前阵子在网上看到一个讨论有人在“清华直博”和“开数学教培班”之间选择了后者。评论区里观点很分裂有人觉得放弃直博可惜也有人觉得能直接面对真实教学需求、快速得到反馈同样是一种成长。抛开职业选择本身不谈这个讨论背后其实藏着一个值得技术人关注的变化AI 正在快速改变数学教培行业的生产方式。过去开班教数学最重的工作是出题、批改、备课、做学情分析。这些事重复性高、耗时长而且很依赖教师个人经验。现在借助大语言模型、AI Agent、结构化提示词很多环节可以被自动化批量生成分层练习题、按步骤批改解答过程、根据错题自动推荐同类巩固题、生成完整的教案框架。换个角度理解AI 不会替你做所有决策但它能把“备课、出题、批改”这些可复用的流程变成一套代码系统。本文就把这套思路落地成一篇完整教程。我会先拆解 AI 时代数学教培的核心场景再带你从零搭建一个“AI 数学助教”服务包含题目生成、答案批改、错题分析、教案生成四个核心能力。文章覆盖环境准备、提示词设计、FastAPI 接口开发、结构化 JSON 输出、常见坑点与工程建议。无论你是做教育培训的工具开发者还是想把 AI 接进自己教学流程的教研老师都可以照着本文一步步搭起来。1. AI 时代数学教培的技术化转型1.1 传统数学教培的瓶颈在哪数学教培和很多学科不同它有非常强的“练习—反馈—纠错”闭环。一个学生要真正掌握某个知识点需要经历知识点讲解。做对应练习题。老师批改并指出错误原因。针对薄弱点再做同类题。这个闭环本身不复杂但执行成本很高。一个班如果有 20 个学生老师每节课后要批改 20 份作业每份作业如果包含 10 道题其中又有解答题需要看步骤那工作量很快会膨胀。更麻烦的是学生的错因往往不一样有人是计算出错有人是公式记混有人是概念理解偏差。要真正实现“因材施教”需要老师对每个学生做细致的归因这在传统模式下几乎只能靠经验。AI 恰恰适合处理这类“规则相对明确、数据量较大、反馈要及时”的场景。我们在数学教培中引入 AI并不是要替代老师而是把重复劳动抽出来交给程序让老师把精力花在真正的教学设计和学生沟通上。1.2 AI 能介入哪些教学环节从系统设计角度AI 辅助数学教培可以分为四个层次层次场景典型功能技术难度内容生成备课、出题按知识点和难度生成练习题、例题较低作业处理批改、反馈识别学生解题步骤给出评分和错因中等学情分析数据归因统计错题分布、定位薄弱知识点中等教学闭环智能推题基于错题生成同类巩固练习较高这四个层次可以单独落地也可以串联成一个完整流程。本文的实战案例会把前三个层次做成一个最小可用系统第四个层次作为扩展点给出设计思路。1.3 为什么强调“结构化输出”和“可验证”在技术层面AI 辅助数学教培有一个容易踩的坑大模型生成的内容不可控。比如让 AI 出 5 道题它可能只返回 3 道让它返回题目和答案它可能把答案揉进解析里导致你无法在程序里直接使用。解决这个问题不能靠“多试几次”而是要靠结构化输出。我们在提示词里明确要求模型返回 JSON并在代码层面对返回结果做校验和容错。数学题还涉及答案正确性必须建立“AI 生成 人工复核 工具验证”的安全网尤其是中考、高考这类高利害场景AI 生成的内容绝不能直接发给学生。2. 环境准备与技术选型2.1 技术栈说明本文的实战项目采用 Python 生态主要组件如下Python推荐 3.10 及以上版本。FastAPI用于构建 API 服务自带 OpenAPI 文档方便联调。OpenAI Python SDK接入大模型接口。示例代码兼容 OpenAI 格式的多种模型服务你可以根据实际渠道替换 base_url 和 model。Pydantic定义请求和响应数据结构配合 FastAPI 自动校验参数。SQLite本地题库存储避免每次重新请求大模型降低成本和延迟。MathJax / KaTeX前端渲染数学公式。本文不重点展开前端代码但会在数据结构中统一使用 LaTeX 公式格式。注意大模型接口的版本迭代非常快本文代码以 OpenAI SDK 1.x 的通用用法为例。实际使用时请根据你选择的模型服务商调整base_url、model和鉴权参数。版本不确定时先跑通最小示例再扩展。2.2 项目结构规划为了便于维护我们按模块拆分项目ai_math_tutor/ ├── main.py # FastAPI 入口 ├── llm_client.py # 大模型客户端封装 ├── prompt_templates.py # 提示词模板 ├── schemas.py # Pydantic 数据模型 ├── storage.py # SQLite 存储 ├── requirements.txt # 依赖 └── README.md # 项目说明2.3 依赖安装创建虚拟环境并安装依赖python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate pip install fastapi uvicorn[standard] openai pydantic python-dotenv安装完成后项目根目录新建.env文件保存密钥LLM_API_KEYyour_api_key_here LLM_BASE_URLhttps://your-llm-service.example.com LLM_MODELyour-model-name需要说明的是.env文件不要提交到 Git 仓库。实际生产环境推荐使用密钥管理服务或平台的环境变量注入。3. 核心原理提示词、结构化输出与数学题生成3.1 提示词的基础结构大模型调用本质上是在“对话”中完成一项任务。一个完整的提示词通常包含角色设定system prompt告诉模型它是什么身份。任务说明user prompt告诉模型具体要做什么。输出格式约束要求模型返回 JSON、Markdown 或其它结构化内容。示例few-shot给出 1 到 2 个参考样例减少输出偏差。在数学教培场景中以“出题”为例一个合理的 system prompt 可能是你是一位经验丰富的中学数学老师擅长根据知识点、年级和难度设计练习题。 你的题目必须 1. 符合对应年级的课程标准不超纲。 2. 每题都包含题干、正确答案、详细解析和考查知识点。 3. 数学公式一律使用 LaTeX 语法表达式用 $...$ 包裹独立公式用 $$...$$ 包裹。 4. 只输出 JSON不输出任何解释性文字。这段提示词解决了三件事角色、质量标准、输出格式。3.2 为什么要求 JSON 而不是自然语言如果你直接问大模型“帮我出 5 道一元二次方程题目”它很可能返回一段混合了标题、编号、解析的文字。这种内容人看没问题程序处理却很麻烦。更好的做法是让模型返回 JSON并且通过 Pydantic 做强校验。以出题接口为例我们希望每个题目对象包含以下字段{ questions: [ { id: q001, type: solution, knowledge_point: 一元二次方程, difficulty: 中等, stem: 解方程$x^2 - 5x 6 0$, answer: $x_1 2, x_2 3$, analysis: 利用因式分解法将方程化为 $(x-2)(x-3)0$得到两根。, tags: [因式分解, 求根] } ] }在代码层面我们通过 Pydantic 定义数据结构收到模型结果后自动解析和校验。这样即使模型偶尔多返回一个字段程序也能按预期处理。3.3 温度参数与随机性控制大模型的生成结果带有随机性。在数学题场景里如果希望每次生成结果更稳定可以把temperature调低比如0.2到0.5。反之如果你希望同一知识点生成更多不同变式可以适当调高到0.8左右。一个实用策略是出题用中等温度批改用低温度。批改涉及评分最好保持稳定出题则需要一定变化避免全班拿到完全相同的题。3.4 数学公式与渲染数学教培系统绕不开公式表示。推荐统一使用 LaTeX 语法。主流的 Markdown 渲染器和前端公式库都支持它。在 FastAPI 后端我们只负责把公式作为字符串放进 JSON。前端拿到数据后用 MathJax 或 KaTeX 渲染。例如div classquestion-stem题目\(x^2 - 5x 6 0\)求 \(x\)。/div这样做的优点是数据与展示分离后续无论是做网页端还是小程序端都可以复用同一套题目数据结构。4. 完整实战搭建 AI 数学助教服务下面开始写完整代码。我们的目标是跑通一个最小系统用户可以通过 HTTP 接口实现四个功能POST /generate/questions按知识点生成练习题。POST /review/answer批改学生作答给出分数和错因。POST /analyze/mistakes分析错题生成巩固练习。POST /generate/lesson-plan生成教案大纲。为了方便演示我会把核心模块写完整同时控制代码长度保证关键逻辑清晰。