AI学习方案生成系统

根据用户画像和学习目标，自动生成包含知识点序列的培养方案。

功能特性

1. 课程知识点管理：自动提取或从MD文件读取课程知识点
2. 前置依赖分析：智能分析知识点之间的依赖关系
3. 学习路径排序：基于依赖关系、难度等因素生成最优学习顺序
4. 用户画像支持：根据用户背景定制化学习方案
5. 个性化教案生成：为每个知识点生成详细的Markdown格式教案，考虑知识点关联和用户背景
6. 基于已有方案生成教案：可以从已有的学习方案文件直接生成教案，无需重新运行整个流程

安装

1. 安装依赖：

pip install -r requirements.txt

2. 配置API密钥：
   • 复制 config.example.py 为 config.py
   • 在 config.py 中填写您的 ModelScope API 密钥

使用方法

1. 准备用户画像文件

创建YAML格式的用户画像文件，例如 data/profiles/my_profile.yaml：

user:
  name: "学生姓名"
  background:
    courses:
      - "Python基础"
      - "数据结构与算法"
  learning_goal: "强化学习"

注意：用户画像中只需要列出学过的课程，系统会自动从课程知识点文档中提取已掌握的知识点。如果某个课程的知识点文档不存在，系统会自动使用LLM生成。

2. 运行程序

系统支持四种模式：

模式1：快速测试知识点生成

快速验证知识点生成是否靠谱，不进行耗时的依赖分析和排序：

# 使用用户画像文件（从文件中读取学习目标）
python main.py points -p data/profiles/my_profile.yaml

# 直接指定学习目标（不需要用户画像文件）
python main.py points -g "强化学习"

# 保存结果到JSON文件
python main.py points -g "强化学习" -o test_points.json

注意：这个命令只生成知识点，速度很快（通常几秒到几十秒），适合快速验证知识点质量。

模式2：快速测试前置依赖分析（推荐先测试此步骤）

快速验证前置依赖分析是否靠谱，这是最容易出问题的步骤。会进行依赖分析但不进行排序和教案生成：

# 使用用户画像文件（从文件中读取学习目标）
python main.py prereq -p data/profiles/my_profile.yaml

# 直接指定学习目标（不需要用户画像文件）
python main.py prereq -g "强化学习"

# 保存结果到JSON文件
python main.py prereq -g "强化学习" -o test_prereq.json

注意：

• 这个命令会进行前置依赖分析（包括递归分析），但跳过排序和教案生成
• 会显示详细的依赖关系，包括初始知识点和前置知识点
• 可以快速验证是否有课程名称被误识别为知识点等问题
• 适合在修改提示词后快速验证效果

模式3：生成完整学习方案

# 基本用法（自动保存到 data/profiles/ 目录，同时输出到控制台）
python main.py plan data/profiles/my_profile.yaml

# 指定输出文件路径（同时输出到控制台和文件）
python main.py plan data/profiles/my_profile.yaml -o my_plan.json

# 输出为YAML格式
python main.py plan data/profiles/my_profile.yaml -o my_plan.yaml -f yaml

# 生成学习方案的同时生成知识点教案
python main.py plan data/profiles/my_profile.yaml -g

# 同时指定输出文件和生成教案
python main.py plan data/profiles/my_profile.yaml -o my_plan.json -g

模式4：基于已有学习方案生成教案

# 基于已有的学习方案文件生成教案
python main.py lessons data/profiles/示例学生_强化学习_20260104_182849.json

# 提供用户画像文件以获得更准确的个性化教案
python main.py lessons data/profiles/示例学生_强化学习_20260104_182849.json -p data/profiles/my_profile.yaml

注意：

• 生成学习方案：
  • 如果不指定 -o 参数，系统会自动生成文件名并保存到 data/profiles/ 目录
  • 文件名格式：用户名_学习目标_时间戳.格式（例如：示例学生_强化学习_20240104_160000.json）
  • 无论是否指定输出文件，结果都会同时显示在控制台和保存到文件
  • 默认不生成教案，使用 -g 或 --generate-lessons 参数可生成知识点教案
• 生成教案：
  • 可以从已有的学习方案文件（JSON或YAML）生成教案
  • 如果提供用户画像文件（-p 参数），会使用更完整的用户信息生成个性化教案
  • 如果不提供用户画像文件，会从学习方案中提取基本信息
• 教案文件：保存在 data/lessons/ 目录，每个知识点对应一个Markdown文件

输出格式

培养方案包含以下信息：

• user: 用户信息
• course: 课程信息
• learning_path: 排序后的知识点列表（包含学习顺序）
• dependencies: 知识点依赖关系
• statistics: 统计信息

工作流程

算法框架图

1. 生成培养方案流程 (Learning Plan Generation)

flowchart TD
    A[Knowledge Points] --> B[Prerequisite Analysis<br/>Batch + Recursive Max Depth: 2]
    B --> C[Collect All Points<br/>Initial + Prerequisites]
    C --> D[Learning Path Sorting<br/>LLM 3 Times Average]
    D --> E[Learning Plan]
    
    style B fill:#fff4e1
    style D fill:#fff4e1
    style E fill:#ffe1f5

Loading

2. 生成教案流程 (Lesson Generation)

flowchart TD
    A[Learning Path] --> B[For Each Knowledge Point]
    B --> C[Generate Lesson<br/>with LLM]
    C --> D[Save Markdown]
    D --> B
    B --> E[All Lessons]
    
    style C fill:#e1ffe1
    style E fill:#ffe1f5

Loading

详细步骤

1. 加载用户画像：从YAML文件读取用户信息，自动从已学课程的知识点文档中提取已掌握的知识点
2. 获取或生成课程知识点：如果MD文件不存在，会调用LLM生成并保存
3. 分析每个知识点的前置依赖：批量分析，限制递归深度为2层，避免过度递归
4. 对所有知识点进行排序：调用LLM 3次取平均值，提高排序稳定性
5. 生成知识点教案（可选）：每个知识点生成一个Markdown格式的教案文件
6. 生成并输出培养方案：输出为JSON或YAML格式，包含完整的学习路径和依赖关系

配置说明

在 config.py 中可以配置：

• MAX_KNOWLEDGE_POINTS: 知识点数量上限（默认100）
• SORT_RETRY_COUNT: 排序时调用LLM的次数（默认3次）

文件结构

simpleDoc/
├── main.py                    # 主程序入口
├── user_profile.py           # 用户画像解析
├── course_knowledge.py       # 课程知识点管理
├── prerequisite_analyzer.py  # 前置依赖分析
├── learning_path.py          # 学习路径排序
├── llm_service.py           # LLM服务封装
├── config.py                # 配置文件（需自行填写API密钥）
├── config.example.py         # 配置文件模板
├── prompts.py               # 提示词模板
├── data/
│   ├── courses/             # 课程知识点MD文件存储目录
│   ├── profiles/            # 用户画像YAML文件和培养方案输出
│   └── lessons/             # 知识点教案MD文件存储目录
└── requirements.txt         # 依赖包

注意事项

1. API密钥安全：config.py 包含API密钥，不会被提交到版本控制（已在.gitignore中）
2. 知识点数量限制：如果知识点超过100个，会自动截断
3. 排序稳定性：系统会调用LLM 3次进行排序，取平均值以提高稳定性
4. 循环依赖：系统会自动检测循环依赖，并在排序时处理
5. 教案生成：每个知识点会生成一个独立的Markdown教案文件，保存在 data/lessons/ 目录
6. 教案个性化：教案会根据用户已学课程和已掌握知识点进行个性化定制

示例

查看 data/profiles/example_profile.yaml 了解用户画像格式示例。