跳到主要内容

2. 总体架构

2.1 业务架构​

角色定义​

学习者（Student）​

  • 职责：通过Web、移动App等渠道进行学习，提交作业，提出问题，查看学习报告
  • 权限：学习课程、提交作业、提问、查看个人学习数据、评价课程
  • 典型场景：
    • 学习课程内容，观看视频、阅读文档
    • 完成作业和练习，提交作业
    • 提出学习疑问，获得智能答疑
    • 查看学习进度和效果报告

教师（Teacher）​

  • 职责：管理课程内容，监控学习进度，处理学习者问题，查看教学数据
  • 权限：课程管理、内容管理、学习监控、人工答疑、数据分析
  • 典型场景：
    • 创建和管理课程内容
    • 查看学习者学习进度和作业完成情况
    • 处理智能系统无法回答的复杂问题
    • 分析教学数据，优化教学内容

教学管理员（Admin）​

  • 职责：管理系统配置，管理用户权限，监控系统运行，处理异常问题
  • 权限：系统配置、用户管理、权限管理、数据管理、系统监控
  • 典型场景：
    • 配置智能教育系统参数
    • 管理学习者和教师账号
    • 监控系统运行状态和性能
    • 处理系统异常和故障

内容管理员（Content Admin）​

  • 职责：管理知识库，维护教学内容，审核AI生成内容
  • 权限：知识库管理、内容审核、内容发布、内容版本管理
  • 典型场景：
    • 上传和管理教学文档、视频等资源
    • 构建和维护知识库
    • 审核AI生成的回答和内容
    • 管理内容版本和更新

数据分析师（Analyst）​

  • 职责：分析学习数据，生成分析报告，提供教学优化建议
  • 权限：数据查询、报表生成、分析工具使用、数据导出
  • 典型场景：
    • 分析学习者学习行为和效果
    • 生成教学效果分析报告
    • 识别学习风险和问题
    • 提供教学优化建议

用例分析​

用例1：个性化学习路径推荐​

  • 参与者：学习者、智能推荐系统
  • 前置条件：学习者已注册并完成能力评估测试
  • 主流程：
    1. 学习者登录系统，查看推荐的学习路径
    2. 系统基于学习者的能力模型和知识图谱，生成个性化学习路径
    3. 系统推荐适合的学习内容和资源
    4. 学习者选择学习内容，开始学习
    5. 系统跟踪学习进度，动态调整学习路径
  • 后置条件：学习路径已生成，学习数据已记录
  • 扩展流程：
    • 如果学习者对推荐内容不满意，可以手动调整
    • 如果学习进度异常，系统自动预警并通知教师

用例2：智能作业批改​

  • 参与者：学习者、智能批改系统、教师
  • 前置条件：学习者已完成作业并提交，作业批改系统已配置
  • 主流程：
    1. 学习者提交作业（文本、图片、文件等）
    2. 系统识别作业类型和题目
    3. 系统调用AI模型进行自动批改
    4. 系统生成批改结果和详细解析
    5. 学习者查看批改结果和错题分析
    6. 系统自动收集错题，生成错题本
  • 后置条件：作业已批改，批改结果已保存，错题已收集
  • 扩展流程：
    • 如果批改置信度低，转人工审核
    • 如果学习者对批改结果有异议，可以申请人工复核

用例3：智能答疑​

  • 参与者：学习者、智能答疑系统、教师
  • 前置条件：学习者已登录，知识库已构建完成
  • 主流程：
    1. 学习者输入问题（文本、语音、图片等）
    2. 系统进行意图识别和问题理解
    3. 系统从知识库检索相关信息
    4. 系统生成回答并返回给学习者
    5. 学习者查看回答，可选择继续提问或结束对话
    6. 系统记录对话历史，更新学习者知识模型
  • 后置条件：问题已回答，对话记录已保存
  • 扩展流程：
    • 如果回答置信度低或问题复杂，转人工答疑
    • 如果学习者对回答不满意，可以请求人工介入

