前陣子在網(wǎng)上看到一個(gè)討論有人在“清華直博”和“開(kāi)數(shù)學(xué)教培班”之間選擇了后者。評(píng)論區(qū)里觀點(diǎn)很分裂有人覺(jué)得放棄直博可惜也有人覺(jué)得能直接面對(duì)真實(shí)教學(xué)需求、快速得到反饋同樣是一種成長(zhǎng)。拋開(kāi)職業(yè)選擇本身不談這個(gè)討論背后其實(shí)藏著一個(gè)值得技術(shù)人關(guān)注的變化AI 正在快速改變數(shù)學(xué)教培行業(yè)的生產(chǎn)方式。過(guò)去開(kāi)班教數(shù)學(xué)最重的工作是出題、批改、備課、做學(xué)情分析。這些事重復(fù)性高、耗時(shí)長(zhǎng)而且很依賴(lài)教師個(gè)人經(jīng)驗(yàn)。現(xiàn)在借助大語(yǔ)言模型、AI Agent、結(jié)構(gòu)化提示詞很多環(huán)節(jié)可以被自動(dòng)化批量生成分層練習(xí)題、按步驟批改解答過(guò)程、根據(jù)錯(cuò)題自動(dòng)推薦同類(lèi)鞏固題、生成完整的教案框架。換個(gè)角度理解AI 不會(huì)替你做所有決策但它能把“備課、出題、批改”這些可復(fù)用的流程變成一套代碼系統(tǒng)。本文就把這套思路落地成一篇完整教程。我會(huì)先拆解 AI 時(shí)代數(shù)學(xué)教培的核心場(chǎng)景再帶你從零搭建一個(gè)“AI 數(shù)學(xué)助教”服務(wù)包含題目生成、答案批改、錯(cuò)題分析、教案生成四個(gè)核心能力。文章覆蓋環(huán)境準(zhǔn)備、提示詞設(shè)計(jì)、FastAPI 接口開(kāi)發(fā)、結(jié)構(gòu)化 JSON 輸出、常見(jiàn)坑點(diǎn)與工程建議。無(wú)論你是做教育培訓(xùn)的工具開(kāi)發(fā)者還是想把 AI 接進(jìn)自己教學(xué)流程的教研老師都可以照著本文一步步搭起來(lái)。1. AI 時(shí)代數(shù)學(xué)教培的技術(shù)化轉(zhuǎn)型1.1 傳統(tǒng)數(shù)學(xué)教培的瓶頸在哪數(shù)學(xué)教培和很多學(xué)科不同它有非常強(qiáng)的“練習(xí)—反饋—糾錯(cuò)”閉環(huán)。一個(gè)學(xué)生要真正掌握某個(gè)知識(shí)點(diǎn)需要經(jīng)歷知識(shí)點(diǎn)講解。做對(duì)應(yīng)練習(xí)題。老師批改并指出錯(cuò)誤原因。針對(duì)薄弱點(diǎn)再做同類(lèi)題。這個(gè)閉環(huán)本身不復(fù)雜但執(zhí)行成本很高。一個(gè)班如果有 20 個(gè)學(xué)生老師每節(jié)課后要批改 20 份作業(yè)每份作業(yè)如果包含 10 道題其中又有解答題需要看步驟那工作量很快會(huì)膨脹。更麻煩的是學(xué)生的錯(cuò)因往往不一樣有人是計(jì)算出錯(cuò)有人是公式記混有人是概念理解偏差。要真正實(shí)現(xiàn)“因材施教”需要老師對(duì)每個(gè)學(xué)生做細(xì)致的歸因這在傳統(tǒng)模式下幾乎只能靠經(jīng)驗(yàn)。AI 恰恰適合處理這類(lèi)“規(guī)則相對(duì)明確、數(shù)據(jù)量較大、反饋要及時(shí)”的場(chǎng)景。我們?cè)跀?shù)學(xué)教培中引入 AI并不是要替代老師而是把重復(fù)勞動(dòng)抽出來(lái)交給程序讓老師把精力花在真正的教學(xué)設(shè)計(jì)和學(xué)生溝通上。1.2 AI 能介入哪些教學(xué)環(huán)節(jié)從系統(tǒng)設(shè)計(jì)角度AI 輔助數(shù)學(xué)教培可以分為四個(gè)層次層次場(chǎng)景典型功能技術(shù)難度內(nèi)容生成備課、出題按知識(shí)點(diǎn)和難度生成練習(xí)題、例題較低作業(yè)處理批改、反饋?zhàn)R別學(xué)生解題步驟給出評(píng)分和錯(cuò)因中等學(xué)情分析數(shù)據(jù)歸因統(tǒng)計(jì)錯(cuò)題分布、定位薄弱知識(shí)點(diǎn)中等教學(xué)閉環(huán)智能推題基于錯(cuò)題生成同類(lèi)鞏固練習(xí)較高這四個(gè)層次可以單獨(dú)落地也可以串聯(lián)成一個(gè)完整流程。本文的實(shí)戰(zhàn)案例會(huì)把前三個(gè)層次做成一個(gè)最小可用系統(tǒng)第四個(gè)層次作為擴(kuò)展點(diǎn)給出設(shè)計(jì)思路。1.3 為什么強(qiáng)調(diào)“結(jié)構(gòu)化輸出”和“可驗(yàn)證”在技術(shù)層面AI 輔助數(shù)學(xué)教培有一個(gè)容易踩的坑大模型生成的內(nèi)容不可控。比如讓 AI 出 5 道題它可能只返回 3 道讓它返回題目和答案它可能把答案揉進(jìn)解析里導(dǎo)致你無(wú)法在程序里直接使用。解決這個(gè)問(wèn)題不能靠“多試幾次”而是要靠結(jié)構(gòu)化輸出。我們?cè)谔崾驹~里明確要求模型返回 JSON并在代碼層面對(duì)返回結(jié)果做校驗(yàn)和容錯(cuò)。數(shù)學(xué)題還涉及答案正確性必須建立“AI 生成 人工復(fù)核 工具驗(yàn)證”的安全網(wǎng)尤其是中考、高考這類(lèi)高利害場(chǎng)景AI 生成的內(nèi)容絕不能直接發(fā)給學(xué)生。2. 環(huán)境準(zhǔn)備與技術(shù)選型2.1 技術(shù)棧說(shuō)明本文的實(shí)戰(zhàn)項(xiàng)目采用 Python 生態(tài)主要組件如下Python推薦 3.10 及以上版本。FastAPI用于構(gòu)建 API 服務(wù)自帶 OpenAPI 文檔方便聯(lián)調(diào)。