基于大模型的编程课程智能助教设计与开发

研究内容方面，本研究聚焦于设计与开发一款基于大模型技术的编程课程智能助教系
统，旨在提升编程教育质量与效率，减轻教师教学负担，同时为学生提供个性化、精准的
学习支持。
在智能助教系统的设计上，本研究会依据编程教育的特色与需求，规划整体架构，明
确各功能模块及其交互方式，构建高效、稳定且可扩展的智能助教平台，以适应不同规模
和类型的编程课程。在大模型选型与集成环节，调研评估多种适合编程教育的大模型，选
择性能优越、适配性强的作为核心技术支撑，并将其无缝集成到系统架构中，使其为编程
课程提供精准的知识解答、代码分析和学习建议等服务。前后端架构规划同样关键，前端
界面注重友好性和易用性，便于学生和教师与智能助教交互；后端服务架构则优化运行效
率和数据安全处理，满足高并发访问和复杂数据处理需求。
核心功能模块的开发涵盖多个方面。代码分析与答疑功能利用大模型对编程语言的理解和分析能力，实时分析学生代码，准确识别语法错误、逻辑缺陷和风格问题等，并提供
详细错误解释和修正建议，助力学生提升代码质量。个性化编程学习路径规划功能则根据
学生学习进度、编程基础和学习目标等因素，结合大模型对编程知识点的关联分析，为学
生定制专属学习路径，动态调整学习内容难度和顺序，推荐相关案例和练习题，满足学生
个性化学习需求。此外，自然语言交互与智能辅导功能的开发，让学生能以自然方式向助
教提问，大模型理解学生意图并生成准确、清晰且有针对性的回答，无论是编程概念、算
法选择还是编程工具使用等问题，都能给予有效指导，模拟真实教师教学过程，增强学生
学习体验。
教学资源与数据管理同样是研究重点之一。编程教学资源的整合与优化方面，收集、
整理和整合丰富教学资源，如教程、案例库、代码示例、练习题等，与大模型关联融合，
依据学生需求推荐资源，利用大模型评估优化资源，更新丰富资源库，提高资源利用率。
学习数据的收集与分析方面，建立学生学习数据收集机制，记录学习行为和成果，分析挖
掘学习习惯、困难点等信息，为智能助教提供数据支持，使其精准提供学习建议和辅导策
略，同时为教师改进教学提供依据，实现数据驱动教学优化。
最后，在系统的可用性测试与优化工作上设计测试方案，招募不同背景和编程水平的
用户参与测试，收集反馈意见，观察交互行为和任务完成情况，评估系统易用性、功能完
整性等。根据测试结果，对系统全面优化改进，修复问题不足，调整参数算法，提升性能
稳定性，优化用户体验，使智能助教系统贴合实际教学场景和用户习惯，发挥最大价值。
总而言之，本研究期望通过以上内容的深入探索和实现，成功开发出具有创新性和实
用性的基于大模型的编程课程智能助教系统，为编程教育改革与发展提供有力支持，助力
学生掌握编程知识技能，培养适应时代需求的编程人才。

智能助教系统采用本地轻量化检索增强生成（RAG）与网络大模型API融合的混合架
构，通过分层设计实现高效、低延迟的教学辅助功能。系统架构由数据层、模型层、交互
层和部署层构成，各层级间通过标准接口进行松耦合连接。数据层作为系统核心支撑，整
合了包含Python、C++等主流编程语言的题库数据库，采用MySQL存储方案，结构化存
储题目数据，非结构化存储代码案例及教学视频等资源。通过数据清洗流水线对原始数据
进行标准化处理，为后续检索增强提供语义索引基础。
模型层采用多模型方案，本地部署基于LightRAG实现语义检索功能。网络侧集成
KIMI-月之暗面/moonshot-v1-8k、GPT-3.5 Turbo、硅基流动/deepseek-ai/DeepSeek-V3 等
API，用于处理复杂问题查询。检索模块使用简单的关键词匹配算法，生成器模块根据课
程知识约束生成符合教学大纲的内容。模型训练阶段使用标注数据集进行领域适配，在代
码补全任务中达到80%以上的准确率。
交互层基于RESTfulAPI构建服务网关，支持Web端接入。前端界面集成基础代码编
辑器，通过轮询机制实现通信，响应延迟低于1秒。反馈系统结合静态代码分析工具（如
PyLint），生成包含代码规范和效率的评估报告。用户画像模块记录学习者行为，采用基
础规则推荐个性化学习路径。
部署层采用了 CentOS 系统中的 `systemctl` 工具管理相关服务进程以确保高效稳定
的运维支持。`systemctl`工具可以通过service文件中的设置启动并守护服务进程，在此应用场景下同样可以通过创建并设置独立的conda虚拟环境来支持项目中不同的应用场景如
网络开发或数据分析等。