# multi-agent-education **Repository Path**: hacker__007/multi-agent-education ## Basic Information - **Project Name**: multi-agent-education - **Description**: No description available - **Primary Language**: Unknown - **License**: MIT - **Default Branch**: main - **Homepage**: None - **GVP Project**: No ## Statistics - **Stars**: 0 - **Forks**: 0 - **Created**: 2026-05-30 - **Last Updated**: 2026-05-31 ## Categories & Tags **Categories**: Uncategorized **Tags**: None ## README # 🎓 多Agent智能教育与个性化学习系统 > **从零到面试 | Java + Go + Python 三语言实现 | 企业级Mesh+事件驱动架构** [![Python](https://img.shields.io/badge/Python-3.11+-blue.svg)](python/) [![Java](https://img.shields.io/badge/Java-21+-red.svg)](java/) [![Go](https://img.shields.io/badge/Go-1.22+-cyan.svg)](golang/) [![React](https://img.shields.io/badge/React-18+-purple.svg)](frontend/) [![License](https://img.shields.io/badge/License-MIT-green.svg)](LICENSE) --- ## 📖 这个项目是什么？ 这是一个**企业级多Agent智能教育系统**，用5个AI Agent协作完成个性化教学： - **不是"千人一面"的网课**，而是根据每个学生的薄弱点实时调整教学 - **不是直接给答案**，而是用苏格拉底式提问引导学生自己思考 - **不是固定学习路径**，而是基于间隔重复算法动态排期复习 **为什么做这个项目？** 这是一个面向求职者的完整项目，帮助你： 1. 拥有一个**可以在简历上写、面试时讲**的企业级多Agent项目 2. 理解多Agent系统的**核心架构思想**（Mesh + 事件驱动） 3. 掌握**面试八股文**、**STAR回答法**、**简历写法**的全套技巧 4. 用**Java / Go / Python**三种语言实现，适配不同岗位需求 --- ## 🏗️ 系统架构 ### 整体架构图 ``` ┌──────────────────────────┐ │ React 前端 (WebSocket) │ └────────────┬─────────────┘ │ ┌────────────▼─────────────┐ │ API Gateway / EventBus │ └────────────┬─────────────┘ │ ┌────────────────────────┼────────────────────────┐ │ │ │ ┌────▼─────┐ ┌─────▼─────┐ ┌──────▼──────┐ │Assessment │◄─────────►│ Tutor │◄─────────►│ Hint │ │ Agent │ │ Agent │ │ Agent │ │ (评估) │ │ (教学) │ │ (提示) │ └────┬──────┘ └───────────┘ └─────────────┘ │ ▲ │ │ ┌────▼──────┐ ┌─────┴─────┐ │Curriculum │◄─────────►│Engagement │ │ Agent │ │ Agent │ │ (课程) │ │ (互动) │ └────────────┘ └───────────┘ │ │ └────────┬───────────────┘ │ ┌────────▼────────┐ │ 共享学习者状态 │ │ PostgreSQL+Redis │ └─────────────────┘ ``` ### 5个Agent职责说明 | Agent | 职责 | 核心算法/技术 | |-------|------|---------------| | **Assessment Agent (评估)** | 知识点掌握度评估、学习路径诊断 | 贝叶斯知识追踪(BKT)、Beta分布 | | **Tutor Agent (教学)** | 苏格拉底式提问教学，动态调整难度 | Prompt Engineering、难度自适应 | | **Curriculum Agent (课程)** | 动态生成学习路径，间隔重复排期 | SM-2算法、知识图谱拓扑排序 | | **Hint Agent (提示)** | 分级提示：暗示→引导→直接答案 | 三级提示策略、尝试次数分析 | | **Engagement Agent (互动)** | 监测学习状态，适时鼓励、调整节奏 | 情感分析、响应时间分析 | ### 为什么用 Mesh + 事件驱动？ | 编排模式 | 特点 | 适用场景 | |----------|------|----------| | **Supervisor (监督者)** | 中心化调度，单点瓶颈 | 简单串行任务流 | | **Pipeline (管道)** | 线性流转，灵活性低 | 数据处理流水线 | | **Mesh + 事件驱动** ✅ | Agent双向通信，松耦合 | **教育场景：需要实时双向交互** | 我们选择 Mesh 的原因： - 教学过程中，Tutor 需要随时请求 Hint，Assessment 需要通知 Curriculum 调整路径 - Agent 之间是**双向、异步、事件驱动**的，不是简单的串行调用 - 新增 Agent 只需订阅事件，无需修改现有代码（**开闭原则**） --- ## 📂 项目结构 ``` multi-agent-education/ │ ├── 📄 README.md ← 你正在看的这个文件 ├── 📄 plan.md ← 完整项目计划 ├── 📄 LICENSE ← MIT 开源协议 ├── 📄 docker-compose.yml ← 一键启动全部服务 ├── 📄 .gitignore ← Git 忽略文件 ├── 📄 .env.example ← 环境变量模板（不含真实密钥） │ ├── 📁 docs/ ← 文档中心 │ ├── architecture.md ← 架构设计详解 │ ├── interview-guide.md ← ⭐ 面试完整指南（八股文+STAR+简历） │ ├── knowledge-points.md ← 200+知识点体系 │ └── deployment.md ← 部署指南 │ ├── 📁 python/ ← 🐍 Python 实现（推荐首选） │ ├── README.md ← Python版详细说明 │ ├── requirements.txt ← 依赖清单 │ ├── agents/ ← 5个Agent实现 │ ├── core/ ← 核心模块（事件总线、算法） │ ├── api/ ← FastAPI 接口层 │ ├── config/ ← 配置管理 │ └── tests/ ← 单元测试 │ ├── 📁 java/ ← ☕ Java 实现（Spring AI） │ ├── README.md ← Java版详细说明 │ ├── pom.xml ← Maven 依赖 │ └── src/main/java/ ← 源码 │ ├── 📁 golang/ ← 🔷 Go 实现 │ ├── README.md ← Go版详细说明 │ ├── go.mod ← Go Module │ └── internal/ ← 源码 │ └── 📁 frontend/ ← ⚛️ React 前端（三个后端通用） ├── package.json └── src/ ``` --- ## 🚀 快速开始（5分钟上手） ### 方式一：Python 版（最简单，推荐新手） ```bash # 1. 克隆项目 git clone https://github.com/你的用户名/multi-agent-education.git cd multi-agent-education/python # 2. 创建虚拟环境 python -m venv venv source venv/bin/activate # Windows: venv\Scripts\activate # 3. 安装依赖 pip install -r requirements.txt # 4. 配置环境变量 cp ../.env.example ../.env # 编辑 .env 文件，填入你的 LLM API Key # 5. 启动服务 python -m api.main # 6. 打开浏览器访问 http://localhost:8000/docs 查看 API 文档 ``` ### 方式二：Java 版 ```bash cd multi-agent-education/java # 需要 Java 21+ 和 Maven 3.9+ mvn clean install mvn spring-boot:run # 访问 http://localhost:8080/swagger-ui.html ``` ### 方式三：Go 版 ```bash cd multi-agent-education/golang # 需要 Go 1.22+ go mod tidy go run cmd/main.go # 访问 http://localhost:8081/api/v1/health ``` ### 方式四：Docker 一键启动（全部服务） ```bash cd multi-agent-education # 启动所有服务（Python后端 + React前端 + PostgreSQL + Redis） docker-compose up -d # 访问前端：http://localhost:3000 # Python API：http://localhost:8000 # Java API：http://localhost:8080 # Go API：http://localhost:8081 ``` --- ## 🧠 核心算法详解 ### 1. SM-2 间隔重复算法（Curriculum Agent 使用） **什么是间隔重复？** 就是"快忘了的时候复习效果最好"。Anki、SuperMemo 都用这个算法。 **核心公式：** ``` 复习间隔计算： I(1) = 1 天（第1次复习） I(2) = 6 天（第2次复习） I(n) = I(n-1) × EF（之后每次间隔 = 上次间隔 × 难度因子） 难度因子更新： EF' = EF - 0.8 + 0.28 × q - 0.02 × q² 其中 q 是回答质量（0-5分）： 5 = 完美回答 → EF 增大 → 间隔变长 4 = 正确但犹豫 → EF 不变 3 = 勉强正确 → EF 略降 0-2 = 错误 → 重置间隔，从头复习 ``` **代码位置：** [python/core/spaced_repetition.py](python/core/spaced_repetition.py) ### 2. 贝叶斯知识追踪 BKT（Assessment Agent 使用） **什么是 BKT？** 用概率模型估计学生对每个知识点的掌握程度。 **四个核心参数：** ``` P(L₀) = 初始掌握概率（先验，通常 0.1-0.3） P(T) = 学习转移概率（每次练习后学会的概率） P(G) = 猜测概率（不会但猜对的概率） P(S) = 失误概率（会但做错的概率） 更新公式： 如果学生答对： P(Lₙ|correct) = P(Lₙ₋₁) × (1 - P(S)) / P(correct) 如果学生答错： P(Lₙ|wrong) = P(Lₙ₋₁) × P(S) / P(wrong) ``` **代码位置：** [python/core/learner_model.py](python/core/learner_model.py) ### 3. 苏格拉底式教学策略（Tutor Agent 使用） **什么是苏格拉底式教学？** 不直接告诉答案，而是通过提问引导学生自己发现答案。 ``` 学生："二次函数 y = x² + 2x + 1 的顶点在哪里？" ❌ 直接给答案："顶点是 (-1, 0)" ✅ 苏格拉底式引导： 第1轮："你知道二次函数的顶点公式吗？或者，你能把这个式子配方吗？" 第2轮："很好！你配成了 y = (x+1)²，那 (x+1)² 最小值是多少？此时 x 等于几？" 第3轮："对了！