OpenAI Python SDK接入大模型接口。示例代碼兼容 OpenAI 格式的多種模型服務(wù)你可以根據(jù)實(shí)際渠道替換 base_url 和 model。Pydantic定義請(qǐng)求和響應(yīng)數(shù)據(jù)結(jié)構(gòu)配合 FastAPI 自動(dòng)校驗(yàn)參數(shù)。SQLite本地題庫(kù)存儲(chǔ)避免每次重新請(qǐng)求大模型降低成本和延遲。MathJax / KaTeX前端渲染數(shù)學(xué)公式。本文不重點(diǎn)展開(kāi)前端代碼但會(huì)在數(shù)據(jù)結(jié)構(gòu)中統(tǒng)一使用 LaTeX 公式格式。注意大模型接口的版本迭代非常快本文代碼以 OpenAI SDK 1.x 的通用用法為例。實(shí)際使用時(shí)請(qǐng)根據(jù)你選擇的模型服務(wù)商調(diào)整base_url、model和鑒權(quán)參數(shù)。版本不確定時(shí)先跑通最小示例再擴(kuò)展。2.2 項(xiàng)目結(jié)構(gòu)規(guī)劃為了便于維護(hù)我們按模塊拆分項(xiàng)目ai_math_tutor/ ├── main.py # FastAPI 入口 ├── llm_client.py # 大模型客戶端封裝 ├── prompt_templates.py # 提示詞模板 ├── schemas.py # Pydantic 數(shù)據(jù)模型 ├── storage.py # SQLite 存儲(chǔ) ├── requirements.txt # 依賴(lài) └── README.md # 項(xiàng)目說(shuō)明2.3 依賴(lài)安裝創(chuàng)建虛擬環(huán)境并安裝依賴(lài)python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate pip install fastapi uvicorn[standard] openai pydantic python-dotenv安裝完成后項(xiàng)目根目錄新建.env文件保存密鑰LLM_API_KEYyour_api_key_here LLM_BASE_URLhttps://your-llm-service.example.com LLM_MODELyour-model-name需要說(shuō)明的是.env文件不要提交到 Git 倉(cāng)庫(kù)。實(shí)際生產(chǎn)環(huán)境推薦使用密鑰管理服務(wù)或平臺(tái)的環(huán)境變量注入。3. 核心原理提示詞、結(jié)構(gòu)化輸出與數(shù)學(xué)題生成3.1 提示詞的基礎(chǔ)結(jié)構(gòu)大模型調(diào)用本質(zhì)上是在“對(duì)話”中完成一項(xiàng)任務(wù)。一個(gè)完整的提示詞通常包含角色設(shè)定system prompt告訴模型它是什么身份。任務(wù)說(shuō)明user prompt告訴模型具體要做什么。輸出格式約束要求模型返回 JSON、Markdown 或其它結(jié)構(gòu)化內(nèi)容。示例few-shot給出 1 到 2 個(gè)參考樣例減少輸出偏差。在數(shù)學(xué)教培場(chǎng)景中以“出題”為例一個(gè)合理的 system prompt 可能是你是一位經(jīng)驗(yàn)豐富的中學(xué)數(shù)學(xué)老師擅長(zhǎng)根據(jù)知識(shí)點(diǎn)、年級(jí)和難度設(shè)計(jì)練習(xí)題。 你的題目必須 1. 符合對(duì)應(yīng)年級(jí)的課程標(biāo)準(zhǔn)不超綱。 2. 每題都包含題干、正確答案、詳細(xì)解析和考查知識(shí)點(diǎn)。 3. 數(shù)學(xué)公式一律使用 LaTeX 語(yǔ)法表達(dá)式用 $...$ 包裹獨(dú)立公式用 $$...$$ 包裹。 4. 只輸出 JSON不輸出任何解釋性文字。這段提示詞解決了三件事角色、質(zhì)量標(biāo)準(zhǔn)、輸出格式。3.2 為什么要求 JSON 而不是自然語(yǔ)言如果你直接問(wèn)大模型“幫我出 5 道一元二次方程題目”它很可能返回一段混合了標(biāo)題、編號(hào)、解析的文字。這種內(nèi)容人看沒(méi)問(wèn)題程序處理卻很麻煩。更好的做法是讓模型返回 JSON并且通過(guò) Pydantic 做強(qiáng)校驗(yàn)。以出題接口為例我們希望每個(gè)題目對(duì)象包含以下字段{ questions: [ { id: q001, type: solution, knowledge_point: 一元二次方程, difficulty: 中等, stem: 解方程$x^2 - 5x 6 0$, answer: $x_1 2, x_2 3$, analysis: 利用因式分解法將方程化為 $(x-2)(x-3)0$得到兩根。, tags: [因式分解, 求根] } ] }在代碼層面我們通過(guò) Pydantic 定義數(shù)據(jù)結(jié)構(gòu)收到模型結(jié)果后自動(dòng)解析和校驗(yàn)。這樣即使模型偶爾多返回一個(gè)字段程序也能按預(yù)期處理。3.3 溫度參數(shù)與隨機(jī)性控制大模型的生成結(jié)果帶有隨機(jī)性。在數(shù)學(xué)題場(chǎng)景里如果希望每次生成結(jié)果更穩(wěn)定可以把temperature調(diào)低比如0.2到0.5。反之如果你希望同一知識(shí)點(diǎn)生成更多不同變式可以適當(dāng)調(diào)高到0.8左右。一個(gè)實(shí)用策略是出題用中等溫度批改用低溫度。批改涉及評(píng)分最好保持穩(wěn)定出題則需要一定變化避免全班拿到完全相同的題。3.4 數(shù)學(xué)公式與渲染數(shù)學(xué)教培系統(tǒng)繞不開(kāi)公式表示。