一、背景与问题

随着教育数字化加速，传统教学面临三大核心痛点：互动不及时——课后答疑依赖非实时渠道，学生问题难以及时解决；资源零散化——教材、课件、视频等分布在不同平台，检索效率低下；反馈不精准——教师缺乏对学习难点的系统性数据分析，教学改进缺乏支撑。

上海交通大学计算机学院X-Lance实验室（e-Learning研究团队）基于“致远一号”智算平台的大模型API与检索增强生成（RAG）技术，深度对接Canvas教学平台，构建“即时答疑+个性化辅导+数据化反馈”的智慧教学生态——“交学伴”。“交学伴”通过对接课程知识库、教材、课件等资源，利用知识图谱增强大模型推理能力，全面支撑课程理解、知识检索与智能推理等场景的快速响应。 

二、实施路径

1．“交学伴”总体架构

“交学伴”以课程教材、课件、课堂视频及种子题库等资源为输入，通过OCR、ASR、文本分块与语义向量化等预处理技术，将原始教学内容转化为可计算的语义表示，并在此基础上通过实体抽取、关系识别与融合方法构建课程知识图谱，为知识问答、试题生成与学习分析提供统一的知识基础。在智能交互层面，系统结合向量检索与课程知识图谱，构建基于RAG的问答流程，同时支持基于知识图谱与多路径策略的试题生成，以及面向知识点的视频检索功能。系统通过LTI协议与Canvas教学平台深度集成，实现免登录访问与课程上下文自动绑定，确保其在真实教学场景中的有效落地与一体运行。

图2 “交学伴”技术架构图

2．核心功能实现

(1) 课程知识问答系统功能

课程知识问答系统基于使用知识图谱增强的检索增强生成技术方案实现。在检索阶段，主要使用两种知识来源：一方面结合对话信息在知识库中进行向量相似度匹配；另一方面结合知识图谱技术，从问题涉及的主题实体出发寻找其相关三元组。以上两类知识通过总结与压缩，生成高质量的上下文提示词。在生成阶段，大语言模型结合精炼后的上下文产生最终答案，并给出可追溯的知识来源。这种将非结构化向量检索与结构化知识图谱逻辑相结合的方式，有效解决了大模型的幻觉问题，显著提升了专业知识回答的准确性。

(2) 课程知识库管理功能

课程知识库管理旨在将非结构化的教学资源转化为可检索、结构化的语义数据并进行存储。系统支持多模态资源的上传，包括PDF课件、Word文档及课堂视频等，系统利用多种模态嵌入技术将原始内容转换为结构化的语义表示，以便于实现知识的高效索引，为后续的问答与出题功能提供了精准的数据源支撑。

(3) 智能体管理功能

本项目将智能体定义为“LLM+提示词+知识库”的组合，发挥不同大模型的能力优势解答专属的问题。系统支持教师为不同的教学场景设定专属的Prompt，通过提示词工程约束模型的回答风格与专业边界。这种模块化设计实现了大语言模型、特定知识库与教学角色的深度解耦与灵活配置，使得系统可以快速扩展出多种垂直领域的教学助手，满足个性化教学的需求。

(4) 智能出题功能

智能出题功能以知识图谱和种子题库为核心，设计四条互补生成路径，同时采用多模型协同评估与知识覆盖度筛选，保证题目有效性与多样性。同时智能出题也支持根据学生的答题历史进行个性化出题。

(5) 视频检索功能

预处理阶段将视频切分为语义片段，通过ASR和OCR提取文本，以PPT切换为粒度划分，大模型总结并合并相近片段，构建向量索引。搜索阶段基于知识图谱中的知识点进行向量匹配与关键词粗筛，得前50候选，经精排后返回最相关3个片段。

(6) 课程知识图谱创建与可视化

从多源材料（PDF、PPT、视频）提取文本，利用大模型识别核心实体及其关系，经实体对齐、融合生成三元组，并通过偏置PageRank和K-core算法计算节点重要度删除噪声节点。可视化采用vis-network、力导向布局和JSON格式，支持交互点击、缩放，形成“检索-探索-学习”闭环。这一路径有效实现了从非结构化资源到结构化知识、再到可视化应用的自动化转换，为课程教学提供了直观、系统的知识组织与探索工具。

