★ FEATURED ARTICLE 同一个 PromptOpenMAIC 与裸调大模型各生成一门课差距在哪【免费下载链接】OpenMAICOpen Multi-Agent Interactive Classroom — Get an immersive, multi-agent learning experience in just one click项目地址: https://gitcode.com/GitHub_Trending/op/OpenMAIC把同一句话——帮我生成一门《Python 入门》课——分别丢给一个裸调的大模型和 OpenMAIC你会得到两种完全不同的东西前者大概率吐出一段结构松散的文字大纲或几页 Markdown 讲义后者则端出一门可以逐页播放、随时提问、能画白板、能做测验的互动课堂。两者用的是同一个模型能力差距却几乎是文档与产品的差距。这篇文章不讨论谁更聪明而是从源码层面拆解多智能体编排到底为一次 Prompt 补齐了什么才让生成一门课从口号变成可交付的工程。一、实验设计同一条 Prompt两条生成路径对比的基线很清晰。裸调路径是一次对话模型把课程理解压进一条回复里结构、深度、互动全靠临场发挥OpenMAIC 路径则是一套两阶段生成管道把课程拆成可校验、可重试、可组合的结构化产物。第一阶段是场景大纲。核心入口在 outline-generator.ts 的generateSceneOutlinesFromRequirements由提示词模板 requirements-to-outlines/system.md 驱动。模型的任务不是讲一堂课而是产出一个严格受 schema 约束的 JSON 对象courseTitle≤30 字符、languageDirective语言推断规则默认要求语言即教学语言外语学习则用学习者母语讲授、以及一组outlines。每个 outline 必须是slide、quiz、interactive、pbl四种类型之一且携带keyPoints、quizConfig、widgetType等强制字段——模板里甚至写死了配额每 3-5 页插入一次测验interactive 全课限 1-2 个PBL 至多 1 个、时长 15-30 分钟。第二阶段是场景内容与教学动作。scene-generator.ts 对每个 outline 再发起两次独立的 LLM 调用generateSceneContent生成页面级内容文字、图表、公式、测验题generateSceneActions生成教学动作序列讲解、聚焦、讨论。服务端把整条流水线串起来见 classroom-generation.tsresearching → generating_outlines → generating_scenes → generating_media → generating_tts → persisting每步都有进度回调和失败兜底。同一个 Prompt 在这条路径里被分解成大纲、内容、动作、媒体、配音五类任务各自独立校验、独立重试——这是裸调单次对话天然不具备的能力。二、三维对比结构、互动与深度结构完整性从一坨文本到可编排的场景图裸调输出的课程通常是一份线性讲义讲到哪里、讲多久、哪里设考点全无约束。OpenMAIC 的第一层增量是把课程强行结构化为有边界的场景序列大纲模板为每个场景规定了时长普通场景 1-3 分钟、教学目的、核心要点并要求按教学节奏排布场景顺序、在合适位置插入测验。更关键的是内容与动作分离的双次生成。以幻灯片为例generateSceneContent产出的是携带坐标与样式的元素列表文本、图表、公式、图片generateSceneActions再依据元素列表生成 spotlight/laser 聚焦动作与口播文本的交错序列——动作必须引用真实存在的elementId模板明确要求must be selected from the provided element list。这意味着课程不只是内容对还必须是讲法对先聚焦哪个元素、再说什么话、哪里停下来提问都被编排成可执行的节奏。裸调模型给你一段文字OpenMAIC 给你一份带导演脚本的课件。互动性从单向输出到可点击、可推演结构只是骨架互动才是 OpenMAIC 与普通 AI 讲义拉开差距的第二层。大纲阶段模型就要为 interactive 场景选定 widget 类型simulation/diagram/code/game/visualization3d并给出widgetOutline这些场景会被渲染成自包含的交互页面学生可以拖动参数观察物理现象、改代码看运行结果。课堂内的互动则由动作引擎承担slide-actions模板定义了 spotlight、laser、play_video、discussion 等教学动作而多智能体运行时还叠加了一层白板系统。在 prompt-builder.ts 生成的 agent 系统提示词里模型被允许调用wb_draw_latex画公式、wb_draw_chart画数据图表、wb_draw_table画表格、wb_draw_code演示代码且要求边说边画——动作与口播文本可以在 JSON 数组里自由交错。