推薦統(tǒng)一使用 LaTeX 語(yǔ)法。主流的 Markdown 渲染器和前端公式庫(kù)都支持它。在 FastAPI 后端我們只負(fù)責(zé)把公式作為字符串放進(jìn) JSON。前端拿到數(shù)據(jù)后用 MathJax 或 KaTeX 渲染。例如div classquestion-stem題目\(x^2 - 5x 6 0\)求 \(x\)。/div這樣做的優(yōu)點(diǎn)是數(shù)據(jù)與展示分離后續(xù)無(wú)論是做網(wǎng)頁(yè)端還是小程序端都可以復(fù)用同一套題目數(shù)據(jù)結(jié)構(gòu)。4. 完整實(shí)戰(zhàn)搭建 AI 數(shù)學(xué)助教服務(wù)下面開(kāi)始寫(xiě)完整代碼。我們的目標(biāo)是跑通一個(gè)最小系統(tǒng)用戶可以通過(guò) HTTP 接口實(shí)現(xiàn)四個(gè)功能POST /generate/questions按知識(shí)點(diǎn)生成練習(xí)題。POST /review/answer批改學(xué)生作答給出分?jǐn)?shù)和錯(cuò)因。POST /analyze/mistakes分析錯(cuò)題生成鞏固練習(xí)。POST /generate/lesson-plan生成教案大綱。為了方便演示我會(huì)把核心模塊寫(xiě)完整同時(shí)控制代碼長(zhǎng)度保證關(guān)鍵邏輯清晰。4.1 定義數(shù)據(jù)結(jié)構(gòu)schemas.py# 文件路徑ai_math_tutor/schemas.py from typing import List, Optional from pydantic import BaseModel, Field class Question(BaseModel): 題目對(duì)象 id: str Field(description題目唯一標(biāo)識(shí)) type: str Field(description題目類(lèi)型choice/fill/solution) knowledge_point: str Field(description所屬知識(shí)點(diǎn)) difficulty: str Field(description難度簡(jiǎn)單/中等/困難) stem: str Field(description題干支持 LaTeX 公式) answer: str Field(description參考答案) analysis: str Field(description詳細(xì)解析) tags: List[str] Field(default_factorylist, description標(biāo)簽) class GenerateQuestionsRequest(BaseModel): knowledge_point: str Field(description知識(shí)點(diǎn)例如一元二次方程) grade: str Field(default初中, description適用年級(jí)) difficulty: str Field(default中等, description難度) count: int Field(default5, ge1, le10, description題目數(shù)量) model: Optional[str] Field(defaultNone, description可選模型名) class GenerateQuestionsResponse(BaseModel): questions: List[Question] total: int class ReviewRequest(BaseModel): question: str Field(description原題內(nèi)容) standard_answer: str Field(description標(biāo)準(zhǔn)答案) student_answer: str Field(description學(xué)生提交的解答) class ReviewItem(BaseModel): score: float Field(description本題得分) total_score: float Field(description本題滿分) mistakes: List[str] Field(description錯(cuò)誤點(diǎn)列表) comment: str Field(description評(píng)語(yǔ)) class LessonPlanRequest(BaseModel): knowledge_point: str Field(description知識(shí)點(diǎn)) grade: str Field(default初中, description年級(jí)) lesson_type: str Field(default新授課, description課型新授課/復(fù)習(xí)課/習(xí)題課) student_level: str Field(default中等, description學(xué)生基礎(chǔ))這里用 Pydantic 的主要目的是強(qiáng)制約束參數(shù)。比如count限制在 1 到 10避免有人一次請(qǐng)求生成 1000 道題打爆 API。4.2 封裝大模型客戶端llm_client.py# 文件路徑ai_math_tutor/llm_client.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() def get_client() - OpenAI: 讀取環(huán)境變量返回 OpenAI 兼容客戶端。 