本文创作机缘：上周参与教育企业内部AI比赛活动，我看到了各岗位对个性化学情的迫切需求，激发我这台AI大脑生成了一些新的信息。我意识到，有一个公共组件可以被抽象出来，姑且叫做AI中台的学情知识库吧。
广义上的RAG，和上下文工程，在我看来就是同义词。如果AI的工作记忆空间（最大输入+输出tokens）每次都能包含恰当的输入，那么只要AI推理性能良好，计算结果就会与预期方向一致。好的推理能力不止和AI内部权重有关。AI自己的权重是被压缩的智能，它必然会随着人类社会的发展而永无止境地升级，无论这个升级过程（训练/微调）是手工的、半自动的、全自动的。然而，推理能力更需要充足的信息燃料，没有好的燃料，计算方向就会跑偏，以至于出现一眼就能识破的“AI幻觉”。所以，充足的信息燃料，也就是RAG地嵌入在AI工作记忆的信息，是智能的关键。这一点和人一样，无论系统1、系统2，人在刺激-反应过程中，也都是输入信息，经过机体计算，输出/生成反应。
你可以在与AI任何对话中，带上公域信息（比如光速是多少），那么私域信息呢？我常说，AI永远不知道你家有几个抽屉，除非是和你生活在一起的具身智能机器人，因为它（或者“他”/“她”）处于和你相同的环境信息场。要从权限区域（比如你家的门和围墙所圈定的私密空间）中获取私域信息，其结构和算法非常重要。我更喜欢称其为记忆。模型自身的记忆被固化在权重里。同样地，外部的记忆需要稳定且明确的结构才会表现出来。可以构建像mem0的通用记忆结构。这种结构会慢慢“长大”。因为通用，所以适用于任何环境信息场，它拥有自适应的能力。但是这个过程是缓慢的，而且不同的mem0实例，即便在相同的环境信息场，也会生长出近似但不完全相同的记忆结构。实际上，高山流水，知音难觅。而且通用结构的副作用之一，和人一样，就是被锚定，或者说固化。修改自身已经相对稳定的认知，并不是一件容易的事情，需要比创建该认知更大量的环境信息场刺激，特别是基于当前成熟认知下的反例刺激。这就是为什么各领域的设计人员宁肯重新设计，也不想“屎上雕花”，因为反向推导并融入他人认知所消耗的算力太大了，远远高于重新设计。很长一段时间以来，我痴迷于构建通用记忆结构。而现在，我觉得专用记忆结构同样非常重要，而且似乎是必不可少的。因为它给计算工具提供了稳定的记忆，是智能行为表现的关键。
在AI比赛中，我看到了许多自适应学习的“切面”/“片段”，几乎所有项目都和个性化学情直接关联，甚至是信息的源头。大模型不知道关于学情的任何私有信息。比如，如果我问AI：“张三的第三节课做得怎么样？他还有什么薄弱项？”显然，这和你直接问AI“我家有几个抽屉”的结果是一样的。我意识到，需要构建一套企业内部的学情知识库，API地或LUI地交互，使得有权限的人/智能体获取私有学情信息，从而开展围绕组织成员/智能体自身目的的计算活动。这需要稳定的专用记忆结构。如何设计这样的结构？这是一个领域问题，因此需要教育专家为主导，配合技术专家确认技术可行性，一同构建。
从教育角度，学习表现是学习结果的评价证据，评价指标是学习目标的外在表现。据此，就容易设计出记忆的结构，然后配合技术专家将其实现。在我熟悉的实践中，课程结构是这样的（在外一层是“课程体系”，下图忽略）：最小单位是教学环节，它是记忆系统中的长时记忆中的情景记忆。学情 = 提示词(学习目标, 情景记忆_1,..., 情景记忆_n)学情就是非常重要的结构，也是教育专家的核心建模。说到底，它就是长时记忆中的语义记忆。
我花一天时间用cursor做了一个原型，模型Doubao-Seed-1.6-thinking。先看看cursor为我虚构的课程/单元/单课/环节模型，其中包含课程目标（courses.objectives）、单元目标（units.objectives）、单课目标（lessons.objectives），以及情景记忆碎片（steps）。