Разработка AI-системы создания интерактивных симуляций для обучения

Разработка AI-интерактивных симуляций для обучения

AI-симуляции создают интерактивные сценарии, где обучаемый принимает решения в реалистичных ситуациях: переговоры с клиентом, медицинский приём, управление кризисом, продажи. AI-персонаж реагирует на действия ученика, создавая уникальный опыт каждый раз.

Архитектура симуляции диалога

from openai import AsyncOpenAI
from dataclasses import dataclass, field
from typing import Optional

client = AsyncOpenAI()

@dataclass
class SimulationCharacter:
    name: str
    role: str
    personality: str
    objectives: list[str]   # Что персонаж хочет добиться
    knowledge: str          # Что персонаж знает
    emotional_state: str = "neutral"
    secret_info: str = ""   # Информация, которую персонаж скрывает

@dataclass
class SimulationScenario:
    title: str
    learning_objectives: list[str]
    characters: list[SimulationCharacter]
    context: str
    success_criteria: list[str]
    difficulty: str = "medium"

@dataclass
class SimulationSession:
    scenario: SimulationScenario
    conversation_history: list[dict] = field(default_factory=list)
    score: float = 0.0
    attempts: int = 0
    feedback_notes: list[str] = field(default_factory=list)

class InteractiveSimulator:
    def __init__(self):
        self.client = AsyncOpenAI()

    async def create_character_response(
        self,
        session: SimulationSession,
        learner_input: str,
        character: SimulationCharacter
    ) -> dict:
        """Генерируем реалистичный ответ персонажа + оценку действий ученика"""
        system_prompt = f"""Ты — {character.name}, {character.role}.
        Личность: {character.personality}
        Твои цели в этой ситуации: {', '.join(character.objectives)}
        Контекст сценария: {session.scenario.context}
        Информация, которую ты знаешь: {character.knowledge}
        {'Скрытая информация (не раскрывать явно): ' + character.secret_info if character.secret_info else ''}
        Текущее эмоциональное состояние: {character.emotional_state}

        ВАЖНО:
        - Отвечай от лица персонажа, реалистично
        - Реагируй на тактику ученика: хорошие аргументы смягчают позицию, давление усиливает сопротивление
        - После ответа добавь блок [INSTRUCTOR_EVAL] с оценкой действий ученика (не показывается ему)

        Верни JSON: {{
            character_response: "ответ персонажа",
            emotional_state_change: "как изменилось настроение",
            instructor_eval: {{
                technique_used: "...", effective: true/false, score_delta: -5..+10, tip: "..."
            }}
        }}"""

        messages = [{"role": "system", "content": system_prompt}]

        # История диалога
        for turn in session.conversation_history[-10:]:  # последние 10 реплик
            messages.append({"role": turn["role"], "content": turn["content"]})

        messages.append({"role": "user", "content": learner_input})

        response = await self.client.chat.completions.create(
            model="gpt-4o",
            messages=messages,
            response_format={"type": "json_object"}
        )

        return json.loads(response.choices[0].message.content)

    async def evaluate_session(self, session: SimulationSession) -> dict:
        """Финальная оценка сессии симуляции"""
        response = await self.client.chat.completions.create(
            model="gpt-4o",
            messages=[{
                "role": "system",
                "content": f"""Оцени результаты обучающей симуляции.
                Цели обучения: {json.dumps(session.scenario.learning_objectives, ensure_ascii=False)}
                Критерии успеха: {json.dumps(session.scenario.success_criteria, ensure_ascii=False)}

                Проанализируй диалог и верни JSON:
                {{
                    overall_score: 0-100,
                    objectives_achieved: [{{"objective": "...", "achieved": true/false, "evidence": "..."}}],
                    strengths: ["..."],
                    areas_for_improvement: ["..."],
                    specific_feedback: "подробный разбор ключевых моментов",
                    recommended_practice: "что отработать дополнительно"
                }}"""
            }, {
                "role": "user",
                "content": f"История диалога:\n{json.dumps(session.conversation_history, ensure_ascii=False, indent=2)}"
            }],
            response_format={"type": "json_object"}
        )
        return json.loads(response.choices[0].message.content)

Готовые симуляции по нишам

SIMULATION_TEMPLATES = {
    "sales_objection_handling": SimulationScenario(
        title="Работа с возражениями: 'Дорого'",
        learning_objectives=["Выявить истинное возражение", "Обосновать ценность", "Предложить альтернативы"],
        characters=[SimulationCharacter(
            name="Михаил Иванов",
            role="Потенциальный клиент, руководитель отдела закупок",
            personality="Прагматичный, ценит конкретику, скептичен к продавцам",
            objectives=["Получить лучшую цену", "Убедиться в надёжности поставщика"],
            knowledge="Знает рынок, сравнивал с конкурентами",
            emotional_state="slightly_negative",
            secret_info="Бюджет есть, но хочет проверить, насколько продавец гибкий"
        )],
        context="Финальный этап переговоров по годовому контракту на IT-решение",
        success_criteria=["Выявил бюджетные ограничения", "Предложил ROI расчёт", "Не снизил цену более чем на 10%"]
    ),
    "medical_consultation": SimulationScenario(
        title="Первичный приём пациента с болью в спине",
        learning_objectives=["Собрать анамнез", "Провести дифференциальную диагностику", "Назначить обследование"],
        characters=[SimulationCharacter(
            name="Пациент: Елена Смирнова, 42 года",
            role="Пациент с болью в пояснице 2 недели",
            personality="Тревожная, много читала в интернете о диагнозах",
            objectives=["Получить конкретный диагноз", "Узнать, нужна ли операция"],
            knowledge="Боль усиливается при наклоне, есть онемение пальцев ноги",
            secret_info="Падала на работе, но стесняется сказать"
        )],
        context="Первичный приём у невролога в поликлинике",
        success_criteria=["Спросил о травмах", "Назначил МРТ", "Объяснил следующие шаги"]
    )
}

Адаптивная сложность

async def adjust_difficulty(
    session: SimulationSession,
    current_score: float
) -> str:
    """Адаптируем поведение персонажа под уровень ученика"""
    if current_score > 75:
        return "more_resistant"   # Персонаж жёстче
    elif current_score < 40:
        return "more_cooperative" # Персонаж мягче, даёт подсказки
    else:
        return "neutral"          # Стандартное поведение

Сроки: MVP симуляции с одним сценарием и AI-персонажем — 2–3 недели. Платформа с библиотекой сценариев, аналитикой и LMS-интеграцией — 2–3 месяца.