核心贡献¶
- KITE 系统：Knowledge-Informed Tutoring Engine，基于多模态 RAG 的智能辅导系统，服务于算法推理和问题解决的课堂教学助手。
- 意图感知苏格拉底响应策略：使用 intent-aware Socratic response strategy，根据不同学生需求提供针对性提示、引导性问题和发展性脚手架。
- 多模态 RAG pipeline：从课程材料中检索相关信息，保持响应对课程内容的一致性。
- 多维评估框架：结合 RAGAs 指标、专家评估和模拟学生 pipeline 三种评估方式。
为什么重要¶
传统辅导系统难以在保持课程一致性的同时提供个性化脚手架。KITE 通过 retrieval-augmented 方式确保响应基于真实课程内容，同时通过意图感知策略提供差异化支持。
与端侧/移动端的相关性¶
智能辅导是边缘部署的重要场景——个性化学习应用需要本地处理学生交互数据。多模态 RAG 架构可迁移至移动端，为学生提供离线辅导能力。
标签¶
memory-retrieval RAG education tutoring-systems agentic-ai
核心方法¶
KITE 架构¶
- 意图识别：识别学生问题类型（算法跟踪、调试、问题求解）
- 检索增强：从课程材料库中检索相关内容
- 苏格拉底响应生成：根据意图类型生成差异化提示
- 反馈循环：通过学生-系统多轮对话提供渐进式支持
评估结果¶
三种评估方式： - RAGAs 指标：响应接地性和质量良好 - 专家评估：教育质量获得认可 - 模拟学生 pipeline：帮助弱模型产生更准确的跟踪和程序性问题的后续回答
参考文献¶
（参考文献待从原文补充）