用例4：学习效果评估​

  • 参与者：学习者、教师、评估系统
  • 前置条件：学习者已完成一定学习内容，有足够的学习数据
  • 主流程：
    1. 系统收集学习者的学习数据（作业、测试、学习行为等）
    2. 系统分析学习数据，计算知识点掌握度
    3. 系统生成学习效果评估报告
    4. 学习者和教师查看评估报告
    5. 系统基于评估结果，提供学习改进建议
  • 后置条件：评估报告已生成，改进建议已提供
  • 扩展流程：
    • 如果检测到学习风险，系统自动预警
    • 如果学习效果不理想，系统推荐补充学习内容

故事地图​

2.2 技术架构​

AI-Native四层架构​

智能教育系统采用AI-Native四层架构，从下到上依次为基础设施层、模型层、编排层和应用层。

应用层​

应用层提供多种终端接入方式，满足不同用户的使用习惯：

  • Web前端：基于Vue 3 + TypeScript开发，支持PC和移动端自适应，提供流畅的学习体验
  • 移动App：原生iOS和Android应用，支持离线学习、推送通知等功能
  • 微信小程序：轻量级接入方式，无需下载安装，即用即走
  • 教师管理后台：基于React + Ant Design开发，提供课程管理、学习监控、数据分析等功能
  • 数据分析平台：提供学习数据分析、教学效果评估、报表生成等功能

技术栈：

  • 前端框架：Vue 3、React 18
  • UI组件库：Element Plus、Ant Design
  • 状态管理：Pinia、Redux
  • 构建工具：Vite、Webpack
  • 图表库：ECharts、D3.js

编排层​

编排层是系统的核心，负责业务流程编排和AI能力调用：

  • API网关：统一入口，负责路由、限流、认证、日志等
  • 学习路径推荐：基于知识图谱和能力模型，生成个性化学习路径
  • 作业批改服务：调用AI模型，自动批改作业，生成批改结果和解析
  • 智能答疑服务：基于RAG技术，从知识库检索信息，生成回答
  • 学习效果评估：分析学习数据，评估学习效果，生成评估报告
  • 知识库检索：基于向量数据库，进行语义检索
  • 对话管理：维护对话上下文，管理多轮对话状态
  • 内容推荐：基于协同过滤和内容过滤，推荐学习内容

技术栈：

  • 框架：FastAPI（Python）、Spring Boot（Java）
  • 消息队列：RabbitMQ、Kafka
  • 工作流引擎：n8n、LangChain
  • 缓存：Redis、Memcached
  • RAG框架：LangChain、LlamaIndex

模型层​

模型层提供各种AI能力：

  • 大语言模型：支持GPT-4、Claude、通义千问、文心一言等，用于内容生成、问答、批改等
  • 向量模型：支持text-embedding-ada-002、bge-large-zh等，用于文本向量化
  • 分类模型：BERT、RoBERTa等，用于意图分类、题目分类等
  • OCR模型：支持手写识别、印刷体识别，用于作业图像识别
  • 语音识别模型：支持语音转文字，用于语音问答
  • 知识图谱模型：用于知识图谱构建和推理

技术栈：

  • 模型服务：OpenAI API、Azure OpenAI、本地部署模型（通义千问、文心一言等）
  • 向量化：sentence-transformers、LangChain Embeddings
  • 模型管理：ModelScope、Hugging Face
  • OCR：PaddleOCR、Tesseract
  • 语音识别：Azure Speech、百度语音

基础设施层​

基础设施层提供计算、存储、网络等基础资源：

  • 计算资源：Kubernetes集群，支持弹性伸缩，GPU节点用于模型推理
  • 存储资源：对象存储（OSS/S3）存储文档、视频、图片等，块存储用于数据库
  • 网络资源：CDN加速、负载均衡、专线连接
  • 向量数据库：Milvus、Qdrant、Pinecone，存储向量化知识
  • 关系数据库：MySQL 8.0、PostgreSQL，存储结构化数据
  • 缓存系统：Redis集群，提供高性能缓存服务
  • 消息队列：RabbitMQ、Kafka，处理异步任务
  • 对象存储：OSS、S3，存储教学资源

技术栈：

  • 容器编排：Kubernetes、Docker
  • 服务网格：Istio
  • 监控：Prometheus、Grafana
  • 日志：ELK Stack（Elasticsearch、Logstash、Kibana）
  • CI/CD：GitHub Actions、Jenkins

