现在的在线教育平台，功能其实都不缺。
直播，题库，答疑，批改，样样都有。
可真用起来，体验经常是断的。
学生反复错同一类题。
老师也看不出他到底卡在哪。
问题不在某个功能。
而在这三块数据各管各的。
题库只存题干。
错因，薄弱点，学习偏好，一样没留下。
答疑记录更脆。
一次会话关掉，前面聊过什么全没了。
下次提问，学生还得从头讲一遍背景。
进度统计也浅。
只看课时和刷题量。
谁快忘光了，谁该复习了，没人管。
说白了，平台缺的不是能力。
是记性和主动性。
市面上也有多智能体助教。
但大多绕不开三个坑。
业务流程全靠人工写死。
角色和边界一条条手配，成本不低。
演示做得漂亮，落地和评测却薄。
一个调度，带六个助手
这套方案搭在 openJiuwen 生态上。
核心是一个叫 JiuwenSwarm 的蜂群框架。
它把一队智能体，编成一支教学团队。
每个角色分工清楚，权限各管一段。
顺着这个框架，方案想复用几样现成能力。
一是角色编排，输入目标就能生成角色草案。
再由人来确认和调整。
二是任务拆分和并行调度。
复合问题会被拆开，按轻重缓急排队。
三是三层记忆存储。
短期会话，长期学情，还有学科公共知识。
四是结构化输出。
学情卡片，错题图谱，复习面板，都能自动生。
五是行业模块复用。
错因标签，对话压缩，遗忘预测，直接接进来。
这里要说明一句。
上面这些能力，都写在拟复用三个字里。
到底支持到什么程度，得对着版本文档和代码去核。
方案本身不做承诺。
这份谨慎，通篇都在。
这跟平时随手用 AI对话 的感受，很不一样。
接下来是分工。
方案定的是 1 名调度角色，加 6 名执行智能体。
调度只做三件事。
拆任务，排优先级，最后汇总。
真正干活的是六个角色。
答疑接待。
数据查询与集成。
错题标签。
长对话压缩与记忆。
学情进度与遗忘预警。
合规质检。
角色不是一个个手写的。
方案把一句业务描述，丢给生成工具。
让它先出 7 个角色草案。
人再来确认读写权限的边界。
比如数据查询这个角色，只能读。
所有写入，分给记忆，错题和进度三个角色。
各自只管自己那块。
整个流程有八个步骤。
进线，记忆召回，意图识别，并行拉数据。
再分支处理，汇总，质检，归档。
最后留一条人工升级通道。
出问题随时能交给真人。
其中质检卡得最严。
不通过就退回重改，最多两次。
超过两次，转人工。
每个角色能碰什么数据，也列得很细。
调度角色只做决策，不改业务数据。
答疑接待不判定掌握度，也不写长期记忆。
错题角色只写错题。
记忆角色只写记忆。
边界清楚，是为了守住数据。
数据怎么流，方案也分了层。
只读拉取这一步，全交给数据查询角色。
课程，题库，错题，历史对话，学情数据。
它一次并行读完，做一个聚合视图。
写入的几个角色，不直接碰全量源数据。
调度拿到聚合结果，再拆任务。
专属的写入任务，分发给对应角色。
分工到这一步，才算落地。
分场景的处置，也各有各的走法。
答疑场景，接待角色结合压缩笔记和错题作答。
记忆角色同步提炼这次的思路和易错点。
刷题场景，错题角色按配置标注错因。
学情角色在质检后，更新知识点掌握状态。
进度复盘场景，学情角色整合错题和辅导记录。
生成一张学习图谱。
推遗忘知识点的复习任务。
每轮结束，三个角色分区归档。
错题画像，辅导摘要，进度数据，各写各的。
还有一种情况要兜住。
标签识别出了偏差，学生要求真人老师。
或者碰到跨学科难题，长期不见提升。
这些都会触发人工升级。
调度打包一份经权限过滤的档案，交给真人。
这套流程的边界，卡得比一般的助教严。
它记得你错过什么
方案拿高中数学场景，做了一轮演示。
假设每天答疑加刷题，超过 1500 次。
这个数字只是设计容量。
不是跑出来的实测规模。
演示分三组。
第一组，跨会话的记忆召回。
学生上来一句模糊提问，不说知识点。
记忆角色先去翻 90 天内的记录。
比如之前错过的导数题，系统还记着。
调度再把标签，一起下发给接待角色。
目标是把重复复述背景的比例降下来。
方案标得很清楚。
响应不超过 5 秒，降幅 90%。
这两个数，都是待验证目标。
第二组，错题自动标注，加进度联动。
学生提交一道错题。
错题角色按规则，打上多维标签。
学情角色再更新掌握度，算巩固优先级。
对照的是人工标签，还有固定规则。
同类错题降 60%。
人工校对省 80%。