4.1 定义数据结构schemas.py# 文件路径ai_math_tutor/schemas.py from typing import List, Optional from pydantic import BaseModel, Field class Question(BaseModel): 题目对象 id: str Field(description题目唯一标识) type: str Field(description题目类型choice/fill/solution) knowledge_point: str Field(description所属知识点) difficulty: str Field(description难度简单/中等/困难) stem: str Field(description题干支持 LaTeX 公式) answer: str Field(description参考答案) analysis: str Field(description详细解析) tags: List[str] Field(default_factorylist, description标签) class GenerateQuestionsRequest(BaseModel): knowledge_point: str Field(description知识点例如一元二次方程) grade: str Field(default初中, description适用年级) difficulty: str Field(default中等, description难度) count: int Field(default5, ge1, le10, description题目数量) model: Optional[str] Field(defaultNone, description可选模型名) class GenerateQuestionsResponse(BaseModel): questions: List[Question] total: int class ReviewRequest(BaseModel): question: str Field(description原题内容) standard_answer: str Field(description标准答案) student_answer: str Field(description学生提交的解答) class ReviewItem(BaseModel): score: float Field(description本题得分) total_score: float Field(description本题满分) mistakes: List[str] Field(description错误点列表) comment: str Field(description评语) class LessonPlanRequest(BaseModel): knowledge_point: str Field(description知识点) grade: str Field(default初中, description年级) lesson_type: str Field(default新授课, description课型新授课/复习课/习题课) student_level: str Field(default中等, description学生基础)这里用 Pydantic 的主要目的是强制约束参数。比如count限制在 1 到 10避免有人一次请求生成 1000 道题打爆 API。4.2 封装大模型客户端llm_client.py# 文件路径ai_math_tutor/llm_client.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() def get_client() - OpenAI: 读取环境变量返回 OpenAI 兼容客户端。 api_key os.getenv(LLM_API_KEY) base_url os.getenv(LLM_BASE_URL) if not api_key: raise RuntimeError(缺少 LLM_API_KEY 环境变量请在 .env 中配置。) return OpenAI(api_keyapi_key, base_urlbase_url) DEFAULT_MODEL os.getenv(LLM_MODEL, gpt-4o-mini) def chat_json( system_prompt: str, user_prompt: str, model: str None, temperature: float 0.3, ) - str: 调用模型并强制要求返回 JSON 文本。 client get_client() model model or DEFAULT_MODEL response client.chat.completions.create( modelmodel, temperaturetemperature, response_format{type: json_object}, messages[ {role: system, content: system_prompt}, {role: user, content: user_prompt}, ], ) content response.choices[0].message.content if not content: raise ValueError(模型返回内容为空。) return content.strip()这里用到了response_format{type: json_object}这是 OpenAI 接口中常见的结构化输出方式。如果你使用的模型服务商不支持该参数可以把这行去掉然后在提示词里加强 JSON 约束并对返回内容做解析容错。4.3 编写提示词模板prompt_templates.py# 文件路径ai_math_tutor/prompt_templates.py GENERATE_QUESTION_SYSTEM_PROMPT 你是一位经验丰富的中学数学老师擅长根据知识点、年级和难度设计练习题。 你的题目必须 1. 符合对应年级的课程标准不超纲。 2. 每题都包含题干、参考答案、详细解析和考查知识点。 3. 数学公式一律使用 LaTeX 语法行内公式用 $...$ 包裹独立公式用 $$...$$ 包裹。 4. 输出必须是 JSON 对象格式为 {questions: [ 题目对象 ] }。 5. 不输出任何解释性文字。 def build_generate_question_prompt( knowledge_point: str, grade: str, difficulty: str, count: int, ) - str: return f请为 {grade} 学生生成 {difficulty}难度的数学题目共 {count} 道。 知识点{knowledge_point} 每个题目对象包含以下字段 - id字符串如 q001 - typechoice选择题、fill填空题或 solution解答题 - knowledge_point知识点 - difficulty难度 - stem题干 - answer标准答案 - analysis详细解析 - tags标签数组 请严格按照 JSON 格式输出。 REVIEW_SYSTEM_PROMPT 你是一位严格的中学数学阅卷老师。你会收到原题、标准答案和学生提交的解答。 请你 1. 判断学生的解题思路是否正确。 2. 找出具体的错误点并指出错误类型概念错误、计算错误、步骤跳步、格式问题等。 3. 按步骤给分满分默认为 10 分。 4. 输出必须是 JSON格式为 {score: 分数, total_score: 10, mistakes: [错误点], comment: 评语} 不要输出额外内容。 def build_review_prompt(question: str, standard_answer: str, student_answer: str) - str: return f原题{question} 标准答案{standard_answer} 学生提交{student_answer} 请批改并返回 JSON。 LESSON_PLAN_SYSTEM_PROMPT 你是一位资深教研员擅长设计结构清晰的数学教案。 输出必须是 JSON 对象包含以下字段 - teaching_objectives教学目标数组 - key_points教学重点数组 - difficult_points教学难点数组 - teaching_process教学流程数组每个元素包含 title环节名称和 content环节说明 - assignment_suggestion课后作业建议 不输出额外内容。 def build_lesson_plan_prompt( knowledge_point: str, grade: str, lesson_type: str, student_level: str, ) - str: return f请设计一份 {grade} 数学教案。 知识点{knowledge_point} 课型{lesson_type} 学生基础{student_level} 请输出 JSON。提示词模板独立成一个文件方便后续修改和版本管理。实际项目中还可以把模板文件改成templates/目录用模板语法管理更复杂的提示词。4.4 实现数据库存储storage.py为了降低大模型调用成本可以把生成过的题目和批改结果缓存到 SQLite。# 文件路径ai_math_tutor/storage.py import sqlite3 import json from datetime import datetime DB_PATH ai_math_tutor.db def get_connection(): conn sqlite3.connect(DB_PATH) conn.row_factory sqlite3.Row return conn def init_db(): 初始化数据库表结构。 