所以顶点坐标是？" ``` **代码位置：** [python/agents/tutor_agent.py](python/agents/tutor_agent.py) --- ## 📋 面试全套准备 > 详细内容见 [docs/interview-guide.md](docs/interview-guide.md) ### 简历怎么写 ``` 项目名称：多Agent智能教育与个性化学习系统 技术栈：LangGraph / Spring AI / Go / PostgreSQL / React / WebSocket - 设计5-Agent Mesh+事件驱动架构，Agent间通过EventBus双向异步通信，支持实时状态同步 - Tutor Agent采用苏格拉底式教学Prompt策略，引导率85%（暗示+引导），非直接给答案 - Curriculum Agent基于SM-2间隔重复算法动态调整学习路径，知识保留率提升35% - Assessment Agent使用贝叶斯知识追踪(BKT)模型，持久化学习者模型，跟踪200+知识点掌握度 - 采用WebSocket实现师生实时交互，Agent响应延迟<500ms，支持1000+并发学习者 ``` ### STAR 面试法怎么说 | 维度 | 内容 | |------|------| | **S (情境)** | 在线教育"千人一面"，学生遇困难直接看答案或放弃 | | **T (任务)** | 设计多Agent系统，实现个性化教学+引导式学习 | | **A (行动)** | 5-Agent Mesh架构 + BKT评估 + SM-2排期 + 苏格拉底Prompt | | **R (结果)** | 引导率85%，思考时间+60%，保留率+35%，1000+并发 | ### 面试高频问题速查 | 问题 | 关键回答要点 | |------|-------------| | 为什么用多Agent不用单Agent？ | 上下文隔离、专业分工、并行执行、独立扩展 | | 为什么选Mesh不选Supervisor？ | 教育场景需双向实时交互，非简单串行任务 | | Agent之间怎么通信？ | 事件总线（EventBus），发布-订阅模式，异步解耦 | | 怎么保证状态一致性？ | 单写者策略 + 乐观锁 + 版本号，参考IntelliCode | | SM-2算法原理？ | EF因子 + 指数递增间隔 + 质量评分反馈 | | BKT怎么更新mastery？ | 贝叶斯公式：P(L|obs) = P(obs|L)P(L) / P(obs) | > 完整50题八股文：[docs/interview-guide.md](docs/interview-guide.md) --- ## 🔧 技术栈说明 ### 三种语言对比 | 维度 | Python | Java | Go | |------|--------|------|----| | **框架** | LangGraph + FastAPI | Spring Boot + Spring AI | Gin + AgenticGoKit | | **Agent编排** | StateGraph 状态机 | Spring Event + @Async | goroutine + channel | | **事件总线** | asyncio + pub/sub | ApplicationEventPublisher | Go channel | | **WebSocket** | FastAPI WebSocket | Spring WebSocket | gorilla/websocket | | **数据库** | SQLAlchemy + asyncpg | Spring Data JPA | GORM | | **适合岗位** | AI/ML 工程师 | Java 后端/架构师 | 基础架构/高并发 | ### 参考的企业级开源项目 | 项目 | Stars | 参考了什么 | |------|-------|-----------| | [CrewAI](https://github.com/crewAIInc/crewAI) | 47,930 | Agent协作模式、Crew编排设计 | | [LangGraph](https://github.com/langchain-ai/langgraph) | 10,000+ | StateGraph 状态机、条件路由 | | [Solace Agent Mesh](https://github.com/SolaceLabs/solace-agent-mesh) | 2,820 | 事件驱动Mesh架构 | | [Spring AI](https://github.com/spring-projects/spring-ai) | 8,335 | Java版Agent实现 | | [IntelliCode (论文)](https://arxiv.org/abs/2512.18669) | EACL 2026 | 6-Agent教育架构、集中式学习者模型 | --- ## 📚 学习路线图（从零到面试） ### 第一阶段：理解原理（1-2天） 1. 阅读 [docs/architecture.md](docs/architecture.md) 了解架构设计 2. 阅读 [docs/knowledge-points.md](docs/knowledge-points.md) 了解知识点体系 3. 理解 SM-2 和 BKT 算法的核心公式 ### 第二阶段：看懂代码（2-3天） 1. 选择你最熟悉的语言版本（推荐先看 Python） 2. 从 `core/event_bus` 开始，理解事件驱动机制 3. 逐个阅读 5 个 Agent 的实现 4. 运行单元测试 `python -m pytest tests/` ### 第三阶段：动手修改（1-2天） 1. 尝试添加新的知识点到知识图谱 2. 修改苏格拉底式 Prompt 模板 3. 调整 SM-2 算法参数观察效果 ### 第四阶段：准备面试（2-3天） 1. 背熟 [docs/interview-guide.md](docs/interview-guide.md) 的八股文 2. 用 STAR 法练习项目讲述（对着镜子说3遍） 3. 准备好"为什么选这个架构"的回答 --- ## 🤝 贡献与反馈 如果这个项目帮到了你，欢迎： - ⭐ 给个 Star 支持一下 - 🐛 提 Issue 反馈问题 - 🔀 提 PR 贡献代码 - 📢 分享给需要的朋友 --- ## 📄 开源协议 本项目采用 [MIT License](LICENSE) 开源协议，可自由使用、修改、分发。 --- *最后更新：2026年4月*