同样只是目标，不是结论。
第三组，复合诉求并行处理。
一轮消息里，学生同时问错题，答疑和进度。
调度把三件事，拆成并行任务。
几个角色同时跑，最后统一收口。
比的是串行和并行，两条流程的延迟和遗漏率。
现有的几张界面截图。
只能证明演示跑得通。
证明不了效果更好。
写进去容易，写好难
再往下，是三项核心能力的落地细节。
第一项，错题的沉淀。
从错因，题型，学习偏好三个方向，生成候选标签。
规则还得人工维护，用评测集去校准。
第二项，长对话的压缩归档。
先过滤掉寒暄和重复话术。
只留下知识点，解题技巧和个性化误区。
会话结束，质检通过，才写进 90 天记忆。
第三项，学习进度的跟踪。
把课程，刷题，错题和对话数据，并到一起。
按掌握度生成图谱。
按遗忘节点，推复习任务。
这里有一条红线。
题目条件，公式，单位，答案依据。
这些不能靠模型自己推断和改写。
压缩前要过一道事实一致性检查。
过不了，就留原始引用，转人工。
记忆这套东西，写和读都有规矩。
长期记忆只在质检通过后写。
一条记录，至少带九样东西。
匿名学生标识，学科，知识点，事件类型。
错因或偏好，证据来源，置信度。
还有创建时间和过期时间。
冲突了怎么办。
不覆盖，留版本。
宁可多留一条旧记录，也别让新摘要盖过原始事实。
谁证据更新，谁置信度高，谁时间近，就用谁。
读的时候，先做硬过滤。
按学生，学科，权限过一遍。
再按语义相似度，知识点和时间衰减排序。
方案给的起点是，召回取前 8 条。
相似度卡 0.72，半衰期 30 天。
单次预算 1200 词元。
这些数字都要靠评测和灰度去调。
脱敏也写死了。
学生主键用不可逆哈希。
姓名，手机号，身份证号，住址，班级，一律不留。
遗忘预警的初始节奏，是 1，3，7，14，30 天。
掌握度低于 0.75，又快到期，才进候选。
方案还附了几样配套能力。
三层记忆，从短期会话到 90 天学情，再到学科公共库。
可视化输出，错题图谱，复习卡片，班级报表。
全流程质检，异常自动进重处理，还留审计日志。
还有一套定时编排。
每天巡检一次，每周汇总一次。
这些同样挂着待核验的标签。
和同类方案比，它主打四点。
第一，不用维护一份巨型提示词。
角色和流程靠配置生成，人只补行业规则。
第二，覆盖学习全链路。
从被动答疑，转成主动干预。
第三，权限隔离做得细。
每个操作都留一个追溯 ID。
第四，模块可以拆着用。
错题标注，对话压缩，遗忘预测。
换到职教，公考这些场景，接进去就行。
不过方案也承认。
和别的集群方案比成本，得做同口径实验。
不能拿现在的演示直接下结论。
跑分好看，效果待验证
它还列了一张待验证清单。
常规答疑，错题整理，进度规划的自动化率。
目标定在 80%。
重复辅导的工作量，目标降 70%。
同类错题的错误率，目标降 60%。
跨会话重复复述，目标降 90%。
每一项都写了验证要求。
要靠对照实验，报告真实工时。
不是一句感觉良好就算数。
最后的评测部分，写得最像论文。
建议的最低评测集也给了。
跨会话召回 500 条。
对话压缩 300 段。
错题标签 500 道。
遗忘预警 300 条。
对照组分三类。
无长期记忆的单智能体，固定规则的串行流程。
还有这次的 1 加 6 方案。
比的指标也很全。
记忆召回的命中率和排序质量。
错题标签的两个 F1。
摘要的事实一致性，还有压缩率。
遗忘预警的精确率和召回率。
外加端到端延迟，单次成本。
敏感信息的写入率，还有越权访问次数。
图省事只报成功案例，就说不清真实成本。
跑出来的实测值是这样的。
跨会话召回，前 8 条命中率到了 1.000。
对话压缩，平均压缩率 0.340，事实一致性 1.000。
错题标签，macro 和 micro 两个 F1 都是 0.920。
遗忘预警，精确率 0.923，召回率 0.889。
方案强调，这些是固定随机种子跑出来的。
数据，代码，参数，原始输出，都可复现。
仓库地址也一并给了。
说到底，这套 AI工具 想解决一件事。
让 AI 家教，别再做一次性的问答。
它能记住学生的短板。
也能在恰当的时候，把该复习的推回来。
至于教育效果能提多少。
方案自己说了，得等样本，基线和测试方法都定下来。
在那之前，它只能算一份设计稿。
哪怕是最强的 AI编程 助手，也替代不了这一步。
