LazyLLM端到端实战：用RAG+Agent实现自动出题与学习计划的个性化学习助手智能体

1. 为什么做这个学习助手Agent？

最近，我在写一本关于Git和开源的技术书，这本书未来有个推广方向，就是面向高校作为教材使用。所以我需要在每一章结束在之后，设计若干道练习题，然后还需要为这本书编写配套的PPT以及学习计划，作为授课老师的参考资料。基于我在Git实际操作管理方面积累的经验以及参与各类开源项目竞赛的经历，书稿本身的撰写过程相对顺利，目前也已经完成了几个章节内容的编写。

真正的挑战在于如何通过精心设计的习题和学习计划，确保为读者提供最优质的学习体验，从而最大化地发挥这本书的价值。在这方面，我投入了大量的时间和精力。为了提高效率，我调研了一些AI Agent，希望通过AI辅助完成这部分工作。经过多方比较，最终我使用LazyLLM制作了一个专属的学习助手Agent，这个Agent可以基于我提供的书稿内容，为我快速并且高质量的完成出题和学习计划的规划任务，让我的写书之旅变的更加高效。

2. 快速认识LazyLLM

2.1 LazyLLM简介

LazyLLM是商汤科技推出的一款开源低代码大模型应用开发框架。该框架采用模块化设计理念，极大地简化了应用程序的开发流程，使开发者能够以最少仅需10行代码即可迅速构建出复杂的多智能体系统，如例如机器人、检索增强生成（RAG）和多模态应用。

此外，LazyLLM还支持通过统一接口调用在线服务如ChatGPT或本地部署的模型例如LightLLM，并且具备数据流管理及模型微调功能。一旦完成了智能体应用的组装，用户可以利用其提供的轻量化网关轻松地将其一键部署到诸如Web页面、企业微信等多种终端平台上，同时保证了对Windows/Linux操作系统以及不同类型计算资源的良好兼容性。

2.2 为什么选择LazyLLM

在LazyLLM中基于检索增强生成（RAG）开发检索应用，为我的技术书籍编写项目带来了显著的优势。首先，RAG方法巧妙地结合了检索和生成模型，能够极大地提升模型对上下文的理解能力，从而使得生成的回答不仅更加准确、相关，而且富有深度。这对于设计高质量的练习题和学习计划至关重要。

同时，LazyLLM还可以灵活的调整模型，可以根据Agent的实际表现进行动态的调整，使其灵活适应不同的场景。这种强大的检索能力和高度的灵活性，使LazyLLM成为我写书过程中的理想辅助工具。通过使用LazyLLM创建的学习助手Agent，我可以高效且高质量地完成出题及学习计划的制定工作，极大地提高了我的效率，使得我能够将更多的精力专注于书稿内容的撰写上。

3. 五分钟上手LazyLLM

得益于高度模块化封装和极简架构的设计，LazyLLM使用起来是非常简单的：

• 一条命令搭建开发环境：

pip3 install lazyllm

• 环境变量动态配置模型供应商：

export LAZYLLM_SENSENOVA_API_KEY=sk-******

• 3行代码搭建聊天机器人：

import lazyllm
chat = lazyllm.OnlineChatModule()
lazyllm.WebModule(chat, port=23333).start().wait()

• 10行代码搭建RAG Agent：

import lazyllm
# 文档加载
documents = lazyllm.Document(dataset_path="/content/docs")
# 检索组件定义
retriever = lazyllm.Retriever(doc=documents, group_name="CoarseChunk", similarity="bm25_chinese", topk=3) 
# 生成组件定义
llm = lazyllm.OnlineChatModule(source="sensenova", model="SenseChat-5-1202")
# prompt 设计
prompt = 'You will act as an AI question-answering assistant and complete a dialogue task. In this task, you need to provide your answers based on the given context and questions.'
llm.prompt(lazyllm.ChatPrompter(instruction=prompt, extra_keys=['context_str']))
# 推理
query = "为我介绍下玉山箭竹"    
# 将Retriever组件召回的节点全部存储到列表doc_node_list中
doc_node_list = retriever(query=query)
# 将query和召回节点中的内容组成dict，作为大模型的输入
res = llm({"query": query, "context_str": "".join([node.get_content() for node in doc_node_list])})
print(f'With RAG Answer: {res}')

