个性化导学-基于豆包大模型实现学生教育素质扩展

提示(最少80个中文字符)：

本项目是一个基于人工智能的素质教育智能导师服务系统，通过整合语音识别、大语言模型和语音合成三大AI能力，为学生提供实时语音交互、智能问答和启发式教学服务。系统采用响应式编程和事件驱动架构，支持高并发实时交互，能够通过苏格拉底式对话引导学生思考，培养科学思维和解决问题的能力。

1. 立项背景和目标

立项背景：
随着人工智能技术发展和教育数字化转型，学生对个性化、互动式学习体验的需求日益增强，而传统教育模式面临教师资源有限、一对一辅导成本高昂的问题。本项目旨在构建一个支持语音交互、具备启发式教学能力的智能导师服务系统。

项目目标：
- 技术目标：构建高性能、高可用的智能对话系统，支持实时语音交互和流式响应处理
- 功能目标：实现语音转文字、智能问答、文字转语音的完整流程，支持多轮对话和上下文理解
- 业务目标：为学生提供24小时智能学习助手服务，提升学习效率，培养批判性思维
- 质量目标：系统可用性达到99.9%以上，具备完善的监控和故障恢复机制

2. 软件功能、核心功能模块的介绍

2.1 语音识别模块（STT）
将用户语音转换为文本。支持实时流式识别，边说话边识别；支持多方言识别；自动检测语音开始和结束。

2.2 大语言模型模块（LLM）
系统的智能核心，负责理解问题并生成回复。提供苏格拉底式对话引导，启发学生思考；支持科学问题的多步骤推理；维护对话上下文，支持连贯的多轮对话；实时流式返回回复内容。

2.3 语音合成模块（TTS）
将文本回复转换为语音输出。支持多音色选择，可调语速、音量和音调；实时流式输出，低延迟反馈。

2.4 实时通信模块
通过WebSocket实现客户端与服务端的双向通信。支持语音、文本、心跳等多种消息类型；具备连接状态检测和自动清理机制。

2.5 事件驱动架构模块
采用事件驱动架构统一处理业务事件，包括语音转文字、文字转语音、大模型请求、对话记录存储等，实现业务逻辑的松耦合。

2.6 数据存储模块
使用MySQL存储对话记录和配置信息，Redis缓存提升性能，Neo4j知识图谱支持知识查询和推理。

3. 业务流程、功能路径描述

3.1 语音对话流程
用户发送语音 → 语音转文字 → 识别完成后调用大语言模型 → 生成智能回复 → 文字转语音 → 返回语音给用户

3.2 对话记录存储
对话完成后自动保存对话记录到数据库，包括用户问题、AI回复、会话信息等。

3.3 多轮对话管理
系统维护每个会话的对话历史，确保后续对话能够理解上下文，提供连贯的交流体验。

3.4 异常处理
当AI服务调用失败时，系统自动捕获错误并提示用户，支持重试操作，记录日志便于问题排查。

提示(最少80个中文字符)：
本项目是一个基于人工智能的素质教育智能导师服务系统，通过整合语音识别、大语言模型和语音合成三大AI能力，为学生提供实时语音交互、智能问答和启发式教学服务。系统采用响应式编程和事件驱动架构，支持高并发实时交互，能够通过苏格拉底式对话引导学生思考，培养科学思维和解决问题的能力。

1. 整体架构和设计思路，不同模块使用的技术栈

系统采用分层架构和事件驱动设计：接入层使用Spring WebFlux的WebSocket实现实时双向通信；事件驱动层采用Spring Event机制统一处理业务事件；业务服务层包含LLM、STT、TTS等核心服务；数据访问层使用MyBatis访问MySQL，Redis缓存，Neo4j知识图谱查询。

核心模块技术栈：WebSocket实时通信模块使用Spring WebFlux + Reactor响应式流（Mono/Flux）；事件驱动架构使用Spring Event + @EventListener注解；响应式事件管理使用Reactor的Sinks和Flux，ConcurrentHashMap管理多会话；大语言模型模块使用WebClient响应式HTTP客户端，支持流式响应处理；数据持久化使用MyBatis 3.0.3 + MySQL，Redis缓存，Neo4j知识图谱。

2. "我"的负责模块和结果(尽可能量化)

2.1 WebSocket实时通信模块
实现了基于Spring WebFlux的WebSocket处理器，支持并发连接数1000+，Ping/Pong心跳机制30秒间隔检测，60秒超时自动清理，优雅关闭机制确保消息不丢失。量化结果：单机并发连接1000+，消息推送延迟<100ms，连接异常自动清理率100%。

2.2 响应式事件管理模块（ReactiveEventManager）
使用Reactor的Sinks.Many实现每个会话独立的消息流，SessionTaskSender确保消息有序发送，会话自动清理机制空闲10分钟自动清理。量化结果：并发会话数500+，消息推送成功率99.9%+，内存占用减少30%。

2.3 大语言模型调用模块（LLMManager）
实现Token认证和MD5签名验证，流式响应处理和JSON解析，三级重试机制，WebClient响应式HTTP调用。量化结果：LLM调用成功率99.5%+，平均响应时间<2s，流式响应延迟<200ms。

2.4 事件驱动架构实现
实现6种核心业务事件监听处理（语音转文字、文字转语音、大模型请求、对话记录存储、消息发送、步骤切换），@Async异步处理，集成Skywalking链路追踪。量化结果：事件处理吞吐量10000+/秒，延迟<50ms，系统吞吐量提升40%+。