假设学校计划引入AI助教系统辅助物理习题讲解，请设计一个方案，包括技术选型、数据准备、功能实现，并说明如何评估系统效果？

1) 【一句话结论】
构建AI助教系统需技术选型（LLM+知识图谱）、数据准备（多源习题与解析）、功能实现（分步讲解+互动），并通过学习行为、成绩变化等多维度评估效果，以提升物理习题讲解的个性化与效率。

2) 【原理/概念讲解】
老师口吻解释：设计AI助教系统，核心是“工具+数据+功能+评估”闭环。技术选型上，像选择画图工具，需结合模型能力（如大语言模型LLM理解物理逻辑，知识图谱关联知识点、公式、实验）；数据准备像收集教材习题，需涵盖不同难度、知识点，并标注解析；功能实现像搭建解题步骤，需分步讲解，支持互动（如学生提问）；效果评估像检验作业效果，需跟踪学习行为（如停留时间、错误率）。

3) 【对比与适用场景】

模型类型	定义	特性	使用场景	注意点
大语言模型（LLM）	基于Transformer的预训练模型	理解自然语言，生成解释	生成习题解析、互动问答	需补充物理知识库，避免逻辑错误
知识图谱	结构化知识表示	关联知识点、公式、实验	提供知识点关联、解题思路引导	需持续更新知识库，确保准确性

数据准备对比：

• 教材习题数据：来源权威（如人教版），覆盖知识点全面，但可能缺乏变式；
• 补充习题数据：来自竞赛、历年真题，难度更高，需标注解析与错误点；
• 学生数据（假设允许）：学习行为（如错题记录）、认知水平（如知识掌握程度），用于个性化讲解。

4) 【示例】
数据准备流程伪代码：

def collect_data():
    textbook_problems = fetch_textbook_problems()  # 获取教材习题列表
    supplementary_problems = fetch_competition_problems()  # 获取竞赛习题
    problem_analyses = annotate_problems(textbook_problems + supplementary_problems)  # 标注解析
    save_to_database(problem_analyses)  # 存入数据库

功能实现示例（API请求）：

POST /api/explain_problem
{
  "problem_id": "P123",
  "student_level": "中等",
  "target_knowledge": ["牛顿第二定律", "动能定理"]
}

5) 【面试口播版答案】
“各位老师好，针对AI助教系统辅助物理习题讲解，我的方案核心是构建‘技术-数据-功能-评估’闭环。首先技术选型，采用大语言模型（LLM）结合知识图谱，LLM负责自然语言理解与生成解析，知识图谱关联知识点与解题逻辑，确保讲解准确。数据准备上，整合教材习题、补充习题（如竞赛题），标注解析与错误点，并补充学生错题数据（若允许），用于个性化讲解。功能实现分三步：1. 习题解析，分步展示解题步骤，结合公式推导；2. 互动问答，支持学生提问，实时反馈；3. 错题巩固，针对错误知识点推送变式练习。效果评估通过多维度指标：学习行为（如解题停留时间、错误率）、成绩变化（如单元测试提升）、学生反馈（问卷评分），持续优化系统。这样能提升习题讲解的个性化与效率，助力学生理解物理知识。”

6) 【追问清单】

• 问：具体技术选型中，LLM和知识图谱如何协同？
  答：LLM生成自然语言解析，知识图谱提供结构化知识点关联，两者结合确保解析准确且逻辑连贯。
• 问：数据准备中，如何处理学生隐私问题？
  答：仅收集匿名化学习行为数据（如错题记录），不存储个人信息，符合数据隐私法规。
• 问：效果评估中，如何区分系统效果与学生自身努力？
  答：通过前后测成绩对比，结合学习行为数据（如系统使用时长、错题率变化），控制变量分析。
• 问：功能实现中，如何应对复杂物理问题（如多步骤综合题）？
  答：系统拆解问题为子步骤，每步用知识图谱关联知识点，LLM生成分步解析，逐步引导。
• 问：系统扩展性如何？能否支持新知识点或教材版本？
  答：知识图谱可动态更新知识点，数据接口支持新增习题，系统通过模型微调适应新内容。

7) 【常见坑/雷区】

• 技术选型空泛，只说“用AI”，不具体说明模型或技术细节；
• 数据准备忽略隐私问题，未提及数据脱敏或合规；
• 功能实现只说“讲解”，未考虑互动或个性化（如错题巩固）；
• 效果评估指标单一，仅用成绩，未考虑学习行为；
• 忽略系统部署与维护成本，未说明技术可行性。