多智能体架构概述
侧伴的核心创新是多智能体系统（Multi-Agent System）。不同于传统的单一AI助手，侧伴包含多个角色智能体，模拟真实课堂的复杂情境。
为什么需要多智能体？
单智能体的局限
传统AI助手（如ChatGPT）是单智能体：
- 只有一种角色（问答者）
- 无法模拟课堂多人互动
- 用户只能被动接收
多智能体的优势
侧伴的多智能体：
- 多种角色：教师、同学、辩论者
- 多人互动：模拟真实课堂讨论
- 主动参与：用户深度参与互动
三类核心智能体
教师智能体
角色定位：专业、权威、耐心
核心能力：
- 讲解知识点（分章节、渐进式）
- 回答问题（即时答疑）
- 提供例题（巩固理解）
- 调整节奏（根据用户反馈）
教学方法：采用苏格拉底式教学，通过提问引导思考，而非简单灌输。
同学智能体
角色定位：好奇、活跃、友善
核心能力：
- 提出问题（激发讨论）
- 参与讨论（碰撞观点）
- 协作学习（模拟同伴）
- 鼓励支持（情感陪伴）
设计理念：研究表明，社会性学习效果更好。AI同学解决了在线学习「没人陪伴」的问题。
辩论智能体
角色定位：批判、质疑、逻辑严密
核心能力：
- 提出反对观点
- 逻辑反驳
- 证据质疑
- 激发深度思考
触发场景：涉及争议话题时，辩论智能体参与圆桌辩论。
协作决策机制
任务分配
当用户开始学习时，系统会：
- 解析文档内容
- 识别适合讲解的知识点 → 分配给教师智能体
- 识别适合讨论的话题 → 分配给同学智能体
- 识别争议点 → 分配给辩论智能体
信息共享
智能体之间共享课堂状态：
- 当前讲解进度
- 用户理解程度（基于回答正确率）
- 用户情绪反馈
冲突协调
当智能体意见冲突时：
- 辩论场景：保持对立，激发思考
- 教学场景：教师智能体权威决策
- 协作场景：民主讨论，用户参与决策
LLM驱动机制
大语言模型
每个智能体都由大语言模型（LLM）驱动：
- 自然语言理解：理解用户问题、文档内容
- 自然语言生成：生成讲解、提问、回答
- 上下文记忆：记住对话历史，保持连贯性
角色扮演
通过Prompt Engineering实现角色扮演：
- 教师智能体：「你是专业、权威、耐心的AI教师...」
- 同学智能体：「你是好奇、活跃、友善的AI同学...」
- 辩论智能体：「你是批判、质疑、逻辑严密的辩论者...」
技术实现
架构设计
- Agent Manager：管理所有智能体生命周期
- Task Dispatcher：任务分配调度器
- Context Sharing：共享上下文存储
- Conflict Resolver：冲突协调器
数据流
- 用户上传文档
- 系统解析文档 → 提取知识点
- Agent Manager初始化三类智能体
- Task Dispatcher分配任务
- 智能体执行任务，生成内容
- Context Sharing更新状态
- 用户接收内容，提供反馈
- 智能体根据反馈调整行为
白板生成算法
白板绘图由可视化生成算法完成：
- 识别适合可视化的知识点（流程、结构、关系）
- 生成图表类型决策（流程图/概念图/树形图）
- 调用绘图引擎渲染
- 同步展示到虚拟白板
语音合成技术
语音讲解采用语音合成（TTS）：
- LLM生成讲解文本
- TTS引擎转换为语音
- 不同智能体使用不同语音风格
- 实时语音流播放
开源实现
侧伴的架构已开源，地址：GitHub: OpenMAIC
开发者可以：
- 查看详细架构设计
- 理解协作决策机制
- 贡献新的智能体角色
- 优化LLM调用策略
总结
多智能体架构是侧伴的核心创新，让AI教育从「单一问答」进化到「多角色互动」，真正模拟真实课堂的学习体验。
技术驱动，让学习更智能。
