AI-тьютор: система индивидуального обучения
Персонализированное обучение — одна из наиболее сильных практических применений LLM. Традиционные курсы предполагают одинаковый темп и формат для всех; AI-тьютор адаптируется к уровню знаний, предпочтительному стилю объяснений, темпу усвоения и конкретным пробелам знаний каждого студента.
Архитектура AI-тьютора
from anthropic import Anthropic
from pydantic import BaseModel
from typing import Literal, Optional
import json
from datetime import datetime
client = Anthropic()
class StudentProfile(BaseModel):
student_id: str
subject: str
level: Literal["beginner", "intermediate", "advanced"]
learning_style: Literal["visual", "conceptual", "practical", "socratic"]
known_topics: list[str] = []
weak_topics: list[str] = []
session_count: int = 0
last_assessment_score: Optional[float] = None
class LearningSession(BaseModel):
session_id: str
student_id: str
topic: str
messages: list[dict] = []
quiz_results: list[dict] = []
started_at: datetime
class AITutor:
def __init__(self, subject: str, curriculum: dict):
self.subject = subject
self.curriculum = curriculum # {topic: {subtopics, prerequisites, content}}
def _build_system_prompt(self, profile: StudentProfile) -> str:
"""Формирует персонализированный system prompt"""
style_instructions = {
"visual": "Используй много примеров, аналогий, схем (текстовых). Структурируй информацию визуально через списки и таблицы.",
"conceptual": "Сначала объясняй концепцию целиком, потом детали. Связывай с другими концепциями.",
"practical": "Начинай с примера кода/задачи, потом объясняй почему. Давай практические упражнения.",
"socratic": "Задавай наводящие вопросы вместо прямых объяснений. Веди студента к пониманию через диалог.",
}
weak_topics_context = ""
if profile.weak_topics:
weak_topics_context = f"\nСтудент испытывает затруднения с: {', '.join(profile.weak_topics)}. Обращай особое внимание при связанных темах."
known_context = ""
if profile.known_topics:
known_context = f"\nСтудент уже хорошо знает: {', '.join(profile.known_topics[-5:])}. Можешь опираться на эти знания."
return f"""Ты — персональный тьютор по {self.subject}.
Уровень студента: {profile.level}
Стиль обучения: {style_instructions[profile.learning_style]}
{known_context}{weak_topics_context}
Правила:
- Никогда не давай ответ сразу на учебные вопросы — сначала проверь понимание наводящим вопросом
- Хвали за правильные ответы конкретно: "Правильно, именно потому что..."
- При ошибке — не говори "неправильно", спрашивай "А что если рассмотреть с другой стороны?"
- Адаптируй сложность объяснений к уровню {profile.level}
- После объяснения темы предлагай проверочный вопрос"""
def explain_topic(
self,
topic: str,
profile: StudentProfile,
session: LearningSession,
student_question: str = None,
) -> str:
"""Объясняет тему с учётом профиля студента"""
# Получаем материал по теме из учебной программы
topic_content = self.curriculum.get(topic, {})
messages = session.messages.copy()
if not messages:
# Первое сообщение в сессии
user_content = f"Давай изучим тему: {topic}"
if topic_content.get("prerequisites"):
user_content += f"\n(Предпосылки: {', '.join(topic_content['prerequisites'])})"
else:
user_content = student_question or "Продолжим"
messages.append({"role": "user", "content": user_content})
response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=2048,
system=self._build_system_prompt(profile),
messages=messages,
)
assistant_message = response.content[0].text
session.messages.append({"role": "user", "content": user_content})
session.messages.append({"role": "assistant", "content": assistant_message})
return assistant_message
def generate_quiz(self, topic: str, profile: StudentProfile, num_questions: int = 5) -> list[dict]:
"""Генерирует персонализированные вопросы для проверки знаний"""
response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=2048,
messages=[{
"role": "user",
"content": f"""Создай {num_questions} вопросов для проверки знания темы "{topic}".
Уровень студента: {profile.level}
Слабые места: {profile.weak_topics}
Верни JSON:
[{{
"question": "...",
"type": "multiple_choice|open|true_false",
"options": ["A: ...", "B: ...", "C: ...", "D: ..."] (для multiple_choice),
"correct_answer": "...",
"explanation": "Почему этот ответ правильный",
"difficulty": "easy|medium|hard"
}}]
Распредели сложность: {{"easy": 2, "medium": 2, "hard": 1}} для intermediate уровня."""