api_key os.getenv(LLM_API_KEY) base_url os.getenv(LLM_BASE_URL) if not api_key: raise RuntimeError(缺少 LLM_API_KEY 環(huán)境變量請(qǐng)?jiān)?.env 中配置。) return OpenAI(api_keyapi_key, base_urlbase_url) DEFAULT_MODEL os.getenv(LLM_MODEL, gpt-4o-mini) def chat_json( system_prompt: str, user_prompt: str, model: str None, temperature: float 0.3, ) - str: 調(diào)用模型并強(qiáng)制要求返回 JSON 文本。 client get_client() model model or DEFAULT_MODEL response client.chat.completions.create( modelmodel, temperaturetemperature, response_format{type: json_object}, messages[ {role: system, content: system_prompt}, {role: user, content: user_prompt}, ], ) content response.choices[0].message.content if not content: raise ValueError(模型返回內(nèi)容為空。) return content.strip()這里用到了response_format{type: json_object}這是 OpenAI 接口中常見(jiàn)的結(jié)構(gòu)化輸出方式。如果你使用的模型服務(wù)商不支持該參數(shù)可以把這行去掉然后在提示詞里加強(qiáng) JSON 約束并對(duì)返回內(nèi)容做解析容錯(cuò)。4.3 編寫(xiě)提示詞模板prompt_templates.py# 文件路徑ai_math_tutor/prompt_templates.py GENERATE_QUESTION_SYSTEM_PROMPT 你是一位經(jīng)驗(yàn)豐富的中學(xué)數(shù)學(xué)老師擅長(zhǎng)根據(jù)知識(shí)點(diǎn)、年級(jí)和難度設(shè)計(jì)練習(xí)題。 你的題目必須 1. 符合對(duì)應(yīng)年級(jí)的課程標(biāo)準(zhǔn)不超綱。 2. 每題都包含題干、參考答案、詳細(xì)解析和考查知識(shí)點(diǎn)。 3. 數(shù)學(xué)公式一律使用 LaTeX 語(yǔ)法行內(nèi)公式用 $...$ 包裹獨(dú)立公式用 $$...$$ 包裹。 4. 輸出必須是 JSON 對(duì)象格式為 {questions: [ 題目對(duì)象 ] }。 5. 不輸出任何解釋性文字。 def build_generate_question_prompt( knowledge_point: str, grade: str, difficulty: str, count: int, ) - str: return f請(qǐng)為 {grade} 學(xué)生生成 {difficulty}難度的數(shù)學(xué)題目共 {count} 道。 知識(shí)點(diǎn){knowledge_point} 每個(gè)題目對(duì)象包含以下字段 - id字符串如 q001 - typechoice選擇題、fill填空題或 solution解答題 - knowledge_point知識(shí)點(diǎn) - difficulty難度 - stem題干 - answer標(biāo)準(zhǔn)答案 - analysis詳細(xì)解析 - tags標(biāo)簽數(shù)組 請(qǐng)嚴(yán)格按照 JSON 格式輸出。 REVIEW_SYSTEM_PROMPT 你是一位嚴(yán)格的中學(xué)數(shù)學(xué)閱卷老師。你會(huì)收到原題、標(biāo)準(zhǔn)答案和學(xué)生提交的解答。 請(qǐng)你 1. 判斷學(xué)生的解題思路是否正確。 2. 找出具體的錯(cuò)誤點(diǎn)并指出錯(cuò)誤類(lèi)型概念錯(cuò)誤、計(jì)算錯(cuò)誤、步驟跳步、格式問(wèn)題等。 3. 按步驟給分滿分默認(rèn)為 10 分。 4. 輸出必須是 JSON格式為 {score: 分?jǐn)?shù), total_score: 10, mistakes: [錯(cuò)誤點(diǎn)], comment: 評(píng)語(yǔ)} 不要輸出額外內(nèi)容。 def build_review_prompt(question: str, standard_answer: str, student_answer: str) - str: return f原題{question} 標(biāo)準(zhǔn)答案{standard_answer} 學(xué)生提交{student_answer} 請(qǐng)批改并返回 JSON。 LESSON_PLAN_SYSTEM_PROMPT 你是一位資深教研員擅長(zhǎng)設(shè)計(jì)結(jié)構(gòu)清晰的數(shù)學(xué)教案。 輸出必須是 JSON 對(duì)象包含以下字段 - teaching_objectives教學(xué)目標(biāo)數(shù)組 - key_points教學(xué)重點(diǎn)數(shù)組 - difficult_points教學(xué)難點(diǎn)數(shù)組 - teaching_process教學(xué)流程數(shù)組每個(gè)元素包含 title環(huán)節(jié)名稱(chēng)和 content環(huán)節(jié)說(shuō)明 - assignment_suggestion課后作業(yè)建議 不輸出額外內(nèi)容。 