3．师生使用流程

(1) 访问路径

1．登录Canvas平台（https://oc.sjtu.edu.cn）；

2．进入已部署“交学伴”的课程（目前开放部分试点课程）；

3．点击左侧菜单栏“交学伴”标签即可进入系统。

图3 交学伴在Canvas平台的访问路径

(2) 学生操作流程

1．一键登录：通过Canvas自动完成校园账号认证，无需额外注册；

2．选择课程助手：进入课程后点击“创建新对话”，选择对应课程智能助手；

3．提问与学习：在下方输入框中输入课程相关问题，系统将基于课程知识库与大模型生成答案，并标注参考资料。若希望进一步理解知识结构或学习视频，可切换至“知识图谱”或“视频检索”模块。

(3) 教师/助教操作流程

1．知识库管理：上传教材、课件生成课程专属知识库；

图4 教师知识库管理界面

2．智能助手配置：在“智能助手管理”界面绑定知识库与大模型，定制课程专属助手；

图5 选择基座大模型与绑定知识库定制课程智能助手

3．教学优化：可查看学生常见问题、互动日志，精准调整教学重点。 

三、特色与创新

1．深度融合课程知识图谱的RAG：双源检索（向量+图谱）为大模型提供结构化与语义化知识，有效缓解专业教学问答中的“幻觉”问题，提升答案准确性、可追溯性与教学一致性。

2．一体化、场景化的智能学习支持系统：将知识问答、知识图谱可视化、视频检索、习题练习集成于统一平台，通过LTI协议深度嵌入Canvas教学流程，形成“课内-课外”闭环。具备细粒度日志分析能力，为学情诊断与教学优化提供数据基础。

3．课程驱动的多模态资源智能融合与回溯：融合文本知识库、结构化知识图谱及课堂视频、PPT等多模态资源。通过OCR、ASR及语义切片技术，实现基于自然语言或知识点的视频内容精准定位与回溯，构建从问题解答到原始教学场景的全链条沉浸式复习路径。 

四、成效与反馈

“交学伴”已集成到Canvas平台的15门课程，先后入选首批中国“高校教学智思体工具及应用案例”、交大网络信息中心“AI百景”；同时，该平台作为教育部首批生成式人工智能教育专用大模型建设项目 ——“材料教育大模型” 的核心组成部分，支撑项目整体建设与落地应用。

1．知识问答功能

在“计算机网络”课程客观题问答任务中，知识增强策略显著提升大模型回答准确率。学生反馈系统对概念、协议流程、关系推理类问题能给出准确且有依据的回答。常见基础问题自动回复占比高，减少重复性答疑工作量，教学支持效率明显提高。

2．知识图谱功能

“交学伴”已为交大计算机学院及材料科学与工程学院的61门课程自动生成知识图谱。知识图谱功能通过直观呈现课程核心概念及其关系结构，帮助学生构建系统化的知识理解框架，使学生可以更直观地理解知识之间的关系。在教学实践中，学生反馈该功能在梳理章节结构、理解概念间逻辑关系方面具有明显帮助。

3．试题生成功能

“交学伴”的试题生成功能在真实教学场景中的教学成效已通过“离散数学”课程的图论期中测试中得到验证。系统生成并筛选出120道高质量客观题，用于学生复习阶段的辅助练习。期中高参与组平均成绩高于低参与组10%以上。

4．视频检索功能

“交学伴”的视频检索功能为学生提供基于知识点的精准教学视频定位支持。在实际使用过程中，学生普遍反馈该功能能够快速定位到与知识点直接相关的课堂讲解片段，避免了反复拖动视频查找内容的低效操作，显著提升了课后复习效率。系统日志显示，视频检索功能是仅次于问答的第二高频功能。 

五、推广价值与展望

“交学伴”围绕知识问答、知识图谱可视化、试题生成与视频检索等核心功能，构建了一套面向真实教学场景的智能教学支持模式，具有较高的推广价值。该系统以课程资料与课程知识图谱为主要知识来源，通过检索增强与结构化融合方式提升问答与学习支持效果，不依赖大规模人工标注数据，具备较低的迁移与部署成本，适合在多门课程中快速复制应用。系统中多模态功能协同运行，将文本、结构化知识与课堂视频进行统一组织，有效支持学生在不同学习阶段的自主学习与复习需求。

展望未来，“交学伴”可进一步拓展至更多课程与教学环节，结合学生学习轨迹与知识掌握情况，实现更加精细化的个性化学习支持。