conn get_connection() conn.execute( CREATE TABLE IF NOT EXISTS generated_questions ( id INTEGER PRIMARY KEY AUTOINCREMENT, knowledge_point TEXT NOT NULL, difficulty TEXT, question_json TEXT NOT NULL, created_at TEXT NOT NULL ) ) conn.execute( CREATE TABLE IF NOT EXISTS review_history ( id INTEGER PRIMARY KEY AUTOINCREMENT, question TEXT NOT NULL, standard_answer TEXT, student_answer TEXT, review_json TEXT NOT NULL, created_at TEXT NOT NULL ) ) conn.commit() conn.close() def save_questions(knowledge_point: str, difficulty: str, questions: list): conn get_connection() now datetime.now().isoformat() for q in questions: conn.execute( INSERT INTO generated_questions (knowledge_point, difficulty, question_json, created_at) VALUES (?, ?, ?, ?), (knowledge_point, difficulty, json.dumps(q, ensure_asciiFalse), now), ) conn.commit() conn.close() def save_review(question: str, standard_answer: str, student_answer: str, review: dict): conn get_connection() now datetime.now().isoformat() conn.execute( INSERT INTO review_history (question, standard_answer, student_answer, review_json, created_at) VALUES (?, ?, ?, ?, ?), (question, standard_answer, student_answer, json.dumps(review, ensure_asciiFalse), now), ) conn.commit() conn.close()init_db()需要在服务启动时调用一次。4.5 编写 FastAPI 入口main.py# 文件路径ai_math_tutor/main.py import json from fastapi import FastAPI, HTTPException from pydantic import ValidationError import prompt_templates as pt from llm_client import chat_json from schemas import ( GenerateQuestionsRequest, GenerateQuestionsResponse, LessonPlanRequest, ReviewRequest, ReviewItem, Question, ) from storage import init_db, save_questions, save_review app FastAPI(titleAI 数学助教 API, version1.0.0) app.on_event(startup) def on_startup(): init_db() def safe_parse_json(text: str): 解析模型返回的 JSON 文本失败时抛出 HTTPException。 try: return json.loads(text) except json.JSONDecodeError as e: raise HTTPException(status_code502, detailf模型返回内容不是合法 JSON{e}) app.post(/generate/questions, response_modelGenerateQuestionsResponse) def generate_questions(req: GenerateQuestionsRequest): user_prompt pt.build_generate_question_prompt( knowledge_pointreq.knowledge_point, gradereq.grade, difficultyreq.difficulty, countreq.count, ) raw_text chat_json( system_promptpt.GENERATE_QUESTION_SYSTEM_PROMPT, user_promptuser_prompt, modelreq.model, temperature0.5, ) data safe_parse_json(raw_text) questions_data data.get(questions, []) try: questions [Question(**item) for item in questions_data] except ValidationError as e: raise HTTPException(status_code502, detailf模型返回题目格式不合法{e}) # 缓存到 SQLite后续可用相同知识点复用 save_questions(req.knowledge_point, req.difficulty, [q.model_dump() for q in questions]) return GenerateQuestionsResponse(questionsquestions, totallen(questions)) app.post(/review/answer, response_modelReviewItem) def review_answer(req: ReviewRequest): user_prompt pt.build_review_prompt( questionreq.question, standard_answerreq.standard_answer, student_answerreq.student_answer, ) raw_text chat_json( system_promptpt.REVIEW_SYSTEM_PROMPT, user_promptuser_prompt, modelNone, temperature0.1, ) data safe_parse_json(raw_text) try: review ReviewItem(**data) except ValidationError as e: raise HTTPException(status_code502, detailf批改结果格式不合法{e}) save_review(req.question, req.standard_answer, req.student_answer, review.model_dump()) return review app.post(/analyze/mistakes) def analyze_mistakes(req: ReviewRequest): 简化版错题分析基于批改结果生成一道同类练习。 review_result review_answer(req) if review_result.score review_result.total_score: return {message: 该题已掌握无需巩固。, original_score: review_result.score} prompt f学生做错了一道数学题错误点如下{json.dumps(review_result.mistakes, ensure_asciiFalse)} 请基于错误点生成一道同类巩固练习题要求难度略低于原题。 输出必须是 JSON{{question: 题干, answer: 答案, analysis: 解析, knowledge_point: 知识点}} raw_text chat_json( system_prompt你是一位擅长错题巩固的数学老师。