知识图谱与LLM在教育AI中的分工

知识图谱与大型语言模型（LLM）在教育AI中的分工，直接决定了个性化教学能否从理论走向可落地的动态机制。传统教育场景中，教师通过人工方式识别学生答题中的概念偏差、因果链条和前置知识缺口，这一过程在规模化应用时面临效率瓶颈。知识图谱提供结构化骨架，LLM则注入自然语言理解能力，二者结合后，系统可将静态课程内容转化为可计算的状态模型，精准定位错误根源并生成针对性补课路径。

构建知识图谱的第一步是将非结构化教学材料转化为可计算节点与关系。课程讲义、习题解析或课堂对话通常包含概念、定义、例题、前置知识、易错点和评价标准。LLM承担语义拆解任务，识别实体间关系并归纳为“概念—属性”“知识点—前置知识”“方法—适用条件”等结构。为避免入库后出现节点过粗或冲突，系统需保留来源片段、抽取依据和置信程度，再经规则或人工审核处理重复概念与粒度不一致问题。例如，“分数除法”可能被拆为运算规则，也可作为能力节点，需先确定课程粒度，否则后续错误定位将陷入补课过泛的困境。图谱节点还应包含学习目标、可观察答题行为和常见误区，使学生作答不再仅标“对”或“错”，而是同时回答三个问题：调用的知识点、推理偏差环节及偏差指向的前置节点。

误区识别是系统区别于简单错题分类的关键环节。单一错误可能源于计算失误、概念混淆或规则误用。若系统将所有偏差统一归为“知识点未掌握”，补课路径会无限膨胀。正确做法是采用“答案证据+解题过程+相关图谱”的联合判断。LLM从学生作答文本、步骤描述中提取信号，再映射到图谱关系中。例如学生正确套用公式却错误判断适用条件，系统应提高“条件理解不足”误区的权重，而非直接削弱公式节点掌握度。对每次作答，系统维护带权状态集，包括知识点掌握程度、相关前置节点可疑程度、特定误区出现概率及当前证据强度。这些状态需综合题目难度、题型、作答完整度和历史表现调整更新幅度，孤立错误与连续相似错误的信号强度不同。

动态更新机制的核心在于保留“暂时不确定”状态。知识图谱更新对象是学生与图谱之间的个体化状态，而非课程本体。学生状态被划分为已获充分证据支持、待观察假设和已被削弱判断三类。对于低置信度归因，不应立即改变长期路径，而是生成诊断题以获取新证据区分原因。例如系统无法判定是概念不理解还是操作失误，应提供变量更少的简单题目。LLM擅长理解开放式表达、提取潜在误区和生成解释，而图谱机制负责保存关系、执行约束、累计证据并控制变化幅度。若让LLM直接改写整张图谱，易产生关系漂移且难以追溯判断依据。

补课路径规划从错误节点回溯前置关系开始。系统首先区分目标节点与阻塞节点，目标节点是当前无法完成的任务，阻塞节点则是导致其无法正确调用的前置知识。路径排序综合考虑误区权重、前置依赖强度、节点掌握度不确定性和完成节点后可解除的后续阻塞数量。每完成一个补课单元，需安排短测或变式任务验证修复效果。若错误仍持续出现，图谱应重回诊断阶段而非机械重复推送。只有当不同题型中均能正确迁移，相关节点掌握权重才逐步稳定。

可解释性是此类系统落地的必要条件。系统需向教师或研究人员呈现触发更新的作答证据、被提高权重的误区、关联前置节点及补课路径优先级。教师可修正实体合并、否决不合理前置关系或调整诊断题，所有修改保留版本与来源，避免人工干预覆盖学习证据。评估重点应放在“诊断是否准确”而非内容流畅度上：能否将错误归因到合适知识关系、避免因一次失误过度调整，以及补课后能否在相近任务中表现改善。落地时可从小范围关系清晰的子图开始，逐步验证每一步证据链的复核能力。

知识图谱与LLM的分工边界清晰：LLM处理复杂语言与开放表达，图谱机制则提供结构约束与证据追踪。两者结合后，教育AI不再停留在“根据错题推荐内容”的层面，而是形成可识别误区、验证假设、修复前置知识并持续调整的动态学习机制。