← 返回案例列表
教育培训某 K12 辅导机构（学员 2000+） · 佛山
K12 的 AI 错题本与提分方案：每个孩子一套专属路径
10 倍
错题整理效率
15 分
平均提分
25%
家长续费率提升
2000+
服务学员数
客户背景
行业
教育培训 · K12 辅导
规模
学员 2000+ · 12 名老师
现状
手工整理错题 + 统一授课
期望
因材施教、可量化提分
客户痛点
1
错题整理低效
学生错题散落各处，整理耗时且利用率低。
2
难以分层教学
学生基础差异大，统一授课效果差。
3
提分难量化
补了半天课，提分效果说不清，家长易流失。
演示案例
实时演示 · 错题本
就绪
输入
学生拍照上传的 3 道错题（数学）
Consolelogs · stdout
$ 初始化演示管线…
✓ 题目识别0.6s
✓ 知识点归类3 个知识点
✓ 同类题推荐10 道
技术方案
01
错题自动归集
拍照上传即自动归集错题，并按知识点分类。
02
薄弱点诊断
根据错题分布诊断薄弱知识点，生成提分路径。
03
阶段报告
自动生成阶段性学情报告，量化进步。
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
题库与知识点梳理
建立知识点与题库的映射。
2
错题系统
开发错题归集与同类题推荐。
3
诊断模型
训练薄弱点诊断。
4
试点班级
在 2 个班试运行。
5
全面推广
覆盖全部学员。
上线前后对比
指标上线前上线后
错题整理耗时每周 2 小时每周 12 分钟
平均提分基线+15 分
家长续费率65%81%
“每个孩子的错题和薄弱点一目了然，老师辅导有方向，提分效果也看得见。”
可复用场景
K12 辅导的错题管理
个性化学习路径
学情的可视化与量化