, user_promptprompt, modelNone, temperature0.4, ) return safe_parse_json(raw_text) app.post(/generate/lesson-plan) def generate_lesson_plan(req: LessonPlanRequest): user_prompt pt.build_lesson_plan_prompt( knowledge_pointreq.knowledge_point, gradereq.grade, lesson_typereq.lesson_type, student_levelreq.student_level, ) raw_text chat_json( system_promptpt.LESSON_PLAN_SYSTEM_PROMPT, user_promptuser_prompt, modelNone, temperature0.4, ) return safe_parse_json(raw_text) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)4.6 运行与验证启动服务uvicorn main:app --reload --port 8000启动后打开http://127.0.0.1:8000/docs可以看到 Swagger 文档直接在线调试接口。先用curl测试出题接口curl -X POST http://127.0.0.1:8000/generate/questions \ -H Content-Type: application/json \ -d { knowledge_point: 一元二次方程, grade: 初中, difficulty: 中等, count: 3 }预期响应是一个 JSON包含一个questions数组数组里每道题都有题干、答案、解析和标签等字段。再测试批改接口curl -X POST http://127.0.0.1:8000/review/answer \ -H Content-Type: application/json \ -d { question: 解方程x^2 - 5x 6 0, standard_answer: x12, x23, student_answer: x12, x22 }预期返回类似{ score: 5, total_score: 10, mistakes: [第二个根求解错误可能因式分解或代入出错], comment: 第一步思路正确但计算第二步有误请重新检查因式分解。 }注意实际返回内容取决于模型不同模型和提示词下结果会有差异。4.7 结果说明与代码结构复盘到这里我们已经拥有一个可以独立运行的 AI 数学助教后端服务。它的工作流程是用户发起 HTTP 请求。FastAPI 对请求参数做校验。服务把参数拼进提示词模板调用大模型。大模型返回 JSON 文本。服务解析 JSON并用 Pydantic 做二次校验。校验通过后返回给前端同时写入 SQLite 缓存。后续如果前端需要展示题目只需渲染 JSON 中的字段即可。这个架构的核心优势是数据与模型解耦。你可以在不修改前端的情况下把底层大模型从 A 服务商切换到 B 服务商只要保持输出 JSON 结构一致也可以在后端增加题目审核队列让老师在推送给学生之前先确认一遍。5. 常见问题与排查思路5.1 模型返回的 JSON 解析失败现象接口报 502 错误日志显示JSONDecodeError。常见原因模型输出中混入了 Markdown 代码块标记比如json。提示词没有充分约束输出格式。模型本身对复杂 JSON 结构支持不稳定。解决思路在代码里增加容错如果返回内容以json开头先去掉围栏再解析。检查 system prompt 是否明确写了“只输出 JSON 对象不输出解释性文字”。如果模型支持response_format{type: json_object}务必开启。把返回内容加入日志方便定位问题。def safe_parse_json(text: str): text text.strip() if text.startswith(json): text text.removeprefix(json).strip() if text.endswith(): text text.removesuffix().strip() return json.loads(text)5.2 题目数量不稳定现象要求生成 5 道题结果只返回 3 道或者返回 6 道。常见原因大模型对数字不敏感提示词里的“数量”只是一个软约束。解决思路在 JSON 结构里加total字段让模型自己声明数量。在后端做截断或补齐当模型题目数量不足时可以重新请求一次超出时截断到指定数量。更可靠的方式是建立题库缓存批量生成后入库按需从库里随机抽取。5.3 数学计算错误现象模型生成的标准答案本身是错的或者批改时把正确解答判为错误。常见原因大模型的数学推理能力并不完全可靠尤其是复杂计算和多步推理场景。解决思路数学题答案必须人工复核尤其是高年级内容。对计算类题目可以接入sympy等符号计算库做二次验证。在批改环节把标准答案拆成多个得分点减少单点误判。对高利害场景建议使用“AI 初批 老师终审”的双轨模式。5.4 公式显示成乱码现象题目里的$x^2$在网页中显示为原始字符串。常见原因前端没有配置公式渲染库或者返回内容里用了反斜杠导致 JSON 转义错误。解决思路后端统一使用 LaTeX 语法并确认写入 JSON 后反斜杠没有被吞掉。前端引入 KaTeX 或 MathJax。JSON 返回后在浏览器里检查原始数据看公式字符串是否完整。5.5 API 调用成本过高现象每次出题都要调用大模型月底账单比预期高。解决思路用 SQLite 做缓存同一知识点和难度优先查库。设置每日调用上限超过后返回缓存数据。简单任务使用更小的模型复杂任务才用强模型。控制max_tokens避免模型生成大量无意义重复内容。6. 最佳实践与工程建议6.1 提示词版本化管理提示词是 AI 应用里最容易“改坏”的部分。建议把提示词做成独立文件并加入版本字段{ version: v1.2, author: math-dev, updated_at: 2025-01-10, system_prompt: ... }修改提示词时走代码评审流程不要在线上直接改。因为提示词一点变化就可能影响题目难度和批改标准。6.2 建立人工审核机制AI 生成的数学内容存在三个风险答案错误、题目超纲、表述有歧义。对教培产品来说这三类风险都可能直接影响教学质量。推荐的做法是所有 AI 生成的题目先进入“待审核池”。老师通过管理后台快速审核审核通过后才对学生可见。学生提交解答后如果学生对批改结果有异议可以申诉由人工重新批改。这个机制在技术上并不复杂但能大幅提升产品的可信度。6.3 接口鉴权与限流如果 AI 数学助教服务被多个前端使用必须加接口鉴权。FastAPI 可以方便地接入 API Keyfrom fastapi import Depends, HTTPException, Header def verify_api_key(x_api_key: str Header(...)): if x_api_key ! your-secret-key: raise HTTPException(status_code401, detail无效的 API Key)同时建议用中间件做接口级限流防止单个用户批量调用导致大模型成本失控。6.4 日志与可观测性AI 应用的日志比传统应用更重要因为模型的输出有随机性。你需要记录请求参数。系统提示词和用户提示词。模型返回的原始结果。解析后的字段。处理耗时。用户对生成结果的反馈如“采纳”或“弃用”。有了这些日志才能定位“为什么某道题答案错了”这类问题。6.5 学生隐私与数据安全教培系统涉及学生个人信息和学习数据。原则是数据最小化只采集必要的字段不采集与教学无关的个人信息。传输加密线上环境必须启用 HTTPS。访问控制学生只能查看自己的作答记录不能查看其他学生的数据。数据删除提供账号注销和数据删除入口满足合规要求。6.6 模型降级与容灾大模型 API 可能出现超时、限流、服务不可用。在生产环境建议做调用超时设置。失败重试机制。如果主模型不可用回退到备用模型或本地题库。关键接口即使没有 AI 也能通过题库数据兜底保证教学不中断。7. 总结与下一步学习建议这篇文章从一个真实的职业选择话题切入聊到了 AI 时代数学教培的技术化趋势然后完整搭建了一个 AI 数学助教服务。整个过程涉及的核心技能包括大模型 API 的工程封装与结构化输出。提示词模板设计。FastAPI 接口开发。Pydantic 数据校验。SQLite 本地缓存。后端服务的容错与安全设计。如果你是从零开始建议先不要急着加复杂功能。先把“出题”和“批改”两个最小闭环跑通然后找一个真实的班级或助教场景试用两周把 AI 生成内容的错误类型记录下来再针对性地优化提示词和校验逻辑。下一步可以继续扩展的方向有三个检索增强生成RAG把教材、习题集、历年真题向量化AI 出题时基于真实题库检索而不是凭空生成质量会稳定很多。AI Agent 工作流把“出题 → 学生作答 → 批改 → 错题分析 → 巩固题推荐”串成一个 Agent 任务减少人工操作。数据反馈闭环记录每道题的历史作答数据用统计分析识别高频错题和易混淆知识点反哺教学设计。最后再强调一句AI 能帮你快速批量产出内容但“答案是否正确”“是否适合某个学生”这两件事仍然需要你或任课老师把关。把 AI 当作一个高效的助教而不是教学决策的最终裁判你的教培系统才能越用越稳。 
长河君 · 2026/8/31 2:04:36 · 阅读 1.2k AI数学助教实战：FastAPI构建出题批改与教案生成系统