关于LazyLLM的搭建步骤、使用方法、参考案例等可以参考LazyLLM公众号文章：《LazyLLM教程 | 第2讲：10分钟上手一个最小可用RAG系统》，推荐大家反复阅读学习，我就不再这里赘述了。

官方还推出了【20小时通关工业级RAG】系列视频课程，对AI、LLM、RAG、Agent等技术感兴趣的，可以关注下。

4. 实现个性化学习助手Agent

4.1 架构与流程图

检索增强生成（Retrieval-augmented Generation，RAG）是一种先进的大模型技术，它通过从大量文档中搜索相关信息来辅助文本生成或问题回答。这种方法结合了信息检索和文本生成的优点，使生成的内容更加准确且基于实际数据，从而提升了回答的质量和可靠性。简单说，就是RAG能让模型生成更精确、更有依据的文本。

一般来说 RAG 的流程如上图所示。其中：

1. Document（文档集合）：文档集合，存放着原始文档。对于我来说，这里的Document指的就是我的书稿原件。
2. Query（用户指令）：用户要查询的内容或者说用户指令。对于我来说，就是类似<font style="color:rgba(0, 0, 0, 0.87);">生成题库</font>和<font style="color:rgba(0, 0, 0, 0.87);">生成个性化学习计划</font>这样的指令了。
3. Retriever（检索器）：文档集合中的文档一般都是一套大而全的资料，实际使用时不一定都和用户要查询的内容相关，此时，就需要使用Retriever从Document中筛选出和用户查询相关的文档。
4. reranker（排序器）：Retriever从文档集合筛选出和用户指令相关性比较高的文档后，对这些文档进行排序，选出更贴合用户指令的文档。这一步工作由Reranker来完成。
5. llm（大模型）：大语言模型，将用户指令和筛选出的相关文档组成dict，送给大模型进行推理。
6. Answer（大模型推理结果）：大模型推理完成后，按照用户要求返回的内容。

4.2 核心功能拆解

4.2.1 创建索引

这一步，是为pdf文档生成检索器，为后续的query检索做好准备。下面是核心的几个api调用。

# 创建文档对象
self.document = Document(dataset_path=file_paths[0] if isinstance(file_paths, list) else file_paths)
print("文档对象创建成功")
# 创建检索器
self.retriever = Retriever(self.document,
                           group_name="CoarseChunk",
                           similarity="bm25_chinese",
                           topk=3) 

1. <font style="color:rgba(0, 0, 0, 0.85) !important;">Document()</font>：这是文档对象的构造函数，通过接收文件路径参数（可以是单个路径或路径列表，若为列表则取第一个路径）来加载文档，创建可供后续处理的文档实例。
2. <font style="color:rgba(0, 0, 0, 0.85) !important;">Retriever()</font>：检索器的构造函数，基于前面创建的文档对象和指定的节点组（"CoarseChunk"）构建检索器。通过设置相似度算法（"bm25_chinese"）和返回结果数量（3），使检索器能够从文档中高效获取最相关的内容片段。

4.2.2 生成题库

基于用户的query，从检索器中获取相关的内容片段，然后基于用户指令和检索到的内容片段为完整的prompt，然后调用大语言模型生成练习题。

# 检索相关内容
retrieved_nodes = self.retriever(topic)

# 构造生成题目的提示
context = "\n".join([node.get_text() for node in retrieved_nodes]) if isinstance(retrieved_nodes, list) else retrieved_nodes

prompt = f"""
基于以下材料，为"{topic}"主题生成{num_questions}个练习题：

材料内容：
{context}

请生成不同类型的题目（选择题、判断题、简答题等），并提供答案。
以JSON格式返回，格式如下：
{{
    "questions": [
        {{
            "type": "题型",
            "question": "题目内容",
            "options": ["选项A", "选项B", "选项C", "选项D"],  # 选择题需要
            "answer": "答案",
            "explanation": "解析"
        }}
    ]
}}
"""

# 调用模型生成题目
response = self.llm(prompt)
return response

4.2.3 生成学习计划

从技术链路上，是与生成题库一样的。也是基于用户的query，从检索器中获取相关的内容片段，然后基于用户指令和检索到的内容片段为完整的prompt，然后调用大语言模型生成学习计划。