{ "courses": [ { "id": "python-course-2023", "name": "Python编程基础与实践", "description": "专为K-12学生设计的Python编程课程，注重实践能力培养", "objectives": [ "运用Python基础语法解决简单的编程问题", "分析并实现基本的算法和数据结构", "设计并开发简单的应用程序", "评估代码质量并进行优化" ], "tools": ["Python"], "grade_range": "7-12", "units": [ { "id": "unit-1", "name": "Python基础语法与结构", "objectives": [ "正确使用Python基本数据类型和运算符", "构建基本的控制流结构(条件语句和循环)", "创建并调用函数实现代码复用", "应用字符串和列表操作解决文本处理问题" ], "lessons": [ { "id": "lesson-1-1", "name": "Python入门与基本数据类型", "objectives": [ "安装并配置Python开发环境", "区分并正确使用数值、字符串和布尔类型", "应用基本运算符执行数学和逻辑运算", "使用变量存储和操作数据" ], "steps": [ { "id": "step-1-1-1", "name": "环境安装与配置", "type": "instruction", "content": "讲解Python的安装方法与开发环境配置", "duration": 15, "assessment": false }, { "id": "step-1-1-2", "name": "变量与数据类型", "type": "concept", "content": "介绍Python的基本数据类型和变量声明", "duration": 20, "assessment": false }, { "id": "step-1-1-3", "name": "基本运算实践", "type": "exercise", "content": "完成5个基础运算的编程练习，覆盖各种数据类型的操作", "duration": 25, "assessment": true, "exercise": { "description": "实现一个简单计算器，能够进行加减乘除和取余运算", "requirements": [ "接受用户输入的两个数字和一个运算符", "根据运算符执行相应的运算", "处理可能的异常情况(如除零错误)", "格式化输出计算结果" ], "sample_code": "# 请在此实现简单计算器功能\n\n# 获取用户输入\n\n# 执行计算\n\n# 输出结果", "evaluation_criteria": [ "程序能正确处理所有基本运算", "代码对异常情况有适当处理", "变量命名符合规范", "输出结果格式正确" ] } } ] },/* 剩余课程结构省略 */这些目标和情景记忆，是构建专用学情记忆结构的必需信息燃料。我让AI设计了一个虚拟的提交情景记忆的组件，选择好课程/单元/单课/环节的坐标，提交情景记忆。提交情景记忆之后，系统会整合已有的情景记忆，配合课程中的各层目标，向AI提交教育专家所设计的知识\技能\能力维度的提示词算法，计算出其抽象的学情描述。你可以看到张三的每个知识/技能/能力节点情况，以图结构。每个节点都有明确的情景记忆作为其证据。例如，右下角的能力“代码初步调试能力”，就是因为刚才（在提交情景记忆时）系统发现张三的创作过程中存在调试行为，而只要这个行为是教育专家关心的，就可以指导教&学平台记录该信息。张三的全部能力评价都是基于教育专家的期待，并且所有评价都有明确的学习表现作为证据。（虽然这不是典型意义上的“表现性评价”范式。）
例如，我撰写了一些提示词，它们可以根据学生的学情，做学习预警、生成干预计划、撰写学习报告，或者单纯的能力分析。学情预警和干预中，AI计算了我和课程设定的目标差距。学习报告中，AI计算出“张三”的各种统计数据，以及待提升建议。能力分析中，是AI以谷歌CT四要素为理论依据的评价（实践中需要教育专家细化，或者转换为自己领域的评价维度）。你可以看到，上面和业务相关的一些活动，都是有证据可依的，不是瞎胡说的，这就是记忆的作用。
除了直接耦合业务需求，还可以开放式地和学情知识库聊天。比如，我问了一下系统关于张三的学习情况，AI会自动调取查询数据库的tools，去寻找相关信息燃料，来生成张三的学情。实际上，这里可以做的事情非常多，也能很好地激发教\学创造力。如果开放给学生使用，或许它会比学生都更了解自己。
粤ICP备14082021号
免费POC，
零成本试错
