AI4EDU: STEAIM

STEM + AI

STEAIM 是一个由后端 AI Agents 集群驱动的真实实时互动学习系统。它通过大模型驱动的教学规划、动态内容生成、苏格拉底式互动教学以及学习效果分析，旨在提供高度个性化和引人入胜的学习体验。

✨ 特性

• AI Agent驱动: 由多个专门的AI Agent协同工作，覆盖教学全流程。
• 个性化课程规划: CoursePlanner Agent 根据用户主题和学情生成定制化课程大纲。
• 动态内容生成: ContentDesigner Agent 为每个课程章节创建详细的多媒体教学内容。
• 内容审查与迭代: ContentVerifier Agent 负责审核教学内容的质量，并提供反馈进行优化。
• 苏格拉底式互动教学: Teacher Agent 以对话方式逐步引导学习，启发思考。
• 学习伴侣: LearningCompanion Agent 辅助教学，鼓励学习者参与。
• 学习分析与反馈: Monitor Team (包含 SessionAnalyst 和 LearningProfiler) 监测学习过程，分析学习效果，并提供优化建议。

项目结构

项目采用前后端分离架构：

quest-agent-verse/
├── backend/             # 后端代码 (Python, FastAPI, Agno)
│   ├── src/
│   │   ├── agents/      # 实现各类AI Agents (Teaching, Learning, Monitor Teams)
│   │   ├── api/         # FastAPI路由和API端点定义
│   │   ├── services/    # 后端核心业务逻辑服务 (如AgentService)
│   │   └── utils/       # 通用工具函数
│   ├── requirements.txt # 后端Python依赖
│   └── ...
├── src/                 # 前端代码 (React, Vite, TypeScript)
│   ├── components/      # UI组件
│   ├── contexts/        # React上下文管理
│   ├── hooks/           # 自定义React Hooks
│   ├── lib/             # 前端工具函数库
│   ├── pages/           # 应用页面级组件
│   └── services/        # 前端API服务对接
├── docs/                # 项目文档 (如prd.md)
├── start_dev.sh         # 开发环境一键启动脚本
└── README.md            # 本文档

🤖 后端 Agents 架构

后端系统由三个核心 Agent 团队组成，每个团队包含多个具有特定职责的 Agent：

1. Teaching Team (教学团队)

负责规划和执行教学任务。

• CoursePlanner (课程规划师): 接收用户学习主题、目标、时长和背景知识，生成结构化的课程大纲，包括章节划分、核心内容、学习目标、时长安排及课标对齐。
• ContentDesigner (内容设计师): 基于课程大纲，为每个章节设计详细的多媒体教学材料，包括情景故事、讲解文本、图片提示词、代码示例、练习题和互动环节。
• ContentVerifier (内容审核员): 审查 CoursePlanner 和 ContentDesigner 生成的内容，检查其与用户需求/学情的匹配度、准确性、完整性、课标对齐等，并提供评分和修改意见。
• Teacher (教师): 执行经验证的课程内容，以苏格拉底式对话与学习者互动，引导学习，解答疑问，并评估理解程度。

2. Learning Team (学习团队)

辅助学习者进行学习任务。

• LearningCompanion (学习伙伴): 作为课堂讨论的参与者，配合 Teacher 启发人类学习者思考，适时提供见解（不直接给答案），建立同伴关系，鼓励学习者主动输出。
• CodeCompanion (代码伙伴): [暂不启用] 未来版本中，将提供编程学习内容的专业辅助，如代码示例、调试帮助等。

3. Monitor Team (监控团队)

负责监测教学效果，形成评价与优化建议。

• SessionAnalyst (会话分析师): 实时监测和分析单次学习会话中的交互数据（问题准确率、参与度、反应速度），识别学习者困惑点，并向 Teacher 提供实时教学调整建议。
• LearningProfiler (学习档案分析师): 维护学习者的长期学习档案和知识图谱，整合多次会话数据，识别学习模式与趋势，生成综合评估报告，并提出个性化学习路径和课程优化建议。

🛠️ 技术栈

• 前端:
  • Vite
  • TypeScript
  • React
  • shadcn-ui
  • Tailwind CSS
• 后端:
  • Python (3.8 或更高版本) 和 pip
  • FastAPI (用于构建API)
  • Agno (AI Agent 开发框架)
  • Ollama (用于本地运行大语言模型，如Qwen)

🚀 安装与启动

前提条件

• Node.js 和 npm (建议使用 nvm 安装)
• Python (3.8 或更高版本) 和 pip

步骤

1. 克隆仓库

   git clone <YOUR_GIT_URL>
   cd quest-agent-verse

2. 安装前端依赖

   # 进入项目根目录 (如果不在)
   npm install

3. 安装后端依赖

   cd backend
   # 建议创建并激活Python虚拟环境
   python -m venv venv
   # Linux/Mac:
   source venv/bin/activate
   # Windows:
   # venv\Scripts\activate
   pip install -r requirements.txt
   cd .. 

4. 配置本地大语言模型 (Ollama)

   • 确保你已经安装并运行了 Ollama。
   • 拉取 Agents 使用的模型 (例如 qwen2:7b 或 qwen3:32b，具体参照各 Agent 配置文件):

     ollama pull qwen2:7b 
     # ollama pull qwen3:32b

   • 确认 Ollama 服务正在运行 (通常在 http://localhost:11434)。

5. 启动开发环境

   项目提供了一个一键启动脚本，可以同时启动前后端服务：

   ./start_dev.sh

   该脚本通常会处理进入 backend 目录启动后端，然后在根目录启动前端。请检查脚本内容以确认其行为。

   或者，你可以分别启动前后端服务：

   • 启动前端服务 (在项目根目录运行):

     npm run dev

     前端通常运行在 http://localhost:3000。

   • 启动后端服务 (在 backend 目录运行):

     cd backend
     # 如果使用了虚拟环境，请确保已激活
     # source venv/bin/activate 
     python -m uvicorn src.main:app --reload --host 0.0.0.0 --port 8000

     后端 API 通常运行在 http://localhost:8000，API文档 (Swagger UI) 可在 http://localhost:8000/docs 访问。

🤝 开发与贡献

使用你喜欢的IDE

1. 克隆仓库到本地。
2. 根据上述安装步骤设置好开发环境。
3. 使用你的IDE打开项目文件夹。
4. 进行代码修改，提交并推送你的更改。

Agent 开发框架

本项目后端 Agent 使用 Agno 框架开发。请查阅其官方文档以了解 Agent 的编程方法和最佳实践。

前后端通信

后端 Agents 与前端的通信，遵循 "AG-UI" 协议（具体细节请参照项目内部文档 @agui_guidance.txt）。

部署

(关于部署的说明可以根据实际情况添加，例如，如果使用特定平台如Lovable，或者有其他部署策略。)

---