课程规划助手¶

项目背景与目标¶

终身学习时代，学习路径选择成为难题：信息过载、课程质量参差、个人目标与课程匹配度低。学习者常陷入"收藏即学会"的困境，缺乏系统规划。课程规划助手通过评估学习者能力与目标，生成个性化学习路径，推荐优质课程资源，并动态调整计划，提升学习效率与完成率。

本项目目标是构建一个课程规划 Agent，输入学习目标（如转行数据分析师、备考 PMP、学英语），输出能力评估、阶段目标、课程组合、时间安排、里程碑节点。

需求分析¶

核心能力： 1. 能力评估：诊断学习者当前水平（知识/技能/经验） 2. 目标拆解：将大目标拆解为可量化阶段目标 3. 课程匹配：从课程库推荐匹配的课程与资源 4. 路径生成：按依赖关系与时间安排生成学习路径 5. 动态调整：根据进度与反馈调整计划 6. 进度追踪：里程碑提醒、完成度统计

输入信息：学习目标、当前基础、可用时间、预算、偏好（视频/书籍/实战）。

技术选型说明¶

模块	技术方案	选型理由
Agent 框架	LangGraph	规划流程多步骤
能力评估	测试题 + 自评模型	客观+主观结合
课程库	结构化 + 向量检索	多维度匹配
LLM	Qwen-Max	路径生成与建议
知识图谱	Neo4j	技能依赖关系
推荐算法	内容过滤 + 协同	个性化课程推荐
后端	FastAPI	交互式规划
数据库	PostgreSQL	学习计划存储

架构设计¶

flowchart TD
    U[学习者] --> GOAL[输入目标与基础]
    GOAL --> ASSESS[能力评估]
    ASSESS --> TEST[在线测试]
    ASSESS --> SELF[自评问卷]
    TEST --> PROFILE[能力画像]
    SELF --> PROFILE
    PROFILE --> BREAK[目标拆解]
    BREAK --> KG[(技能图谱)]
    BREAK --> STAGES[阶段目标]
    STAGES --> MATCH[课程匹配]
    MATCH --> COURSE[(课程库)]
    MATCH --> REC[推荐课程]
    REC --> PATH[学习路径生成]
    PATH --> TRACK[进度追踪]
    TRACK --> ADJUST[动态调整]

关键模块实现思路¶

模块1：能力评估¶

能力评估采用"自评 + 测试"双轨。自评问卷快速定位大致水平（如编程：从未接触/能写简单脚本/能独立开发项目），再针对自评结果推送 5-10 道测试题精确定位。

def assess_level(goal, self_report):
    rough_level = map_self_report(self_report)  # L1-L5
    test_questions = select_questions(goal, rough_level)
    test_result = administer_test(test_questions)
    final_level = bayesian_update(rough_level, test_result)
    return {"level": final_level, "strengths": ..., "gaps": ...}

输出能力画像：已具备技能、待提升技能、缺失技能，对照目标岗位要求分析差距。

模块2：目标拆解与技能图谱¶

大目标（如"成为数据分析师"）拆解为技能树：硬技能（SQL/Python/统计/可视化/机器学习）、软技能（沟通/业务理解）、工具（Tableau/Excel）。技能图谱建模技能间依赖关系（如"机器学习"依赖"统计学"+"Python"）。

SKILL_GRAPH = {
    "数据分析师": ["SQL", "Python", "统计", "可视化", "业务"],
    "Python": ["基础语法", "Pandas", "数据结构"],
    "机器学习": ["统计", "Python", "线性代数"]
}

按依赖拓扑排序生成学习顺序，避免"还没学统计就学机器学习"。

模块3：课程匹配与推荐¶

课程库结构化标注：课程覆盖的技能点、难度等级、时长、价格、评分、形式（视频/书籍/实战项目）。匹配时多维过滤：技能点匹配、难度适配、形式偏好、预算约束。

推荐排序综合考虑：课程评分、与目标匹配度、难度适配度、学习者偏好。协同过滤补充："学过相同目标的人还学了什么"。

def recommend_courses(skill, level, preferences):
    candidates = vector_search(skill, course_db, top_k=20)
    filtered = [c for c in candidates if c.difficulty == level
                and c.format in preferences.formats
                and c.price <= preferences.budget]
    return rank_by_score(filtered, preferences)

模块4：学习路径生成与动态调整¶

路径生成输出甘特图式计划：每周学什么课程、做什么练习、达到什么里程碑。考虑学习者可用时间（如每周 10 小时），合理排期避免过载。

def generate_plan(skills_to_learn, weekly_hours, courses):
    plan = []
    for skill in topological_sort(skills_to_learn):
        course = match_course(skill, courses)
        weeks = estimate_weeks(course, weekly_hours)
        plan.append({"skill": skill, "course": course, "weeks": weeks,
                     "milestone": define_milestone(skill)})
    return plan

动态调整：学习者反馈"这周没时间"→ 顺延计划；"这部分已会"→ 跳过并测试验证；"太难了"→ 插入前置课程。调整后重新生成后续计划。

核心流程详解¶

首次规划流程： 1. 学习者输入目标 + 基础信息 2. 能力评估：自评 → 测试 → 生成能力画像 3. 目标拆解：技能图谱 + 差距分析 4. 课程匹配：每个技能推荐 2-3 门候选课程 5. 路径生成：按依赖与时间排期 6. 输出学习计划（含里程碑与时间表）

执行与调整流程： 1. 每周推送学习任务 2. 学习者标记完成度与反馈 3. 里程碑测试验证掌握度 4. 未达标 → 插入巩固练习 5. 超前完成 → 解锁后续内容 6. 月度复盘：进度报告 + 计划微调

部署与优化建议¶

课程库维护：定期更新课程信息，淘汰下架课程
多源整合：接入 Coursera、网易云课堂、B 站等平台课程
社区智慧：聚合学习者评价与路径分享，丰富推荐依据
提醒适度：避免过度推送，关键里程碑才强提醒
目标灵活性：支持目标变更，路径平滑迁移

常见问题与解决方案¶

问题	原因	解决方案
课程质量参差	来源杂	评分过滤 + 权威平台优先
计划脱离实际	时间估计乐观	留缓冲期 + 动态调整
学习者放弃	缺乏激励	里程碑奖励 + 社区打卡
技能图谱不全	新兴领域	LLM 辅助生成 + 人工审核

扩展方向¶

职业规划联动：基于岗位需求变化动态调整技能优先级
学习社区：同目标学习者组队互助
实战项目推荐：课程配套项目强化应用
证书备考规划：PMP、CFA 等考证路径专项规划