客户背景
行业
教育培训
规模
学员 3000+ · 10 名老师
现状
人工教研 + 老师课后答疑
期望
降低教研与答疑成本
客户痛点
1
课程制作成本高
一门课程从大纲到讲义到题库，教研团队要磨好几周。
2
答疑占用老师时间
老师课后被大量重复问题淹没，没时间打磨课程。
3
获客内容产出慢
招生文案、短视频、海报全靠临时凑，产出跟不上。
演示案例
实时演示 · AI 助教
就绪
输入
学员：这道题的解题思路是什么？
Consolelogs · stdout
$ 初始化演示管线…
✓ 问题理解0.3s
✓ 知识库检索命中 5 条
✓ 生成解答1.6s
技术方案
01
AI 助教答疑
基于课程知识库的 AI 助教，自动解答常见问题并批改作业。
02
课程内容生成
输入主题自动生成大纲、讲义与题库，老师审核后即可用。
03
招生内容批量生成
自动生成招生文案、短视频脚本与海报文案。
不是赌某一种 AI，而是组合最合适的几种
面对真实业务场景，我们不会一上来就选定某条技术路线，而是对多条候选路径做同口径评估，再据此设计融合方案，让每条路径都做它最擅长的那部分。
通用大模型 API
GPT-4o / Qwen / DeepSeek 等公有云模型
- ✓开箱即用、接入成本极低、业务初期成本可控
- ✕对垂直行业场景泛化有限、字段级准确率不稳、数据合规需单独设计
适合冷启动与快速验证
行业模型微调
基于行业语料对开源模型做领域微调
- ✓结合行业语义、准确率显著提升、可私有化部署
- ✕需要标注数据、训练与维护有一定投入
适合作为主链路承担高频流量
检索增强 + 规则校验
RAG 知识库与业务规则引擎的组合
- ✓针对性强、可解释、延迟与成本最优
- ✕需要持续的数据闭环投入
适合兜底与高确定性场景
融合而不是选择
我们最终交付的不是某一个模型，而是一条「主链路 + 语义校正 + 兜底降级」的融合管线：高频场景由行业模型在秒级内完成；置信度低于阈值的字段自动转大模型做二次理解；服务异常时自动降级到通用 API 并标记人工复核，让准确率、成本、延迟、可控性这几个互相牵扯的目标同时达成。
一条可解释、可降级、可演进的 AI 管线
我们把 AI 工程当作「管线」而不是「黑盒」：每一步都有明确的职责、输入输出与兜底策略。下面这条五步管线 + 四层系统架构，是方案的技术骨架。
L1
采集与接入层
支持多渠道接入，统一做鉴权、幂等与脱敏
业务系统 API移动端 / 小程序文件上传 / 扫码API 网关 · 脱敏
L2
AI 推理层
多链路推理 + 置信度路由器，按样本特征自动切换
行业微调模型多模态大模型RAG 知识检索置信度路由
L3
业务编排层
把识别结果对接到真实业务流，做规则校验与闭环
业务规则校验实体 / 主数据匹配金额 / 逻辑闭环人工复核工单
L4
数据闭环层
线上每一次误差自动回流，模型按月自动迭代
样本仓在线标注与差错回收月度增量微调漂移监测与告警
技术栈
FastAPIvLLMLangChainRAGQwenGPT-4oTritonKubernetesPostgreSQLRedisMilvusDocker
交付过程
1
教研流程梳理
梳理课程制作与答疑流程。
2
知识库构建
把课程资料整理成结构化知识库。
3
助教上线
AI 助教先服务基础答疑。
4
内容生成
接入课程与招生内容生成。
5
迭代优化
根据学员反馈持续优化助教能力。
上线前后对比
指标上线前上线后
单门课程制作周期3 周2 天
老师答疑时间每天 3 小时每天 1.5 小时
招生内容产出10 条/周50 条/周
“AI 助教顶掉了一大半重复答疑，老师终于有时间做真正重要的教研了。”
可复用场景
各类培训机构的教研提效
学员答疑的自动化
招生获客内容的批量生成