前阵子在网上看到一个讨论有人在“清华直博”和“开数学教培班”之间选择了后者。评论区里观点很分裂有人觉得放弃直博可惜也有人觉得能直接面对真实教学需求、快速得到反馈同样是一种成长。抛开职业选择本身不谈这个讨论背后其实藏着一个值得技术人关注的变化AI 正在快速改变数学教培行业的生产方式。过去开班教数学最重的工作是出题、批改、备课、做学情分析。这些事重复性高、耗时长而且很依赖教师个人经验。现在借助大语言模型、AI Agent、结构化提示词很多环节可以被自动化批量生成分层练习题、按步骤批改解答过程、根据错题自动推荐同类巩固题、生成完整的教案框架。换个角度理解AI 不会替你做所有决策但它能把“备课、出题、批改”这些可复用的流程变成一套代码系统。本文就把这套思路落地成一篇完整教程。我会先拆解 AI 时代数学教培的核心场景再带你从零搭建一个“AI 数学助教”服务包含题目生成、答案批改、错题分析、教案生成四个核心能力。文章覆盖环境准备、提示词设计、FastAPI 接口开发、结构化 JSON 输出、常见坑点与工程建议。无论你是做教育培训的工具开发者还是想把 AI 接进自己教学流程的教研老师都可以照着本文一步步搭起来。1. AI 时代数学教培的技术化转型1.1 传统数学教培的瓶颈在哪数学教培和很多学科不同它有非常强的“练习—反馈—纠错”闭环。一个学生要真正掌握某个知识点需要经历知识点讲解。做对应练习题。老师批改并指出错误原因。针对薄弱点再做同类题。这个闭环本身不复杂但执行成本很高。一个班如果有 20 个学生老师每节课后要批改 20 份作业每份作业如果包含 10 道题其中又有解答题需要看步骤那工作量很快会膨胀。更麻烦的是学生的错因往往不一样有人是计算出错有人是公式记混有人是概念理解偏差。要真正实现“因材施教”需要老师对每个学生做细致的归因这在传统模式下几乎只能靠经验。AI 恰恰适合处理这类“规则相对明确、数据量较大、反馈要及时”的场景。我们在数学教培中引入 AI并不是要替代老师而是把重复劳动抽出来交给程序让老师把精力花在真正的教学设计和学生沟通上。1.2 AI 能介入哪些教学环节从系统设计角度AI 辅助数学教培可以分为四个层次层次场景典型功能技术难度内容生成备课、出题按知识点和难度生成练习题、例题较低作业处理批改、反馈识别学生解题步骤给出评分和错因中等学情分析数据归因统计错题分布、定位薄弱知识点中等教学闭环智能推题基于错题生成同类巩固练习较高这四个层次可以单独落地也可以串联成一个完整流程。本文的实战案例会把前三个层次做成一个最小可用系统第四个层次作为扩展点给出设计思路。1.3 为什么强调“结构化输出”和“可验证”在技术层面AI 辅助数学教培有一个容易踩的坑大模型生成的内容不可控。比如让 AI 出 5 道题它可能只返回 3 道让它返回题目和答案它可能把答案揉进解析里导致你无法在程序里直接使用。解决这个问题不能靠“多试几次”而是要靠结构化输出。我们在提示词里明确要求模型返回 JSON并在代码层面对返回结果做校验和容错。数学题还涉及答案正确性必须建立“AI 生成 人工复核 工具验证”的安全网尤其是中考、高考这类高利害场景AI 生成的内容绝不能直接发给学生。2. 环境准备与技术选型2.1 技术栈说明本文的实战项目采用 Python 生态主要组件如下Python推荐 3.10 及以上版本。FastAPI用于构建 API 服务自带 OpenAPI 文档方便联调。OpenAI Python SDK接入大模型接口。示例代码兼容 OpenAI 格式的多种模型服务你可以根据实际渠道替换 base_url 和 model。Pydantic定义请求和响应数据结构配合 FastAPI 自动校验参数。SQLite本地题库存储避免每次重新请求大模型降低成本和延迟。MathJax / KaTeX前端渲染数学公式。本文不重点展开前端代码但会在数据结构中统一使用 LaTeX 公式格式。注意大模型接口的版本迭代非常快本文代码以 OpenAI SDK 1.x 的通用用法为例。实际使用时请根据你选择的模型服务商调整base_url、model和鉴权参数。版本不确定时先跑通最小示例再扩展。2.2 项目结构规划为了便于维护我们按模块拆分项目ai_math_tutor/ ├── main.py # FastAPI 入口 ├── llm_client.py # 大模型客户端封装 ├── prompt_templates.py # 提示词模板 ├── schemas.py # Pydantic 数据模型 ├── storage.py # SQLite 存储 ├── requirements.txt # 依赖 └── README.md # 项目说明2.3 依赖安装创建虚拟环境并安装依赖python -m venv venv source venv/bin/activate # Windows 下使用 venv\Scripts\activate pip install fastapi uvicorn[standard] openai pydantic python-dotenv安装完成后项目根目录新建.env文件保存密钥LLM_API_KEYyour_api_key_here LLM_BASE_URLhttps://your-llm-service.example.com LLM_MODELyour-model-name需要说明的是.env文件不要提交到 Git 仓库。实际生产环境推荐使用密钥管理服务或平台的环境变量注入。3. 核心原理提示词、结构化输出与数学题生成3.1 提示词的基础结构大模型调用本质上是在“对话”中完成一项任务。一个完整的提示词通常包含角色设定system prompt告诉模型它是什么身份。任务说明user prompt告诉模型具体要做什么。输出格式约束要求模型返回 JSON、Markdown 或其它结构化内容。示例few-shot给出 1 到 2 个参考样例减少输出偏差。在数学教培场景中以“出题”为例一个合理的 system prompt 可能是你是一位经验丰富的中学数学老师擅长根据知识点、年级和难度设计练习题。 你的题目必须 1. 符合对应年级的课程标准不超纲。 2. 每题都包含题干、正确答案、详细解析和考查知识点。 3. 数学公式一律使用 LaTeX 语法表达式用 $...$ 包裹独立公式用 $$...$$ 包裹。 4. 只输出 JSON不输出任何解释性文字。这段提示词解决了三件事角色、质量标准、输出格式。3.2 为什么要求 JSON 而不是自然语言如果你直接问大模型“帮我出 5 道一元二次方程题目”它很可能返回一段混合了标题、编号、解析的文字。这种内容人看没问题程序处理却很麻烦。更好的做法是让模型返回 JSON并且通过 Pydantic 做强校验。以出题接口为例我们希望每个题目对象包含以下字段{ questions: [ { id: q001, type: solution, knowledge_point: 一元二次方程, difficulty: 中等, stem: 解方程$x^2 - 5x 6 0$, answer: $x_1 2, x_2 3$, analysis: 利用因式分解法将方程化为 $(x-2)(x-3)0$得到两根。, tags: [因式分解, 求根] } ] }在代码层面我们通过 Pydantic 定义数据结构收到模型结果后自动解析和校验。这样即使模型偶尔多返回一个字段程序也能按预期处理。3.3 温度参数与随机性控制大模型的生成结果带有随机性。在数学题场景里如果希望每次生成结果更稳定可以把temperature调低比如0.2到0.5。反之如果你希望同一知识点生成更多不同变式可以适当调高到0.8左右。一个实用策略是出题用中等温度批改用低温度。批改涉及评分最好保持稳定出题则需要一定变化避免全班拿到完全相同的题。3.4 数学公式与渲染数学教培系统绕不开公式表示。推荐统一使用 LaTeX 语法。主流的 Markdown 渲染器和前端公式库都支持它。在 FastAPI 后端我们只负责把公式作为字符串放进 JSON。前端拿到数据后用 MathJax 或 KaTeX 渲染。例如div classquestion-stem题目\(x^2 - 5x 6 0\)求 \(x\)。/div这样做的优点是数据与展示分离后续无论是做网页端还是小程序端都可以复用同一套题目数据结构。4. 完整实战搭建 AI 数学助教服务下面开始写完整代码。我们的目标是跑通一个最小系统用户可以通过 HTTP 接口实现四个功能POST /generate/questions按知识点生成练习题。POST /review/answer批改学生作答给出分数和错因。POST /analyze/mistakes分析错题生成巩固练习。POST /generate/lesson-plan生成教案大纲。为了方便演示我会把核心模块写完整同时控制代码长度保证关键逻辑清晰。