TL;DR 普通聊天机器人在会话结束的瞬间就会忘掉一切，但真正的家教不会。本文通过架构讲解与代码实现，构建一套结合检索增强生成（RAG）与持久化用户记忆的个性化AI辅导系统——它能跨会话记住学生学过什么、擅长哪种学习方式、卡在哪个知识点上。 本文将覆盖： - Embedding 与向量数据库：知识检索 - 用户画像：长期个性化 - 对话记忆：短期上下文 - 检索管道：把以上组件串起来 - Prompt 构建策略 - 基于 Grounding 与个性化的响应生成 让我们逐层构建。 ## 为什么单纯封装 LLM 不够 如果你曾经把一个 LLM API 调用包进聊天界面，然后称之为"家教"，你肯定已经感受到这些限制： - 它不知道学生昨天学了什么。 - 它会把学生已经掌握的知识翻来覆去地解释。 - 它无法引用学生正在使用的具体教材、课程或大纲。 - 它用同样的方式对待初学者和进阶学习者。 一个真正的个性化家教需要无状态聊天机器人缺乏的两样东西：**接地知识（Grounded Knowledge，通过 RAG 实现）**和**持久上下文（Persistent Context，通过用户记忆实现）**。下面逐一拆解每个架构组件。 ## 知识层：Embedding 与向量数据库 ### RAG 到底解决了什么 RAG 存在的意义很简单：LLM 不知道你的特定内容。它们没有在你的课程材料、教材或自定义习题集上训练过。RAG 允许你在生成时把相关的内容块注入 Prompt，而不是重训或微调模型。 ### 第一步：分块你的内容 在检索之前，内容需要被切成可管理的块。**块大小非常关键**：太大，你会把无关文本浪费在上下文窗口里；太小，你会丢失语义完整性，导致检索结果支离破碎。实践上，结合标点符号和段落边界做递归切分，是一个稳妥的起点。 ```python from langchain.text_splitter import

打开网易新闻 查看精彩图片