def build_lesson_plan_prompt( knowledge_point: str, grade: str, lesson_type: str, student_level: str, ) - str: return f請(qǐng)?jiān)O(shè)計(jì)一份 {grade} 數(shù)學(xué)教案。 知識(shí)點(diǎn){knowledge_point} 課型{lesson_type} 學(xué)生基礎(chǔ){student_level} 請(qǐng)輸出 JSON。提示詞模板獨(dú)立成一個(gè)文件方便后續(xù)修改和版本管理。實(shí)際項(xiàng)目中還可以把模板文件改成templates/目錄用模板語(yǔ)法管理更復(fù)雜的提示詞。4.4 實(shí)現(xiàn)數(shù)據(jù)庫(kù)存儲(chǔ)storage.py為了降低大模型調(diào)用成本可以把生成過(guò)的題目和批改結(jié)果緩存到 SQLite。# 文件路徑ai_math_tutor/storage.py import sqlite3 import json from datetime import datetime DB_PATH ai_math_tutor.db def get_connection(): conn sqlite3.connect(DB_PATH) conn.row_factory sqlite3.Row return conn def init_db(): 初始化數(shù)據(jù)庫(kù)表結(jié)構(gòu)。 conn get_connection() conn.execute( CREATE TABLE IF NOT EXISTS generated_questions ( id INTEGER PRIMARY KEY AUTOINCREMENT, knowledge_point TEXT NOT NULL, difficulty TEXT, question_json TEXT NOT NULL, created_at TEXT NOT NULL ) ) conn.execute( CREATE TABLE IF NOT EXISTS review_history ( id INTEGER PRIMARY KEY AUTOINCREMENT, question TEXT NOT NULL, standard_answer TEXT, student_answer TEXT, review_json TEXT NOT NULL, created_at TEXT NOT NULL ) ) conn.commit() conn.close() def save_questions(knowledge_point: str, difficulty: str, questions: list): conn get_connection() now datetime.now().isoformat() for q in questions: conn.execute( INSERT INTO generated_questions (knowledge_point, difficulty, question_json, created_at) VALUES (?, ?, ?, ?), (knowledge_point, difficulty, json.dumps(q, ensure_asciiFalse), now), ) conn.commit() conn.close() def save_review(question: str, standard_answer: str, student_answer: str, review: dict): conn get_connection() now datetime.now().isoformat() conn.execute( INSERT INTO review_history (question, standard_answer, student_answer, review_json, created_at) VALUES (?, ?, ?, ?, ?), (question, standard_answer, student_answer, json.dumps(review, ensure_asciiFalse), now), ) conn.commit() conn.close()init_db()需要在服務(wù)啟動(dòng)時(shí)調(diào)用一次。4.5 編寫(xiě) FastAPI 入口main.py# 文件路徑ai_math_tutor/main.py import json from fastapi import FastAPI, HTTPException from pydantic import ValidationError import prompt_templates as pt from llm_client import chat_json from schemas import ( GenerateQuestionsRequest, GenerateQuestionsResponse, LessonPlanRequest, ReviewRequest, ReviewItem, Question, ) from storage import init_db, save_questions, save_review app FastAPI(titleAI 數(shù)學(xué)助教 API, version1.0.0) app.on_event(startup) def on_startup(): init_db() def safe_parse_json(text: str): 解析模型返回的 JSON 文本失敗時(shí)拋出 HTTPException。 