}]
)
text = response.content[0].text
start = text.find("[")
end = text.rfind("]") + 1
return json.loads(text[start:end])
def check_answer(
self,
question: dict,
student_answer: str,
profile: StudentProfile,
) -> dict:
"""Проверяет ответ и генерирует обратную связь"""
is_correct = student_answer.strip().lower() == question["correct_answer"].strip().lower()
if is_correct:
feedback = f"Верно! {question['explanation']}"
else:
# Генерируем персонализированное объяснение ошибки
response = client.messages.create(
model="claude-claude-haiku-4-5",
max_tokens=512,
messages=[{
"role": "user",
"content": f"""Студент ответил на вопрос неправильно.
Вопрос: {question['question']}
Правильный ответ: {question['correct_answer']}
Ответ студента: {student_answer}
Объяснение: {question['explanation']}
Уровень студента: {profile.level}
Напиши краткую, не унижающую обратную связь на 2-3 предложения, объясняющую почему правильный ответ верный."""
}]
)
feedback = response.content[0].text
return {
"is_correct": is_correct,
"feedback": feedback,
"correct_answer": question["correct_answer"],
}
def update_profile(self, profile: StudentProfile, quiz_results: list[dict]) -> StudentProfile:
"""Обновляет профиль студента на основе результатов"""
# Анализируем ошибки
errors_by_topic = {}
for result in quiz_results:
if not result.get("is_correct"):
topic = result.get("topic", "general")
errors_by_topic[topic] = errors_by_topic.get(topic, 0) + 1
# Обновляем слабые темы
new_weak = [topic for topic, errors in errors_by_topic.items() if errors >= 2]
profile.weak_topics = list(set(profile.weak_topics + new_weak))[-10:] # Максимум 10
# Обновляем скор
correct_count = sum(1 for r in quiz_results if r.get("is_correct"))
profile.last_assessment_score = correct_count / len(quiz_results) if quiz_results else None
# Если скор > 80% — предлагаем переход на следующий уровень
if profile.last_assessment_score and profile.last_assessment_score > 0.8:
if profile.level == "beginner":
profile.level = "intermediate"
elif profile.level == "intermediate":
profile.level = "advanced"
return profile
Адаптивный учебный путь
class AdaptiveLearningPath:
"""Строит и корректирует учебный путь под студента"""
def generate_path(self, goal: str, profile: StudentProfile, curriculum: dict) -> list[str]:
"""Генерирует последовательность тем для достижения цели"""
response = client.messages.create(
model="claude-sonnet-4-5",
max_tokens=1024,
messages=[{
"role": "user",
"content": f"""Составь учебный путь.
Цель студента: {goal}
Уровень: {profile.level}
Уже знает: {profile.known_topics}
Учебная программа (доступные темы): {list(curriculum.keys())}
Верни JSON: {{"topics": ["topic1", "topic2", ...], "estimated_weeks": <число>}}
Порядок от простого к сложному, с учётом уже изученных тем."""
}]
)
text = response.content[0].text
start = text.find("{")
end = text.rfind("}") + 1
return json.loads(text[start:end])
Практический кейс: онлайн-курс программирования
Контекст: EdTech платформа, курс Python для начинающих, 2400 студентов. Проблемы: 68% дропаут rate, студенты застревают на разных темах, один ментор не справлялся.
Внедрение AI-тьютора:
- Персональный профиль для каждого студента
- Адаптивные объяснения (4 стиля обучения)
- Автоматические квизы после каждой темы
- Обновление профиля по ошибкам
Результаты за 3 месяца:
- Дропаут rate: 68% → 41%
- Среднее время на тему: 45 мин → 28 мин (студенты получали нужный формат сразу)
- NPS платформы: 34 → 67
- Средний скор финального теста: 63% → 78%
Ключевое наблюдение: студенты с "socratic" стилем обучения показали наибольший рост — вопросно-ответный формат удерживал вовлечённость лучше пассивного чтения.
Сроки
- Базовый тьютор (объяснение + квиз): 3–5 дней
- Персонализированный профиль + адаптивный контент: 2 недели
- Адаптивный учебный путь + обновление профиля: 1 неделя
- Полная система с дашбордом прогресса: 4–6 недель