4.1 定义数据结构schemas.py# 文件路径ai_math_tutor/schemas.py from typing import List, Optional from pydantic import BaseModel, Field class Question(BaseModel): 题目对象 id: str Field(description题目唯一标识) type: str Field(description题目类型choice/fill/solution) knowledge_point: str Field(description所属知识点) difficulty: str Field(description难度简单/中等/困难) stem: str Field(description题干支持 LaTeX 公式) answer: str Field(description参考答案) analysis: str Field(description详细解析) tags: List[str] Field(default_factorylist, description标签) class GenerateQuestionsRequest(BaseModel): knowledge_point: str Field(description知识点例如一元二次方程) grade: str Field(default初中, description适用年级) difficulty: str Field(default中等, description难度) count: int Field(default5, ge1, le10, description题目数量) model: Optional[str] Field(defaultNone, description可选模型名) class GenerateQuestionsResponse(BaseModel): questions: List[Question] total: int class ReviewRequest(BaseModel): question: str Field(description原题内容) standard_answer: str Field(description标准答案) student_answer: str Field(description学生提交的解答) class ReviewItem(BaseModel): score: float Field(description本题得分) total_score: float Field(description本题满分) mistakes: List[str] Field(description错误点列表) comment: str Field(description评语) class LessonPlanRequest(BaseModel): knowledge_point: str Field(description知识点) grade: str Field(default初中, description年级) lesson_type: str Field(default新授课, description课型新授课/复习课/习题课) student_level: str Field(default中等, description学生基础)这里用 Pydantic 的主要目的是强制约束参数。比如count限制在 1 到 10避免有人一次请求生成 1000 道题打爆 API。4.2 封装大模型客户端llm_client.py# 文件路径ai_math_tutor/llm_client.py import os from openai import OpenAI from dotenv import load_dotenv load_dotenv() def get_client() - OpenAI: 读取环境变量返回 OpenAI 兼容客户端。 api_key os.getenv(LLM_API_KEY) base_url os.getenv(LLM_BASE_URL) if not api_key: raise RuntimeError(缺少 LLM_API_KEY 环境变量请在 .env 中配置。) return OpenAI(api_keyapi_key, base_urlbase_url) DEFAULT_MODEL os.getenv(LLM_MODEL, gpt-4o-mini) def chat_json( system_prompt: str, user_prompt: str, model: str None, temperature: float 0.3, ) - str: 调用模型并强制要求返回 JSON 文本。 client get_client() model model or DEFAULT_MODEL response client.chat.completions.create( modelmodel, temperaturetemperature, response_format{type: json_object}, messages[ {role: system, content: system_prompt}, {role: user, content: user_prompt}, ], ) content response.choices[0].message.content if not content: raise ValueError(模型返回内容为空。) return content.strip()这里用到了response_format{type: json_object}这是 OpenAI 接口中常见的结构化输出方式。如果你使用的模型服务商不支持该参数可以把这行去掉然后在提示词里加强 JSON 约束并对返回内容做解析容错。4.3 编写提示词模板prompt_templates.py# 文件路径ai_math_tutor/prompt_templates.py GENERATE_QUESTION_SYSTEM_PROMPT 你是一位经验丰富的中学数学老师擅长根据知识点、年级和难度设计练习题。 你的题目必须 1. 符合对应年级的课程标准不超纲。 2. 每题都包含题干、参考答案、详细解析和考查知识点。 3. 数学公式一律使用 LaTeX 语法行内公式用 $...$ 包裹独立公式用 $$...$$ 包裹。 4. 输出必须是 JSON 对象格式为 {questions: [ 题目对象 ] }。 5. 不输出任何解释性文字。 def build_generate_question_prompt( knowledge_point: str, grade: str, difficulty: str, count: int, ) - str: return f请为 {grade} 学生生成 {difficulty}难度的数学题目共 {count} 道。 知识点{knowledge_point} 每个题目对象包含以下字段 - id字符串如 q001 - typechoice选择题、fill填空题或 solution解答题 - knowledge_point知识点 - difficulty难度 - stem题干 - answer标准答案 - analysis详细解析 - tags标签数组 请严格按照 JSON 格式输出。 REVIEW_SYSTEM_PROMPT 你是一位严格的中学数学阅卷老师。你会收到原题、标准答案和学生提交的解答。 请你 1. 判断学生的解题思路是否正确。 2. 找出具体的错误点并指出错误类型概念错误、计算错误、步骤跳步、格式问题等。 3. 按步骤给分满分默认为 10 分。 4. 输出必须是 JSON格式为 {score: 分数, total_score: 10, mistakes: [错误点], comment: 评语} 不要输出额外内容。 def build_review_prompt(question: str, standard_answer: str, student_answer: str) - str: return f原题{question} 标准答案{standard_answer} 学生提交{student_answer} 请批改并返回 JSON。 LESSON_PLAN_SYSTEM_PROMPT 你是一位资深教研员擅长设计结构清晰的数学教案。 输出必须是 JSON 对象包含以下字段 - teaching_objectives教学目标数组 - key_points教学重点数组 - difficult_points教学难点数组 - teaching_process教学流程数组每个元素包含 title环节名称和 content环节说明 - assignment_suggestion课后作业建议 不输出额外内容。 def build_lesson_plan_prompt( knowledge_point: str, grade: str, lesson_type: str, student_level: str, ) - str: return f请设计一份 {grade} 数学教案。 知识点{knowledge_point} 课型{lesson_type} 学生基础{student_level} 请输出 JSON。提示词模板独立成一个文件方便后续修改和版本管理。实际项目中还可以把模板文件改成templates/目录用模板语法管理更复杂的提示词。4.4 实现数据库存储storage.py为了降低大模型调用成本可以把生成过的题目和批改结果缓存到 SQLite。# 文件路径ai_math_tutor/storage.py import sqlite3 import json from datetime import datetime DB_PATH ai_math_tutor.db def get_connection(): conn sqlite3.connect(DB_PATH) conn.row_factory sqlite3.Row return conn def init_db(): 初始化数据库表结构。 