这些白板动作会写入 ledger见 types.ts 的WhiteboardActionRecord供编排器感知白板上已经画了什么、谁画的、是否拥挤进而决定下一位发言者该补充内容还是整理白板。内容深度从泛泛而谈到有评分标准的设计裸调模型生成的测验通常是几道凭感觉编的选择题没有解析、没有分值、没有评分标准。OpenMAIC 的测验生成模板 quiz-content/system.md 则把出题规范写成了强制契约每道题必须带analysis判分后展示的解析和points按难度赋分简答题必须附commentPrompt——结构化的评分 rubric例如关键点 A 占 40%、关键点 B 占 30%、表达清晰度占 30%选项的value被限定为 A-Z 枚举label才是学生读到的文本二者严禁混用。这意味着生成的课程自带可判分的闭环学生答完能拿到带解析的反馈而不是一堆没有答案的题目。内容深度还体现在教师人格的注入上。课程生成时formatTeacherPersonaForPrompt会把教师 agent 的 persona 拼进场景内容提示词让讲授风格与课程气质一致PBL 场景则走独立的规划器pbl/planner-single-call.ts产出含项目主题、目标技能、待解决议题的完整项目式学习模块。深度不是靠一次对话碰运气而是靠多轮、分角色的提示词工程固化出来的。三、多智能体编排的真实增量如果两阶段管道解决了内容问题多智能体编排解决的则是教与学的问题——这也是同一个 Prompt差距最直观的部分。编排器谁先说话、谁接话、何时结束运行时核心在 director-graph.ts基于 LangGraph 的StateGraph构建拓扑是START → director → agent_generate → END每轮请求最多跑一次 director→agent 循环多轮讨论由客户端串行驱动。director 节点决定下一位谁发言其提示词 director/system.md 里写满了路由策略教师最高优先级通常先回应学生提问禁止连续派发同一角色已充分讲解过的概念不得再让另一位 agent 重复解释而应改派提问、质疑、补充视角或记笔记的角色白板拥挤时优先派发会整理白板的 agent只要学生的直接提问尚未被实质性回答就不得输出 END——模板甚至识别答非所问我没听懂这类挫败信号作为问题未解决的硬证据。这是一个用规则约束 LLM 判断的调度器把课堂节奏变成了可治理的状态机。角色约束让老师像老师、学生像学生多智能体的第二层增量是角色化的发言约束。prompt-builder.ts 为每个角色注入不同的行为准则与长度上限教师的发言总量控制在约 100 字符、以提问促思考助教约 80 字符、只补一个角度学生约 50 字符、1-2 句话、被明确警告回复若和老师一样长就是搞错了。同时所有 agent 必须输出结构化 JSON 数组text与action交错且禁止宣布动作——比如不能说我来打开白板只能直接执行动作并自然口播。更深的约束在于上下文治理。每位 agent 看到的不是全部历史而是经过 conversation-summary.ts 摘要压缩、按角色重映射其他 agent 的消息映射为 user 角色、叠加虚拟白板状态与同轮已发言者预览peer-context的裁剪后上下文。这直接回答了社区里反复讨论的上下文爆炸问题裸调模型在一个超长对话里会逐渐忘记人设、立场漂移而编排器通过持续的摘要与状态注入把每个角色的记忆保持在受控范围。工程化增量可观测、可重试、可恢复编排带来的第三层增量是工程属性。大纲生成走 SSE 流式scene-outlines-stream/route.ts带 15 秒心跳保活、512KB 累积缓冲上限、同模型重试与备用模型 fallback场景内容生成有withGenerationRetry重试白板 ledger 和 agent 回复摘要AgentTurnSummary随请求在轮次间传递即使某一轮失败也能从已记录的状态恢复。多智能体不是并行调多个模型那么简单而是一整套调度 约束 记忆 兜底的运行环境。差距的本质约束即产品回到最初的问题。裸调大模型与 OpenMAIC 用的是同一批模型差距不在聪明程度而在把自由输出约束成结构化产品的工程能力大纲 schema 约束结构完整性widget 与动作引擎约束互动性出题契约与评分标准约束内容深度编排器与角色提示词约束教与学的节奏流式、重试与状态摘要约束可靠性。OpenMAIC 把一条 Prompt从一次性的自由对话升级为一条可校验、可重试、可观测的课程生产线——这或许正是教育工业化在开源社区里最扎实的一次落地。【免费下载链接】OpenMAICOpen Multi-Agent Interactive Classroom — Get an immersive, multi-agent learning experience in just one click项目地址: https://gitcode.com/GitHub_Trending/op/OpenMAIC创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
阅读完成 · 觉得有帮助？