try: return json.loads(text) except json.JSONDecodeError as e: raise HTTPException(status_code502, detailf模型返回內(nèi)容不是合法 JSON{e}) app.post(/generate/questions, response_modelGenerateQuestionsResponse) def generate_questions(req: GenerateQuestionsRequest): user_prompt pt.build_generate_question_prompt( knowledge_pointreq.knowledge_point, gradereq.grade, difficultyreq.difficulty, countreq.count, ) raw_text chat_json( system_promptpt.GENERATE_QUESTION_SYSTEM_PROMPT, user_promptuser_prompt, modelreq.model, temperature0.5, ) data safe_parse_json(raw_text) questions_data data.get(questions, []) try: questions [Question(**item) for item in questions_data] except ValidationError as e: raise HTTPException(status_code502, detailf模型返回題目格式不合法{e}) # 緩存到 SQLite后續(xù)可用相同知識(shí)點(diǎn)復(fù)用 save_questions(req.knowledge_point, req.difficulty, [q.model_dump() for q in questions]) return GenerateQuestionsResponse(questionsquestions, totallen(questions)) app.post(/review/answer, response_modelReviewItem) def review_answer(req: ReviewRequest): user_prompt pt.build_review_prompt( questionreq.question, standard_answerreq.standard_answer, student_answerreq.student_answer, ) raw_text chat_json( system_promptpt.REVIEW_SYSTEM_PROMPT, user_promptuser_prompt, modelNone, temperature0.1, ) data safe_parse_json(raw_text) try: review ReviewItem(**data) except ValidationError as e: raise HTTPException(status_code502, detailf批改結(jié)果格式不合法{e}) save_review(req.question, req.standard_answer, req.student_answer, review.model_dump()) return review app.post(/analyze/mistakes) def analyze_mistakes(req: ReviewRequest): 簡(jiǎn)化版錯(cuò)題分析基于批改結(jié)果生成一道同類(lèi)練習(xí)。 review_result review_answer(req) if review_result.score review_result.total_score: return {message: 該題已掌握無(wú)需鞏固。, original_score: review_result.score} prompt f學(xué)生做錯(cuò)了一道數(shù)學(xué)題錯(cuò)誤點(diǎn)如下{json.dumps(review_result.mistakes, ensure_asciiFalse)} 請(qǐng)基于錯(cuò)誤點(diǎn)生成一道同類(lèi)鞏固練習(xí)題要求難度略低于原題。 輸出必須是 JSON{{question: 題干, answer: 答案, analysis: 解析, knowledge_point: 知識(shí)點(diǎn)}} raw_text chat_json( system_prompt你是一位擅長(zhǎng)錯(cuò)題鞏固的數(shù)學(xué)老師。, user_promptprompt, modelNone, temperature0.4, ) return safe_parse_json(raw_text) app.post(/generate/lesson-plan) def generate_lesson_plan(req: LessonPlanRequest): user_prompt pt.build_lesson_plan_prompt( knowledge_pointreq.knowledge_point, gradereq.grade, lesson_typereq.lesson_type, student_levelreq.student_level, ) raw_text chat_json( system_promptpt.LESSON_PLAN_SYSTEM_PROMPT, user_promptuser_prompt, modelNone, temperature0.4, ) return safe_parse_json(raw_text) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)4.6 運(yùn)行與驗(yàn)證啟動(dòng)服務(wù)uvicorn main:app --reload --port 8000啟動(dòng)后打開(kāi)http://127.0.0.1:8000/docs可以看到 Swagger 文檔直接在線調(diào)試接口。