conn get_connection() conn.execute( CREATE TABLE IF NOT EXISTS generated_questions ( id INTEGER PRIMARY KEY AUTOINCREMENT, knowledge_point TEXT NOT NULL, difficulty TEXT, question_json TEXT NOT NULL, created_at TEXT NOT NULL ) ) conn.execute( CREATE TABLE IF NOT EXISTS review_history ( id INTEGER PRIMARY KEY AUTOINCREMENT, question TEXT NOT NULL, standard_answer TEXT, student_answer TEXT, review_json TEXT NOT NULL, created_at TEXT NOT NULL ) ) conn.commit() conn.close() def save_questions(knowledge_point: str, difficulty: str, questions: list): conn get_connection() now datetime.now().isoformat() for q in questions: conn.execute( INSERT INTO generated_questions (knowledge_point, difficulty, question_json, created_at) VALUES (?, ?, ?, ?), (knowledge_point, difficulty, json.dumps(q, ensure_asciiFalse), now), ) conn.commit() conn.close() def save_review(question: str, standard_answer: str, student_answer: str, review: dict): conn get_connection() now datetime.now().isoformat() conn.execute( INSERT INTO review_history (question, standard_answer, student_answer, review_json, created_at) VALUES (?, ?, ?, ?, ?), (question, standard_answer, student_answer, json.dumps(review, ensure_asciiFalse), now), ) conn.commit() conn.close()init_db()需要在服务启动时调用一次。4.5 编写 FastAPI 入口main.py# 文件路径ai_math_tutor/main.py import json from fastapi import FastAPI, HTTPException from pydantic import ValidationError import prompt_templates as pt from llm_client import chat_json from schemas import ( GenerateQuestionsRequest, GenerateQuestionsResponse, LessonPlanRequest, ReviewRequest, ReviewItem, Question, ) from storage import init_db, save_questions, save_review app FastAPI(titleAI 数学助教 API, version1.0.0) app.on_event(startup) def on_startup(): init_db() def safe_parse_json(text: str): 解析模型返回的 JSON 文本失败时抛出 HTTPException。 try: return json.loads(text) except json.JSONDecodeError as e: raise HTTPException(status_code502, detailf模型返回内容不是合法 JSON{e}) app.post(/generate/questions, response_modelGenerateQuestionsResponse) def generate_questions(req: GenerateQuestionsRequest): user_prompt pt.build_generate_question_prompt( knowledge_pointreq.knowledge_point, gradereq.grade, difficultyreq.difficulty, countreq.count, ) raw_text chat_json( system_promptpt.GENERATE_QUESTION_SYSTEM_PROMPT, user_promptuser_prompt, modelreq.model, temperature0.5, ) data safe_parse_json(raw_text) questions_data data.get(questions, []) try: questions [Question(**item) for item in questions_data] except ValidationError as e: raise HTTPException(status_code502, detailf模型返回题目格式不合法{e}) # 缓存到 SQLite后续可用相同知识点复用 save_questions(req.knowledge_point, req.difficulty, [q.model_dump() for q in questions]) return GenerateQuestionsResponse(questionsquestions, totallen(questions)) app.post(/review/answer, response_modelReviewItem) def review_answer(req: ReviewRequest): user_prompt pt.build_review_prompt( questionreq.question, standard_answerreq.standard_answer, student_answerreq.student_answer, ) raw_text chat_json( system_promptpt.REVIEW_SYSTEM_PROMPT, user_promptuser_prompt, modelNone, temperature0.1, ) data safe_parse_json(raw_text) try: review ReviewItem(**data) except ValidationError as e: raise HTTPException(status_code502, detailf批改结果格式不合法{e}) save_review(req.question, req.standard_answer, req.student_answer, review.model_dump()) return review app.post(/analyze/mistakes) def analyze_mistakes(req: ReviewRequest): 简化版错题分析基于批改结果生成一道同类练习。 review_result review_answer(req) if review_result.score review_result.total_score: return {message: 该题已掌握无需巩固。, original_score: review_result.score} prompt f学生做错了一道数学题错误点如下{json.dumps(review_result.mistakes, ensure_asciiFalse)} 请基于错误点生成一道同类巩固练习题要求难度略低于原题。 输出必须是 JSON{{question: 题干, answer: 答案, analysis: 解析, knowledge_point: 知识点}} raw_text chat_json( system_prompt你是一位擅长错题巩固的数学老师。