LazyLLM端到端实战：用RAG+Agent实现自动出题与学习计划的个性化学习助手智能体
深入了解每一个知识点
python# 安装依赖：pip install lazyllmfrom lazyllm import RAG, Document# 加载本地文档（支持PDF、Markdown等）doc = Document("python_basics.md", chunk_size=500, chunk_overlap=50)# 构建RAG引擎rag = RAG(doc, embed_model="BAAI/bge-small-zh-v1.5", llm_model="Qwen/Qwen2-7B-Instruct")# 测试检索query = "Python中的列表推导式是什么？"results = rag.retrieve(query, top_k=3)print("检索到的相关知识片段：")for i, result in enumerate(results): print(f"{i+1}. {result['content'][:100]}...")代码解析：-chunk_size=500：将文档按500字符切块，避免超出LLM上下文窗口-embed_model：使用中文嵌入模型将文本转为向量-retrieve：返回与问题最相关的3个文档片段### 1.2 自动出题的核心逻辑有了RAG，我们可以根据用户当前学习的章节，自动生成选择题或简答题。这里我们用Agent来判断出题类型。pythonfrom lazyllm import Agent# 定义出题Agentquestion_agent = Agent( tools=[rag], # 将RAG作为工具注入 system_prompt="""你是一位出题老师。请根据用户当前学习的内容，生成一道选择题（包含4个选项）和一道简答题。 要求：选择题的难度要适中，简答题要能检验理解深度。 输出格式： ## 选择题 题目： A. B. C. D. 答案： ## 简答题 题目： 参考答案：""")# 用户当前学习的内容（假设是RAG检索到的）user_topic = "列表推导式与生成器"question_result = question_agent.run(f"基于以下内容出题：{user_topic}")print(question_result)输出示例：## 选择题题目：下列哪个表达式返回的是生成器对象？A. (x*2 for x in range(10))B. [x*2 for x in range(10)]C. {x*2 for x in range(10)}D. {x: x*2 for x in range(10)}答案：A## 简答题题目：请比较列表推导式和生成器表达式在内存使用上的区别，并说明何时应该使用生成器。参考答案：列表推导式一次性生成所有元素并存储在内存中，适合数据量小的场景；生成器是惰性求值，每次迭代才生成下一个元素，适合处理大数据流或无限序列。—## 实战二：用Agent实现动态学习计划### 2.1 用户行为感知与计划调整单纯的出题还不够，我们还要根据用户答题的正确率来调整学习计划。比如：如果某类题目总是错，就增加该知识点的复习次数。pythonclass LearningPlanner: def __init__(self, knowledge_graph): self.knowledge = knowledge_graph # 知识点图谱 self.mistakes = {} # 记录错误知识点 def analyze_errors(self, questions, answers): """分析用户错误，更新知识点权重""" for q, a in zip(questions, answers): if a['is_correct'] == False: topic = q['topic'] self.mistakes[topic] = self.mistakes.get(topic, 0) + 1 # 增加该知识点的复习权重 self.knowledge[topic]['review_weight'] = min(1.0, self.knowledge[topic].get('review_weight', 0.1) + 0.2) def generate_plan(self, user_id, days=7): """生成未来7天的学习计划""" plan = [] # 按错误频率排序，优先安排薄弱环节 weak_topics = sorted(self.mistakes.items(), key=lambda x: x[1], reverse=True) for i in range(days): day_plan = {"day": i+1, "topics": []} for topic, _ in weak_topics[:3]: # 每天复习3个薄弱点 day_plan["topics"].append(topic) # 穿插新知识 new_topic = self._get_next_new_topic() if new_topic: day_plan["topics"].append(new_topic) plan.append(day_plan) return plan# 初始化学习规划器planner = LearningPlanner({ "列表推导式": {"mastery": 0.3, "review_weight": 0.1}, "生成器": {"mastery": 0.1, "review_weight": 0.1}, "装饰器": {"mastery": 0.6, "review_weight": 0.1}})# 模拟用户答题记录questions = [ {"topic": "列表推导式", "correct": True}, {"topic": "生成器", "correct": False}, # 错误！ {"topic": "装饰器", "correct": True}]answers = [{"is_correct": q["correct"]} for q in questions]planner.analyze_errors(questions, answers)plan = planner.generate_plan("user123", days=3)print("个性化学习计划：")for day in plan: print(f"第{day['day']}天：复习 {', '.join(day['topics'])}")输出示例：个性化学习计划：第1天：复习 生成器, 列表推导式第2天：复习 生成器, 列表推导式, 装饰器第3天：复习 生成器, 列表推导式, 新章节：异常处理### 2.2 集成到LazyLLM Agent中我们将上述逻辑封装成LazyLLM的工具，让Agent可以自动调用。pythonfrom lazyllm import Tool# 将学习规划器封装成工具plan_tool = Tool( name="generate_learning_plan", func=planner.generate_plan, description="根据用户错误记录生成学习计划，参数：user_id和天数")# 创建主Agentmain_agent = Agent( tools=[rag, plan_tool], system_prompt="""你是一个个性化学习助手。你的工作流程： 1. 先通过RAG检索用户当前学习内容 2. 自动生成练习题 3. 分析用户答题结果，调用学习规划器调整计划 4. 以友好自然语言输出建议""")# 交互示例user_input = "我刚刚学完函数和装饰器，但感觉生成器有点难"response = main_agent.run(user_input)print(response)Agent输出：我注意到你对生成器有困惑。先做一道题检验一下：选择题：下列代码输出什么？def gen(): yield 1 yield 2g = gen()print(next(g), next(g))A. 1 2 B. 2 1 C. 报错 D. None None答案：A如果你答对了，说明基础概念已掌握。根据你的学习记录，建议未来3天重点复习生成器和列表推导式，每天花15分钟做一道综合题。需要我为你生成详细计划吗？—## 总结：从代码到智能学习助手通过不到100行的核心代码，我们实现了：1.RAG知识库：让AI能精准检索教材内容2.自动出题Agent：根据知识点生成带答案的练习题3.动态学习计划：根据用户错误模式自动调整复习权重关键收获：- LazyLLM 的Agent+Tool模式，让复杂的多步骤任务变得像搭积木一样简单- RAG 解决了LLM“知识幻觉”问题，确保出题内容严格基于教材- 个性化不是靠魔法，而是靠mistakes字典这样的简单数据结构未来优化方向：- 加入知识图谱，让计划更了解知识点间的依赖关系- 集成语音交互，实现“对话式学习”- 使用强化学习动态调整出题难度现在，你可以把这份代码部署到自己的学习场景中。无论是学编程、历史还是外语，只需替换知识库文档，就能得到一个专属的AI学习导师。动手试试吧！