ExpertAgent: персонализированный AI-преподаватель с отслеживанием прогресса

ПОДГОТОВКА (один раз):
- Загрузить учебники/документы → разбить на фрагменты → создать vector database

ОСНОВНОЙ ЦИКЛ (повторяется):
ШАГ 1: Студент → Вопрос/Ответ на квиз
↓
ШАГ 2: RAG → Найти релевантные куски из учебников
↓
ШАГ 3: LLM + CoT → Сгенерировать объяснение с пошаговой логикой + источники
↓
ШАГ 4: Обновить Student Model → Записать прогресс, ошибки, слабые места
↓
ШАГ 5: Dynamic Planning → Подобрать следующую тему/квиз на основе профиля
↓
Повтор цикла

Задача: Вы готовитесь к сессии по микроэкономике. Хотите, чтобы AI не просто отвечал на вопросы, а планировал ваше обучение, видел где вы слабы, и давал проверенную информацию из учебника Мэнкью.

Промпт (упрощённая концепция для чата):

Ты — мой персональный преподаватель по микроэкономике.

ЗАДАЧА:
1. Веди мой learning profile в структуре:
 - Изученные темы: [список]
 - Сильные стороны: [концепции которые понял хорошо]
 - Слабые места: [где ошибаюсь]
 - Текущий уровень: [начинающий/средний/продвинутый]

2. Для каждого ответа:
 - Объясни пошагово (Chain-of-Thought)
 - Укажи откуда информация (глава учебника/источник)
 - После ответа обнови мой профиль

3. Планируй следующий шаг:
 - Если тема освоена → переходи к следующей
 - Если есть ошибки → дай практику на слабое место
 - Предлагай quiz для закрепления

УЧЕБНЫЕ МАТЕРИАЛЫ:
[Прикрепить PDF учебника Мэнкью или другие источники]

ТЕКУЩИЙ ЗАПРОС:
Объясни почему кривая спроса имеет отрицательный наклон?

Результат:

Модель даст:

1. Пошаговое объяснение с CoT: закон спроса → эффект дохода → эффект замещения
2. Ссылку на источник: "Мэнкью, глава 4, стр. 67-69"
3. Обновление профиля: "Изучено: закон спроса. Понял хорошо: базовая концепция. Требует повторения: различие эффекта дохода и замещения"
4. Планирование: "Следующий шаг: quiz на 5 вопросов по закону спроса. Потом перейдём к эластичности"

Слабость LLM: Модели не помнят ваш прогресс между сессиями, не видят паттернов в ошибках, часто галлюцинируют факты вместо того чтобы опираться на учебники.

Сильная сторона LLM: Умеют генерировать понятные объяснения, если дать им контекст из проверенных источников. Умеют следовать структурированным инструкциям для отслеживания состояния.

Как метод использует это:

1. RAG grounding — каждое объяснение строится на основе фрагментов из учебников, не на вероятностях модели. Это снижает галлюцинации.
2. Student model в чате — вы явно просите модель вести ваш профиль в структурированном виде. Модель "помнит" через явные инструкции записывать и использовать профиль.
3. Динамическое планирование — вместо вопрос-ответ модель берёт на себя роль преподавателя: анализирует ваш профиль и предлагает следующий шаг.

Рычаги управления промптом:

• Глубина профиля: можете добавить "эмоциональное состояние" или "предпочитаемый стиль обучения" в student model
• Частота обновлений: "обновляй профиль после каждого ответа" vs "обновляй раз в 5 сообщений"
• Стиль планирования: "планируй линейно (тема за темой)" vs "планируй по слабым местам (drill на ошибках)"
• Формат квизов: "5 вопросов с множественным выбором" vs "2 задачи с развёрнутым ответом"

Ты — персональный преподаватель по {предмет}.

ТВОЯ РОЛЬ:
1. Веди мой learning profile:
 - Изученные темы: {список тем}
 - Сильные стороны: {концепции понятые хорошо}
 - Слабые места: {где ошибаюсь}
 - Текущий уровень: {начинающий/средний/продвинутый}

2. Для каждого ответа:
 - Объясни пошагово (Chain-of-Thought)
 - Укажи источник (если используешь загруженные материалы)
 - Обнови мой профиль в конце

3. Планируй следующий шаг обучения:
 - Если тема освоена → предложи следующую
 - Если есть пробелы → дай практику на слабое место
 - Периодически давай quiz для закрепления

УЧЕБНЫЕ МАТЕРИАЛЫ:
{прикрепить PDF учебников или документов}

ФОРМАТ ОТВЕТА:
**Объяснение:**
[Пошаговое объяснение с CoT]

**Источник:**
[Откуда информация]

**Обновление профиля:**
- Изучено: [что понял из этого ответа]
- Освоено: [что понял хорошо]
- Требует повторения: [где видны пробелы]

**Следующий шаг:**
[Что делать дальше: новая тема / quiz / практика]

ТЕКУЩИЙ ЗАПРОС:
{твой вопрос или ответ на задачу}

Заполни плейсхолдеры:

• {предмет} — область обучения (микроэкономика, программирование Python, английский язык)
• {список тем} — начальный список тем курса (опционально)
• {начинающий/средний/продвинутый} — твой стартовый уровень
• {твой вопрос} — конкретный вопрос или задача

🚀 Быстрый старт — вставь в чат:

Вот шаблон персонального AI-преподавателя. Адаптируй под мою задачу: [твоя область обучения]. 
Задавай вопросы, чтобы настроить профиль и начать.