, user_promptprompt, modelNone, temperature0.4, ) return safe_parse_json(raw_text) app.post(/generate/lesson-plan) def generate_lesson_plan(req: LessonPlanRequest): user_prompt pt.build_lesson_plan_prompt( knowledge_pointreq.knowledge_point, gradereq.grade, lesson_typereq.lesson_type, student_levelreq.student_level, ) raw_text chat_json( system_promptpt.LESSON_PLAN_SYSTEM_PROMPT, user_promptuser_prompt, modelNone, temperature0.4, ) return safe_parse_json(raw_text) if __name__ __main__: import uvicorn uvicorn.run(app, host0.0.0.0, port8000)4.6 运行与验证启动服务uvicorn main:app --reload --port 8000启动后打开http://127.0.0.1:8000/docs可以看到 Swagger 文档直接在线调试接口。先用curl测试出题接口curl -X POST http://127.0.0.1:8000/generate/questions \ -H Content-Type: application/json \ -d { knowledge_point: 一元二次方程, grade: 初中, difficulty: 中等, count: 3 }预期响应是一个 JSON包含一个questions数组数组里每道题都有题干、答案、解析和标签等字段。再测试批改接口curl -X POST http://127.0.0.1:8000/review/answer \ -H Content-Type: application/json \ -d { question: 解方程x^2 - 5x 6 0, standard_answer: x12, x23, student_answer: x12, x22 }预期返回类似{ score: 5, total_score: 10, mistakes: [第二个根求解错误可能因式分解或代入出错], comment: 第一步思路正确但计算第二步有误请重新检查因式分解。 }注意实际返回内容取决于模型不同模型和提示词下结果会有差异。4.7 结果说明与代码结构复盘到这里我们已经拥有一个可以独立运行的 AI 数学助教后端服务。它的工作流程是用户发起 HTTP 请求。FastAPI 对请求参数做校验。服务把参数拼进提示词模板调用大模型。大模型返回 JSON 文本。服务解析 JSON并用 Pydantic 做二次校验。校验通过后返回给前端同时写入 SQLite 缓存。后续如果前端需要展示题目只需渲染 JSON 中的字段即可。这个架构的核心优势是数据与模型解耦。你可以在不修改前端的情况下把底层大模型从 A 服务商切换到 B 服务商只要保持输出 JSON 结构一致也可以在后端增加题目审核队列让老师在推送给学生之前先确认一遍。5. 常见问题与排查思路5.1 模型返回的 JSON 解析失败现象接口报 502 错误日志显示JSONDecodeError。常见原因模型输出中混入了 Markdown 代码块标记比如json。提示词没有充分约束输出格式。模型本身对复杂 JSON 结构支持不稳定。解决思路在代码里增加容错如果返回内容以json开头先去掉围栏再解析。检查 system prompt 是否明确写了“只输出 JSON 对象不输出解释性文字”。如果模型支持response_format{type: json_object}务必开启。把返回内容加入日志方便定位问题。def safe_parse_json(text: str): text text.strip() if text.startswith(json): text text.removeprefix(json).strip() if text.endswith(): text text.removesuffix().strip() return json.loads(text)5.2 题目数量不稳定现象要求生成 5 道题结果只返回 3 道或者返回 6 道。常见原因大模型对数字不敏感提示词里的“数量”只是一个软约束。解决思路在 JSON 结构里加total字段让模型自己声明数量。在后端做截断或补齐当模型题目数量不足时可以重新请求一次超出时截断到指定数量。更可靠的方式是建立题库缓存批量生成后入库按需从库里随机抽取。5.3 数学计算错误现象模型生成的标准答案本身是错的或者批改时把正确解答判为错误。常见原因大模型的数学推理能力并不完全可靠尤其是复杂计算和多步推理场景。解决思路数学题答案必须人工复核尤其是高年级内容。对计算类题目可以接入sympy等符号计算库做二次验证。在批改环节把标准答案拆成多个得分点减少单点误判。对高利害场景建议使用“AI 初批 老师终审”的双轨模式。5.4 公式显示成乱码现象题目里的$x^2$在网页中显示为原始字符串。常见原因前端没有配置公式渲染库或者返回内容里用了反斜杠导致 JSON 转义错误。解决思路后端统一使用 LaTeX 语法并确认写入 JSON 后反斜杠没有被吞掉。前端引入 KaTeX 或 MathJax。JSON 返回后在浏览器里检查原始数据看公式字符串是否完整。5.5 API 调用成本过高现象每次出题都要调用大模型月底账单比预期高。解决思路用 SQLite 做缓存同一知识点和难度优先查库。设置每日调用上限超过后返回缓存数据。简单任务使用更小的模型复杂任务才用强模型。控制max_tokens避免模型生成大量无意义重复内容。6. 最佳实践与工程建议6.1 提示词版本化管理提示词是 AI 应用里最容易“改坏”的部分。建议把提示词做成独立文件并加入版本字段{ version: v1.2, author: math-dev, updated_at: 2025-01-10, system_prompt: ... }修改提示词时走代码评审流程不要在线上直接改。因为提示词一点变化就可能影响题目难度和批改标准。6.2 建立人工审核机制AI 生成的数学内容存在三个风险答案错误、题目超纲、表述有歧义。对教培产品来说这三类风险都可能直接影响教学质量。推荐的做法是所有 AI 生成的题目先进入“待审核池”。老师通过管理后台快速审核审核通过后才对学生可见。学生提交解答后如果学生对批改结果有异议可以申诉由人工重新批改。这个机制在技术上并不复杂但能大幅提升产品的可信度。6.3 接口鉴权与限流如果 AI 数学助教服务被多个前端使用必须加接口鉴权。FastAPI 可以方便地接入 API Keyfrom fastapi import Depends, HTTPException, Header def verify_api_key(x_api_key: str Header(...)): if x_api_key ! your-secret-key: raise HTTPException(status_code401, detail无效的 API Key)同时建议用中间件做接口级限流防止单个用户批量调用导致大模型成本失控。6.4 日志与可观测性AI 应用的日志比传统应用更重要因为模型的输出有随机性。你需要记录请求参数。系统提示词和用户提示词。模型返回的原始结果。解析后的字段。处理耗时。用户对生成结果的反馈如“采纳”或“弃用”。有了这些日志才能定位“为什么某道题答案错了”这类问题。6.5 学生隐私与数据安全教培系统涉及学生个人信息和学习数据。原则是数据最小化只采集必要的字段不采集与教学无关的个人信息。传输加密线上环境必须启用 HTTPS。访问控制学生只能查看自己的作答记录不能查看其他学生的数据。数据删除提供账号注销和数据删除入口满足合规要求。6.6 模型降级与容灾大模型 API 可能出现超时、限流、服务不可用。在生产环境建议做调用超时设置。失败重试机制。如果主模型不可用回退到备用模型或本地题库。关键接口即使没有 AI 也能通过题库数据兜底保证教学不中断。7. 总结与下一步学习建议这篇文章从一个真实的职业选择话题切入聊到了 AI 时代数学教培的技术化趋势然后完整搭建了一个 AI 数学助教服务。整个过程涉及的核心技能包括大模型 API 的工程封装与结构化输出。提示词模板设计。FastAPI 接口开发。Pydantic 数据校验。SQLite 本地缓存。后端服务的容错与安全设计。如果你是从零开始建议先不要急着加复杂功能。先把“出题”和“批改”两个最小闭环跑通然后找一个真实的班级或助教场景试用两周把 AI 生成内容的错误类型记录下来再针对性地优化提示词和校验逻辑。下一步可以继续扩展的方向有三个检索增强生成RAG把教材、习题集、历年真题向量化AI 出题时基于真实题库检索而不是凭空生成质量会稳定很多。AI Agent 工作流把“出题 → 学生作答 → 批改 → 错题分析 → 巩固题推荐”串成一个 Agent 任务减少人工操作。数据反馈闭环记录每道题的历史作答数据用统计分析识别高频错题和易混淆知识点反哺教学设计。最后再强调一句AI 能帮你快速批量产出内容但“答案是否正确”“是否适合某个学生”这两件事仍然需要你或任课老师把关。把 AI 当作一个高效的助教而不是教学决策的最终裁判你的教培系统才能越用越稳。