先用curl測(cè)試出題接口curl -X POST http://127.0.0.1:8000/generate/questions \ -H Content-Type: application/json \ -d { knowledge_point: 一元二次方程, grade: 初中, difficulty: 中等, count: 3 }預(yù)期響應(yīng)是一個(gè) JSON包含一個(gè)questions數(shù)組數(shù)組里每道題都有題干、答案、解析和標(biāo)簽等字段。再測(cè)試批改接口curl -X POST http://127.0.0.1:8000/review/answer \ -H Content-Type: application/json \ -d { question: 解方程x^2 - 5x 6 0, standard_answer: x12, x23, student_answer: x12, x22 }預(yù)期返回類(lèi)似{ score: 5, total_score: 10, mistakes: [第二個(gè)根求解錯(cuò)誤可能因式分解或代入出錯(cuò)], comment: 第一步思路正確但計(jì)算第二步有誤請(qǐng)重新檢查因式分解。 }注意實(shí)際返回內(nèi)容取決于模型不同模型和提示詞下結(jié)果會(huì)有差異。4.7 結(jié)果說(shuō)明與代碼結(jié)構(gòu)復(fù)盤(pán)到這里我們已經(jīng)擁有一個(gè)可以獨(dú)立運(yùn)行的 AI 數(shù)學(xué)助教后端服務(wù)。它的工作流程是用戶發(fā)起 HTTP 請(qǐng)求。FastAPI 對(duì)請(qǐng)求參數(shù)做校驗(yàn)。服務(wù)把參數(shù)拼進(jìn)提示詞模板調(diào)用大模型。大模型返回 JSON 文本。服務(wù)解析 JSON并用 Pydantic 做二次校驗(yàn)。校驗(yàn)通過(guò)后返回給前端同時(shí)寫(xiě)入 SQLite 緩存。后續(xù)如果前端需要展示題目只需渲染 JSON 中的字段即可。這個(gè)架構(gòu)的核心優(yōu)勢(shì)是數(shù)據(jù)與模型解耦。你可以在不修改前端的情況下把底層大模型從 A 服務(wù)商切換到 B 服務(wù)商只要保持輸出 JSON 結(jié)構(gòu)一致也可以在后端增加題目審核隊(duì)列讓老師在推送給學(xué)生之前先確認(rèn)一遍。5. 常見(jiàn)問(wèn)題與排查思路5.1 模型返回的 JSON 解析失敗現(xiàn)象接口報(bào) 502 錯(cuò)誤日志顯示JSONDecodeError。常見(jiàn)原因模型輸出中混入了 Markdown 代碼塊標(biāo)記比如json。提示詞沒(méi)有充分約束輸出格式。模型本身對(duì)復(fù)雜 JSON 結(jié)構(gòu)支持不穩(wěn)定。解決思路在代碼里增加容錯(cuò)如果返回內(nèi)容以json開(kāi)頭先去掉圍欄再解析。檢查 system prompt 是否明確寫(xiě)了“只輸出 JSON 對(duì)象不輸出解釋性文字”。如果模型支持response_format{type: json_object}務(wù)必開(kāi)啟。把返回內(nèi)容加入日志方便定位問(wèn)題。def safe_parse_json(text: str): text text.strip() if text.startswith(json): text text.removeprefix(json).strip() if text.endswith(): text text.removesuffix().strip() return json.loads(text)5.2 題目數(shù)量不穩(wěn)定現(xiàn)象要求生成 5 道題結(jié)果只返回 3 道或者返回 6 道。常見(jiàn)原因大模型對(duì)數(shù)字不敏感提示詞里的“數(shù)量”只是一個(gè)軟約束。解決思路在 JSON 結(jié)構(gòu)里加total字段讓模型自己聲明數(shù)量。在后端做截?cái)嗷蜓a(bǔ)齊當(dāng)模型題目數(shù)量不足時(shí)可以重新請(qǐng)求一次超出時(shí)截?cái)嗟街付〝?shù)量。更可靠的方式是建立題庫(kù)緩存批量生成后入庫(kù)按需從庫(kù)里隨機(jī)抽取。5.3 數(shù)學(xué)計(jì)算錯(cuò)誤現(xiàn)象模型生成的標(biāo)準(zhǔn)答案本身是錯(cuò)的或者批改時(shí)把正確解答判為錯(cuò)誤。常見(jiàn)原因大模型的數(shù)學(xué)推理能力并不完全可靠尤其是復(fù)雜計(jì)算和多步推理場(chǎng)景。解決思路數(shù)學(xué)題答案必須人工復(fù)核尤其是高年級(jí)內(nèi)容。對(duì)計(jì)算類(lèi)題目可以接入sympy等符號(hào)計(jì)算庫(kù)做二次驗(yàn)證。在批改環(huán)節(jié)把標(biāo)準(zhǔn)答案拆成多個(gè)得分點(diǎn)減少單點(diǎn)誤判。對(duì)高利害場(chǎng)景建議使用“AI 初批 老師終審”的雙軌模式。5.4 公式顯示成亂碼現(xiàn)象題目里的$x^2$在網(wǎng)頁(yè)中顯示為原始字符串。常見(jiàn)原因前端沒(méi)有配置公式渲染庫(kù)或者返回內(nèi)容里用了反斜杠導(dǎo)致 JSON 轉(zhuǎn)義錯(cuò)誤。解決思路后端統(tǒng)一使用 LaTeX 語(yǔ)法并確認(rèn)寫(xiě)入 JSON 后反斜杠沒(méi)有被吞掉。前端引入 KaTeX 或 MathJax。JSON 返回后在瀏覽器里檢查原始數(shù)據(jù)看公式字符串是否完整。5.5 API 調(diào)用成本過(guò)高現(xiàn)象每次出題都要調(diào)用大模型月底賬單比預(yù)期高。解決思路用 SQLite 做緩存同一知識(shí)點(diǎn)和難度優(yōu)先查庫(kù)。