# 检索相关内容
retrieved_nodes = self.retriever(subject)

# 构造生成学习计划的提示
context = "\n".join([node.get_text() for node in retrieved_nodes]) if isinstance(retrieved_nodes, list) else retrieved_nodes

prompt = f"""
基于以下材料，为"{subject}"制定一个从{start_date}到{end_date}的学习计划，总时长{total_hours}小时：

材料内容：
{context}

请考虑以下要点：
1. 将内容分解为多个学习模块
2. 合理分配时间
3. 提供每日/每周学习建议
4. 包含复习建议

以JSON格式返回，格式如下：
{{
    "study_plan": {{
        "subject": "学科",
        "total_hours": 总时长,
        "period": "学习周期",
        "modules": [
            {{
                "module_name": "模块名称",
                "content": "学习内容",
                "hours": 学习时长,
                "schedule": "时间安排建议"
            }}
        ],
        "review_plan": "复习计划"
    }}
}}
"""

# 调用模型生成学习计划
response = self.llm(prompt)
return response

5. 案例实战演示

5.1 完整源码

import os
import lazyllm
from lazyllm.tools import Document, SentenceSplitter, Retriever
from lazyllm.tools.agent import FunctionCallAgent
from lazyllm.tools.rag.doc_node import DocNode
import json

class StudyAssistantAgent:
    def __init__(self):
        # 初始化模型
        self.llm = lazyllm.OnlineChatModule(stream=True)
        print("模型初始化成功")
        
        # 创建文档处理组件
        self.document = None
        self.retriever = None
        
        # 工具列表
        self.tools = []
        self._register_tools()
        print("工具注册完成")
        
        # 创建Agent
        self.agent = FunctionCallAgent(self.llm, self.tools)
        print("Agent创建成功")

    def _register_tools(self):
        """
        注册学习助手所需工具
        """
        @lazyllm.fc_register("tool")
        def import_material(file_paths: list) -> str:
            """
            导入课件/教材材料

            Args:
                file_paths (list): 文件路径列表
            """
            print(f"导入文件路径: {file_paths}")
            try:
                # 创建文档对象
                self.document = Document(dataset_path=file_paths[0] if isinstance(file_paths, list) else file_paths)
                print("文档对象创建成功")
                # 创建检索器
                self.retriever = Retriever(self.document,
                                           group_name="CoarseChunk",
                                           similarity="bm25_chinese",
                                           topk=3) 
                print("检索器创建成功")
                return f"成功导入材料，共处理 {len(file_paths)} 个文件"
            except Exception as e:
                return f"导入材料失败: {str(e)}"

        @lazyllm.fc_register("tool")
        def generate_question_bank(topic: str, num_questions: int = 5) -> str:
            """
            根据指定主题生成题库
            
            Args:
                topic (str): 题目主题
                num_questions (int): 题目数量
            """
            print(f"生成题库主题: {topic}, 数量: {num_questions}")
            if not self.retriever:
                return "请先导入材料"
            
            try:
                # 检索相关内容
                retrieved_nodes = self.retriever(topic)
                
                # 构造生成题目的提示
                context = "\n".join([node.get_text() for node in retrieved_nodes]) if isinstance(retrieved_nodes, list) else retrieved_nodes
                
                prompt = f"""
                基于以下材料，为"{topic}"主题生成{num_questions}个练习题：
                
                材料内容：
                {context}
                
                请生成不同类型的题目（选择题、判断题、简答题等），并提供答案。
                以JSON格式返回，格式如下：
                {{
                    "questions": [
                        {{
                            "type": "题型",
                            "question": "题目内容",
                            "options": ["选项A", "选项B", "选项C", "选项D"],  # 选择题需要
                            "answer": "答案",
                            "explanation": "解析"
                        }}
                    ]
                }}
                """
                
                # 调用模型生成题目
                response = self.llm(prompt)
                return response
            except Exception as e:
                return f"生成题库失败: {str(e)}"

        @lazyllm.fc_register("tool")
        def generate_study_plan(subject: str, total_hours: int, start_date: str, end_date: str) -> str:
            """
            生成个性化学习计划
            
            Args:
                subject (str): 学科主题
                total_hours (int): 总学习时长（小时）
                start_date (str): 开始日期（YYYY-MM-DD）
                end_date (str): 结束日期（YYYY-MM-DD）
            """
            print(f"生成学习计划主题: {subject}, 总时长: {total_hours}小时, 从 {start_date} 到 {end_date}")
            if not self.retriever:
                return "请先导入材料"
            
            try:
                # 检索相关内容
                retrieved_nodes = self.retriever(subject)
                