[вставить шаблон выше]

LLM спросит о твоём уровне, целях обучения и стиле (теория vs практика). Она возьмёт структуру student model и начнёт отслеживать прогресс с первого же ответа.

⚠️ Ручное ведение профиля: В обычном чате ChatGPT/Claude модель "забывает" student profile между сессиями или при длинном диалоге. Нужно либо явно копировать профиль в начало новой сессии, либо использовать "Memory" (в ChatGPT) / Projects (в Claude).

⚠️ RAG требует загрузку материалов: Чтобы модель опиралась на учебники, нужно загружать PDF. В ChatGPT/Claude это работает, но каждый раз при новом чате нужно re-upload или держать материалы в Project.

⚠️ Автоматизация планирования слабая: В полноценной системе ExpertAgent планирование автоматическое. В чате модель предложит следующий шаг, но ТЫ должен сказать "давай quiz" или "переходи к следующей теме". Нет proactive push notifications.

⚠️ Нет визуализации Knowledge Map: Система показывает граф связей между темами с цветовой маркировкой (синий = не трогал, жёлтый = учу, зелёный = освоил, красный = слабо). В чате можно попросить нарисовать текстовую схему, но это не интерактивный граф.

Исследователи построили полноценную веб-систему с интерфейсом, состоящую из трёх модулей:

1. Interactive Learning — чат с RAG: студент задаёт вопрос → система ищет релевантные куски из загруженных учебников → LLM генерирует ответ с CoT и ссылками на источники.
2. Track My Progress — dashboard с:
   • Knowledge Map (граф связей между темами с цветовой маркировкой mastery level)
   • Quiz с автоматической проверкой
   • Рекомендации для повторения на основе слабых мест
3. Document Management — загрузка учебников → разбиение на чанки → создание vector embeddings для RAG.

Провели внутреннее тестирование с волонтёрами по модели User Acceptance Model (4 категории):

• Performance Expectancy (4.33/5) — пользователи считают что система улучшает эффективность обучения
• Effort Expectancy (4.22/5) — система проста в использовании
• Facilitating Conditions (4.22/5) — достаточно поддержки и ресурсов для работы
• Social Influence (2.78/5) — низкий показатель: внешние факторы (рекомендации коллег, поддержка организации) слабо влияют на adoption

Почему эти результаты: Система хорошо работает индивидуально (high performance, low effort), но плохо масштабируется социально (нет viral effect, нет organizational buy-in). Это типично для образовательных AI-систем — они эффективны для мотивированных одиночек, но не становятся частью групповой практики без институциональной поддержки.

Исследование показало что интеграция трёх компонентов (RAG + student model + dynamic planning) даёт синергию: каждый компонент по отдельности известен, но совместная работа создаёт персонализированный learning loop который адаптируется к студенту в реальном времени.

💡 Адаптация для саморазвития:

Вместо академического курса используйте этот паттерн для личного развития — чтения книг, изучения навыков, карьерного роста.

Пример — чтение нон-фикшн:

Ты — мой reading coach.

ЗАДАЧА:
1. Веди мой reading profile:
 - Прочитанные главы: [список]
 - Ключевые инсайты: [что запомнил]
 - Вопросы для размышления: [что непонятно]
 - Action items: [что применить в жизни]

2. После каждой главы:
 - Задай 3 вопроса на понимание
 - Помоги сформулировать главный takeaway
 - Предложи как связать с прошлыми инсайтами
 - Обнови профиль

3. Планируй следующее чтение:
 - Если глава усвоена → следующая
 - Если есть непонятные моменты → дай дополнительные примеры
 - Периодически делай recap всей книги

КНИГА:
[Прикрепить PDF или назвать книгу]

ТЕКУЩАЯ ГЛАВА:
Глава 3: "Привычки как процесс, а не результат"

Модель будет вести reading journal, задавать Socratic questions и помогать интегрировать знания из книги в вашу картину мира.

🔧 Техника: Knowledge Map в текстовом виде

В оригинальной системе есть визуальный граф. В чате можно попросить:

После обновления профиля создавай текстовую Knowledge Map в формате:

ТЕМА: Закон спроса
├─ Изучено: ✅ Базовая концепция
├─ Требует повторения: ⚠️ Эффект дохода vs эффект замещения
└─ Связано с:
 ├─ → Эластичность (следующая тема)
 └─ → Кривая предложения (параллельная тема)

Обозначения:
✅ — освоено хорошо
⚠️ — требует повторения
❌ — не понял / много ошибок
⏸️ — ещё не трогал

Это даёт quick visual scan вашего прогресса в текстовом формате.

Название работы: "ExpertAgent: Enhancing Personalized Education through Dynamic Planning and Retrieval-Augmented Long-Chain Reasoning"

Авторы: Binrong Zhu, Guiran Liu (San Francisco State University), Nina Jiang (Louisiana State University)

Ключевые концепции из работы:

• Retrieval-Augmented Generation (RAG) для grounding в учебных материалах
• Chain-of-Thought (CoT) reasoning для прозрачности объяснений
• Dynamic Student Modeling для tracking прогресса
• Bidirectional teaching-learning feedback loop