設(shè)置每日調(diào)用上限超過(guò)后返回緩存數(shù)據(jù)。簡(jiǎn)單任務(wù)使用更小的模型復(fù)雜任務(wù)才用強(qiáng)模型。控制max_tokens避免模型生成大量無(wú)意義重復(fù)內(nèi)容。6. 最佳實(shí)踐與工程建議6.1 提示詞版本化管理提示詞是 AI 應(yīng)用里最容易“改壞”的部分。建議把提示詞做成獨(dú)立文件并加入版本字段{ version: v1.2, author: math-dev, updated_at: 2025-01-10, system_prompt: ... }修改提示詞時(shí)走代碼評(píng)審流程不要在線上直接改。因?yàn)樘崾驹~一點(diǎn)變化就可能影響題目難度和批改標(biāo)準(zhǔn)。6.2 建立人工審核機(jī)制AI 生成的數(shù)學(xué)內(nèi)容存在三個(gè)風(fēng)險(xiǎn)答案錯(cuò)誤、題目超綱、表述有歧義。對(duì)教培產(chǎn)品來(lái)說(shuō)這三類(lèi)風(fēng)險(xiǎn)都可能直接影響教學(xué)質(zhì)量。推薦的做法是所有 AI 生成的題目先進(jìn)入“待審核池”。老師通過(guò)管理后臺(tái)快速審核審核通過(guò)后才對(duì)學(xué)生可見(jiàn)。學(xué)生提交解答后如果學(xué)生對(duì)批改結(jié)果有異議可以申訴由人工重新批改。這個(gè)機(jī)制在技術(shù)上并不復(fù)雜但能大幅提升產(chǎn)品的可信度。6.3 接口鑒權(quán)與限流如果 AI 數(shù)學(xué)助教服務(wù)被多個(gè)前端使用必須加接口鑒權(quán)。FastAPI 可以方便地接入 API Keyfrom fastapi import Depends, HTTPException, Header def verify_api_key(x_api_key: str Header(...)): if x_api_key ! your-secret-key: raise HTTPException(status_code401, detail無(wú)效的 API Key)同時(shí)建議用中間件做接口級(jí)限流防止單個(gè)用戶批量調(diào)用導(dǎo)致大模型成本失控。6.4 日志與可觀測(cè)性AI 應(yīng)用的日志比傳統(tǒng)應(yīng)用更重要因?yàn)槟Ｐ偷妮敵鲇须S機(jī)性。你需要記錄請(qǐng)求參數(shù)。系統(tǒng)提示詞和用戶提示詞。模型返回的原始結(jié)果。解析后的字段。處理耗時(shí)。用戶對(duì)生成結(jié)果的反饋如“采納”或“棄用”。有了這些日志才能定位“為什么某道題答案錯(cuò)了”這類(lèi)問(wèn)題。6.5 學(xué)生隱私與數(shù)據(jù)安全教培系統(tǒng)涉及學(xué)生個(gè)人信息和學(xué)習(xí)數(shù)據(jù)。原則是數(shù)據(jù)最小化只采集必要的字段不采集與教學(xué)無(wú)關(guān)的個(gè)人信息。傳輸加密線上環(huán)境必須啟用 HTTPS。訪問(wèn)控制學(xué)生只能查看自己的作答記錄不能查看其他學(xué)生的數(shù)據(jù)。數(shù)據(jù)刪除提供賬號(hào)注銷(xiāo)和數(shù)據(jù)刪除入口滿足合規(guī)要求。6.6 模型降級(jí)與容災(zāi)大模型 API 可能出現(xiàn)超時(shí)、限流、服務(wù)不可用。在生產(chǎn)環(huán)境建議做調(diào)用超時(shí)設(shè)置。失敗重試機(jī)制。如果主模型不可用回退到備用模型或本地題庫(kù)。關(guān)鍵接口即使沒(méi)有 AI 也能通過(guò)題庫(kù)數(shù)據(jù)兜底保證教學(xué)不中斷。7. 總結(jié)與下一步學(xué)習(xí)建議這篇文章從一個(gè)真實(shí)的職業(yè)選擇話題切入聊到了 AI 時(shí)代數(shù)學(xué)教培的技術(shù)化趨勢(shì)然后完整搭建了一個(gè) AI 數(shù)學(xué)助教服務(wù)。整個(gè)過(guò)程涉及的核心技能包括大模型 API 的工程封裝與結(jié)構(gòu)化輸出。提示詞模板設(shè)計(jì)。FastAPI 接口開(kāi)發(fā)。Pydantic 數(shù)據(jù)校驗(yàn)。SQLite 本地緩存。后端服務(wù)的容錯(cuò)與安全設(shè)計(jì)。如果你是從零開(kāi)始建議先不要急著加復(fù)雜功能。先把“出題”和“批改”兩個(gè)最小閉環(huán)跑通然后找一個(gè)真實(shí)的班級(jí)或助教場(chǎng)景試用兩周把 AI 生成內(nèi)容的錯(cuò)誤類(lèi)型記錄下來(lái)再針對(duì)性地優(yōu)化提示詞和校驗(yàn)邏輯。下一步可以繼續(xù)擴(kuò)展的方向有三個(gè)檢索增強(qiáng)生成RAG把教材、習(xí)題集、歷年真題向量化AI 出題時(shí)基于真實(shí)題庫(kù)檢索而不是憑空生成質(zhì)量會(huì)穩(wěn)定很多。AI Agent 工作流把“出題 → 學(xué)生作答 → 批改 → 錯(cuò)題分析 → 鞏固題推薦”串成一個(gè) Agent 任務(wù)減少人工操作。數(shù)據(jù)反饋閉環(huán)記錄每道題的歷史作答數(shù)據(jù)用統(tǒng)計(jì)分析識(shí)別高頻錯(cuò)題和易混淆知識(shí)點(diǎn)反哺教學(xué)設(shè)計(jì)。最后再?gòu)?qiáng)調(diào)一句AI 能幫你快速批量產(chǎn)出內(nèi)容但“答案是否正確”“是否適合某個(gè)學(xué)生”這兩件事仍然需要你或任課老師把關(guān)。把 AI 當(dāng)作一個(gè)高效的助教而不是教學(xué)決策的最終裁判你的教培系統(tǒng)才能越用越穩(wěn)。