                # 构造生成学习计划的提示
                context = "\n".join([node.get_text() for node in retrieved_nodes]) if isinstance(retrieved_nodes, list) else retrieved_nodes
                
                prompt = f"""
                基于以下材料，为"{subject}"制定一个从{start_date}到{end_date}的学习计划，总时长{total_hours}小时：
                
                材料内容：
                {context}
                
                请考虑以下要点：
                1. 将内容分解为多个学习模块
                2. 合理分配时间
                3. 提供每日/每周学习建议
                4. 包含复习建议
                
                以JSON格式返回，格式如下：
                {{
                    "study_plan": {{
                        "subject": "学科",
                        "total_hours": 总时长,
                        "period": "学习周期",
                        "modules": [
                            {{
                                "module_name": "模块名称",
                                "content": "学习内容",
                                "hours": 学习时长,
                                "schedule": "时间安排建议"
                            }}
                        ],
                        "review_plan": "复习计划"
                    }}
                }}
                """
                
                # 调用模型生成学习计划
                response = self.llm(prompt)
                return response
            except Exception as e:
                return f"生成学习计划失败: {str(e)}"

        # 添加工具到工具列表
        self.tools = ["import_material", "generate_question_bank", "generate_study_plan"]

    def chat(self, query: str) -> str:
        """
        与学习助手对话
        
        Args:
            query (str): 用户查询
        """
        try:
            return self.agent(query)
        except Exception as e:
            return f"处理查询时出错: {str(e)}"

def main():
    try:
        # 创建学习助手实例
        assistant = StudyAssistantAgent()
        
        # 启动Web界面
        lazyllm.WebModule(assistant.chat, port=23456, title="Alex的个性化学习助手").start().wait()
    except Exception as e:
        print(f"启动学习助手失败: {e}")
        print("请确保已正确配置模型或API密钥")

if __name__ == "__main__":
    main()

从上述源码可以看到，我为个性化学习助手Agent设计了3个工具，分别是

• import_material：用于上传课件/教材材料。
• generate_question_bank：根据指定主题生成题库。
• generate_study_plan：生成个性化学习计划。

然后，通过FunctionCallAgent注册给了大模型。后续根据我给的指令，由大模型来按需调用对应工具实现对应的功能。

使用python3 study.py命令启动Agent，LazyLLM会使用Gradio为我们创建一个常见的聊天机器人页面，并自动部署到本机的23456端口。

我们使用浏览器访问http://localhost:23456/就可以看到Agent页面了。如下图所示，可以看到，我们设计的3个工具都已经成功注册给大模型。

5.2 导入教材/课件

由于我的书稿还没出版，所以这里我就先拿网络上一个免费共享的python教程电子书：《简明python教程》进行演示。第一步，先导入文档，创建索引。使用的prompt：请导入以下学习材料：/home/gyl/lazyllm/byte-of-python-chinese-edition.pdf，效果如下图所示。

5.3 生成题库

导入材料之后，就可以下指令让Agent给我们生成题库了。使用的prompt：为"面向对象编程"章节生成6道不同类型的题目，包括选择题和简答题。效果如下图所示。

5.4 生成学习计划

同时，还可以让Agent为我们生成一个学习计划。使用的prompt：请制定一个学习计划，主题是python数据结构，总时长5小时，从2025-10-01到2025-10-05。效果如下图所示。

6. 总结

通过一段时间的实践，我发现这个学习助手Agent在内容创作领域有非常高的应用价值，无论是为教材章节设计多样化习题、制定科学的学习计划，都能基于原始文档精准生成符合需求的内容，有效解决了我在写书中配套资源开发效率低的问题。

这个高效AI Agent的实现，离不开 LazyLLM 框架的强大支撑：其低代码特性大幅降低了开发门槛，模块化设计让复杂的多智能体系统搭建变得简单，从环境配置到功能部署仅需少量代码和简单操作即可完成，无论是快速搭建聊天机器人，还是构建基于 RAG 技术的检索增强应用，都能轻松实现，充分体现了框架在易用性上的显著优势。正是这样的框架赋能，让个性化 AI 工具的开发和落地变得触手可及，为各类场景下的效率提升提供了有力支持。