技术栈​

前端技术​

  • Vue 3 + TypeScript：现代化前端框架，类型安全，开发效率高
  • Vite：快速构建工具，开发体验好
  • TailwindCSS：实用优先的CSS框架，快速构建UI
  • Pinia：轻量级状态管理，替代Vuex
  • Element Plus：Vue 3组件库，提供丰富的UI组件

后端技术​

  • Python 3.11 + FastAPI：高性能异步框架，API开发效率高
  • MySQL 8.0：关系型数据库，存储结构化数据
  • Redis：内存数据库，提供缓存和会话存储
  • RabbitMQ：消息队列，处理异步任务
  • Elasticsearch：搜索引擎，支持全文检索

AI技术​

  • RAG技术：检索增强生成，提升回答准确性
  • LangChain：LLM应用开发框架，简化开发流程
  • 向量数据库：Milvus/Qdrant，存储和检索向量数据
  • 大语言模型：GPT-4、Claude、通义千问、文心一言等
  • 知识图谱：Neo4j、ArangoDB，存储知识图谱数据

DevOps技术​

  • Docker：容器化部署
  • Kubernetes：容器编排，支持弹性伸缩
  • GitHub Actions：CI/CD自动化
  • Prometheus + Grafana：监控和可视化

2.3 部署架构​

云/边/端混合部署​

智能教育系统采用云边端混合部署架构，满足不同场景的需求：

云端部署​

  • 主要服务：API网关、业务逻辑、AI模型、知识库、数据存储、CDN
  • 优势：集中管理、易于扩展、资源充足、计算能力强
  • 适用场景：
    • 大规模服务、复杂AI模型推理
    • 知识库管理和检索
    • 数据存储和分析
    • 视频等大文件存储和分发

边缘节点部署​

  • 主要服务：边缘网关、本地缓存、轻量级模型、内容分发
  • 优势：低延迟、减少带宽消耗、提高响应速度、支持离线
  • 适用场景：
    • 高频访问、实时性要求高
    • 带宽受限场景
    • 离线学习场景
    • 视频等大文件本地缓存

客户端部署​

  • 主要功能：UI展示、本地缓存、离线功能、轻量计算
  • 优势：用户体验好、减少服务器压力、支持离线学习
  • 适用场景：
    • 移动端应用
    • 离线学习场景
    • 本地内容缓存
    • 轻量级AI推理（如OCR）

高可用设计​

多机房部署​

  • 主备模式：主机房提供服务，备机房实时同步，主机房故障时自动切换
  • 双活模式：两个机房同时提供服务，负载均衡，任一机房故障不影响服务
  • 异地容灾：跨地域部署，应对自然灾害等极端情况

服务高可用​

  • 无状态设计：服务无状态，可水平扩展，任意实例故障不影响整体服务
  • 健康检查：定期健康检查，自动剔除故障实例
  • 熔断降级：服务异常时自动熔断，返回降级方案，避免雪崩效应
  • 限流保护：API限流，防止服务过载

数据高可用​

  • 主从复制：数据库主从复制，主库故障时自动切换到从库
  • 数据备份：定期全量备份和增量备份，支持快速恢复
  • 多副本存储：重要数据多副本存储，防止数据丢失
  • 数据一致性：保证数据一致性，避免数据冲突

扩展性设计​

水平扩展​

  • 无状态服务：所有服务无状态，可水平扩展
  • 负载均衡：通过负载均衡器分发请求，支持动态扩容
  • 自动伸缩：根据CPU、内存、请求量等指标自动扩容缩容
  • 容器化部署：基于Kubernetes，支持快速扩容

垂直扩展​

  • 资源升级：支持CPU、内存、存储等资源升级
  • GPU加速：AI模型推理支持GPU加速，提升性能
  • SSD存储：数据库使用SSD存储，提升IO性能

架构扩展​

  • 微服务架构：服务拆分，独立部署和扩展
  • 消息队列：异步处理，削峰填谷，提升系统吞吐量
  • 缓存层：多级缓存，减少数据库压力，提升响应速度
  • CDN加速：静态资源CDN加速，提升访问速度

扩展性指标​

  • 并发支持：单机支持1000+并发，集群支持10万+并发
  • 响应时间：P99响应时间<500ms，平均响应时间<200ms
  • 吞吐量：单机QPS>1000，集群QPS>10万
  • 存储容量：支持PB级数据存储，支持海量教学资源