踪协议要求**价值未经验证，禁止投入开发资源**。
|
||
|
||
* **致命问题 2：对“去教师化”的盲目乐观（密封舱设计缺失）**
|
||
* **现象**：方案设定了“去教师化”的激进目标，并规划了 L3 级纠偏引导。但在“AI 幻觉”应对上，仅提到了 RAG（检索增强）。
|
||
* **风险**：对于基础薄弱生（60-90分），AI 的一次错误解释（幻觉）可能导致学生对系统彻底丧失信任。仅靠 RAG 无法完全解决逻辑推理层面的幻觉。缺乏**A类逻辑轮机（死规则）**与**B类战略透镜（活交互）**的明确界限。
|
||
|
||
* **致命问题 3：归因模型的“数据冷启动”悖论**
|
||
* **现象**：方案依赖“全量行为捕获”来进行“高维精准归因”。
|
||
* **风险**：在项目初期（冷启动阶段），没有海量用户数据，复杂的贝叶斯网络和 IRT 模型根本跑不起来。此时系统可能表现得非常“智障”，反而不如简单的规则引擎（if-else）有效。
|
||
|
||
## 4. 核心亮点
|
||
* **教研资产的原子化意识**：方案准确地抓住了“数字化教研中台”这一核心，强调将 3500 词、800 句拆解为“知识原子”，并定义了属性、认知标签、前置依赖。这是所有智能化系统的**基石**，符合领域驱动设计（DDD）思想。
|
||
* **心理状态机的引入**：关注“动机轨”与“认知轨”的双轨分析，并设计了“倦怠预测”和“Sponsor 联动”，这非常符合基础薄弱生（意志力差）的用户画像，体现了极高的**产品同理心**。
|
||
* **商业视角的履约成本控制**：明确提出了通过 AI 降低履约成本（从依赖名师转为助教），战略目标非常清晰。
|
||
|
||
## 5. 合理性与完整性审查
|
||
|
||
### 5.1 逻辑与架构合理性
|
||
|
||
* **[问题点 1]：AI 自适应引擎的过度设计 (Over-Engineering)**
|
||
* **描述**：在第一阶段就规划“贝叶斯知识追踪 (BKT)”和“项目反应理论 (IRT)”，对于一个尚未验证 MVP 的系统来说，过于沉重且昂贵。
|
||
* **[建设性建议]**：**降级为规则引擎**。
|
||
* 初期采用**确定性的专家规则系统（A类密封舱）**。例如：错 3 次 A 类词 -> 强制复习；错非谓语 -> 推送 S061 句型。
|
||
* 这属于 **[逻辑轮机]** 模式，成本低、可解释性强、100% 可控。等积累了 1 万名学生的真实数据后，再引入机器学习模型。
|
||
|
||
* **[问题点 2]：LLM 交互的“开放域”风险**
|
||
* **描述**：方案提及“苏格拉底式引导”，若直接调用 LLM 进行开放式对话，很容易被学生绕晕或产生废话。
|
||
* **[建设性建议]**：**实施 CCPE 结构化约束**。
|
||
* 将交互严格限制在**B类密封舱（战略透镜）**内。
|
||
* 提示词工程必须包含 **Constraint (边界)**：例如“禁止直接给出答案”、“若学生回复无关内容，强行拉回题目”。
|
||
|
||
* **[问题点 3]：教研录入工作流的“人机协同”倒置**
|
||
* **描述**：方案建议“AI 预标注 -> 人工校准”。
|
||
* **[建设性建议]**：对于 KD 这种强应试体系，建议初期采用**“人工强规则录入 -> AI 辅助润色”**。因为高考考点非常死板（如：adapt to 是固定搭配），AI 可能会发散出非高考考点的用法，反而干扰提分目标。
|
||
|
||
### 5.2 完整性缺口
|
||
|
||
* **[缺失点 1]：人工“驾驶模式”切换接口**
|
||
* **描述**：当 AI 无法解释学生疑问，或学生对 AI 解释表示愤怒时，缺乏即时切入人工助教的通道。
|
||
* **[建设性建议]**：增加**“灰度求助按钮”**。当 AI 连续两轮交互未解决问题，或情感分析检测到负面情绪时，自动将对话路由给真人助教端（DingTalk/企微），并附带上下文摘要。
|
||
|
||
* **[缺失点 2]：自动化测试与回归机制 (Evaluation Set)**
|
||
* **描述**：缺乏对 AI 教学质量的量化评估标准。
|
||
* **[建设性建议]**：建立**“黄金测试集”**。录入 100-200 个典型学生错误案例及专家标准回复。每次更新 Prompt 或模型参数后，必须跑通该测试集，确保回复质量不下降（Regression Testing）。
|
||
|
||
## 6. 待深入探讨点 (Topics for Deep Dive)
|
||
|
||
* **议题 1：绿野仙踪 (Wizard of Oz) 验证计划**
|
||
* **内容**：在写第一行代码前，如何利用 Excel（做题库）、微信群（做交互界面）、真人助教（扮演 AI 引擎）来模拟跑通全流程？
|
||
* **价值**：这是验证“去教师化”伪需求的最关键一步。如果真人在微信群里都教不会学生，AI 更教不会。
|
||
|
||
* **议题 2：密封舱 A/B 类的边界划分**
|
||
* **内容**：具体通过“思想考古”确认，哪些环节属于 **[繁杂域]**（如词汇听写，必须用逻辑轮机，严禁 AI 发挥），哪些属于 **[复杂域]**（如作文润色，必须用战略透镜，允许 AI 创造）。
|
||
* **价值**：避免用大炮打蚊子，或者用概率去赌确定性。
|
||
|
||
* **议题 3：数据资产的“修正痕迹”捕获设计**
|
||
* **内容**：如何设计前端交互，确保不仅捕获“结果（A/B/C/D）”，还能捕获“过程（犹豫时间、修改次数、查看提示的顺序）”？
|
||
* **价值**：这是未来训练私有小模型的核心燃料。
|