导读：教育 AI 早已不是教师个人娱乐工具，公办校、民办学校信息化建设现在面临一个绕不开的工程难题：通用公有 AI 备课工具数据合规不达标、单模型生成内容粗糙无校验、全校教学资源无法统一沉淀。 市面上绝大多数轻量化 AI 备课产品仅简单封装 LLM 接口，没有面向校园组织级的调度、审核、资产管控架构。本文基于云迈私有化 AI 教学创作中台（solution/44），从 LangGraph 多智能体底层调度、交互式课件渲染引擎、向量校本知识库、私有化安全部署、全链路审计后台五大模块拆解完整技术实现，附带业务流程、分层架构、落地适配方案。 本文适合教育信息化研发、ToB 产品架构师、学校信息中心运维、大模型应用落地工程师阅读，可直接作为私有化教育 AI 项目设计参考文档。
摘要
当前教育数字化转型进入深水区，公办中小学、民办院校普遍面临教师备课效率低、教学资源无法沉淀、公有 AI 数据不合规、课件缺乏课堂交互能力四大痛点。通用单模型 AI 工具仅能完成简单文本生成，无法满足校级统一管理、校本知识沉淀、内网数据隔离等硬性需求。
本文基于云迈科技私有化 AI 教学资源创作平台（solution/44），从底层多智能体调度引擎、前端课件交互引擎、校级资源知识库、私有化安全部署、后台管控体系五大维度，完整拆解平台技术架构、核心实现逻辑与全量业务功能，为教育行业私有化 AI 教研中台落地提供可落地技术参考。
一、行业技术痛点分析
1.1 传统 PPT 备课工具技术短板
- 静态文件无专属交互渲染内核：理化仿真、数学动态推演依赖第三方插件，教室终端兼容性差，无法原生运行交互式课堂组件；
- 无结构化知识底座：课件以独立文件散落在教师本地电脑，缺少统一知识点标签、向量索引体系，难以实现跨年级、跨学科检索复用；
- 无 AI 流水线生产能力：单次大模型调用只能输出纯文本，缺失需求解析、大纲拆解、内容校验、交互组件生成完整工作流，教师二次改造成本极高。
1.2 公有 SaaS 类 AI 备课产品架构硬伤
- 数据跨公网传输：校本课件、校内教研资料、课程设计上传第三方云端，违反《教育数据安全管理办法》、未成年人隐私保护、等保 2.0 合规要求；
- 模型密钥统一托管：平台垄断大模型接入通道，学校无法自主切换服务商、精细化管控 Token 消耗，长期使用成本不可控；
- 无组织级管控设计：产品面向 C 端教师设计，缺少账号分级、资源人工审核、全校用量预算、教学资产归档等校级管理能力。
1.3 校内自研简易 AI 工具普遍缺陷
很多学校信息化团队自研轻量化 AI 工具，仅封装基础 LLM 调用接口，工程层面存在明显短板：
- 任务无状态持久化，长耗时课件生成中断后无法续跑；
- 单层内容校验，无知识点、学段、版权三重审核逻辑，生成错题、超纲内容频发；
- 缺少标准化资源入库链路，AI 产出内容无法沉淀为可复用校级数字资产。
针对以上行业共性痛点，平台采用LangGraph 多智能体协同调度 + 内网私有化容器部署 + 自研 HTML 交互式课件渲染引擎 + 分布式向量校本知识库 四层核心底座，搭建覆盖创作、审核、存储、管控、审计全链路的校级 AI 教研中台。
二、整体五层分层技术架构设计
整套架构完全隔离公网，适配校园内网、本地私有云、物理服务器部署，自上而下分层解耦，便于分模块迭代维护：
- 应用接入层：教师 Web 工作台、校级管理后台、离线课件预览终端、多媒体投屏适配端；
- 业务编排层：LangGraph 多智能体任务调度引擎、课件生成工作流、资源审核流程引擎、积分规则计算引擎；
- 核心能力层：交互式课件渲染引擎、校本知识库向量检索引擎、LLM 统一代理网关、数据看板聚合计算引擎；
- 数据持久层：结构化业务数据库、知识点向量库、全链路审计日志库、课件素材对象存储；
- 基础设施层：Docker 容器集群、内网加密传输网关、定时全量备份系统、校内权限统一认证服务。
三、底层核心：LangGraph 多智能体协同调度引擎
3.1 引擎核心技术实现原理
摒弃传统单次 LLM 请求模式，基于 LangGraph 构建有向无环任务图，支持智能体串行、并行、分支流转、人工阻断节点，三大核心技术特性：
- 任务全状态持久化 所有课件生成任务写入本地事务数据库，实时记录当前执行节点、输入上下文、中间素材产物，支持任务手动暂停、保存快照、断点续跑、异常失败自动重试，解决大篇幅课件生成丢失问题。
- 学科化可视化流程编排 管理后台提供可视化流程图编辑器，支持按小学 / 初中 / 高中分学科独立配置智能体执行顺序、触发条件、人工审核拦截节点；配置模板支持版本快照、一键批量下发全校所有账号。
- 可配置人工干预节点 在大纲生成、内容校验、资源匹配关键节点嵌入人工确认步骤，AI 输出内容必须经教师确认后，才能流转至下一生产环节，从流程层面规避错误课件直接产出、入库。
3.2 八大教学专用智能体分工与执行逻辑
完整流水线由 8 个解耦独立 Agent 组成，各司其职，便于单独迭代优化，完整任务流转伪代码示意：
python
运行
# 多智能体调度简易伪代码
graph = LangGraph()
graph.add_node("demand_agent", DemandParseAgent())
graph.add_node("knowledge_retrieve_agent", KnowledgeRetrieveAgent())
graph.add_node("outline_agent", OutlineGenAgent())
graph.add_node("page_gen_agent", MultiPageAsyncAgent())
graph.add_node("component_agent", InteractiveComponentAgent())
graph.add_node("audit_agent", ContentAuditAgent())
graph.add_node("optimize_agent", SinglePageOptAgent())
graph.add_node("storage_agent", ResourceArchiveAgent())
# 任务流转链路
graph.add_edge("demand_agent", "knowledge_retrieve_agent")
graph.add_edge("knowledge_retrieve_agent", "outline_agent")
graph.add_edge("outline_agent", "page_gen_agent")
graph.add_edge("page_gen_agent", "component_agent")
graph.add_edge("component_agent", "audit_agent")
# 校验不通过回流优化节点
graph.add_conditional_edge("audit_agent", judge_content_error, "optimize_agent", "storage_agent")- 需求解析 Agent 输入源：自然语言备课描述、上传 PDF/Word/PPT 教材、实拍教材图片 OCR 文本； 核心能力：LLM 实体抽取 + 正则分类，自动提取学科、年级、课时、课程类型（常规课 / 实验课 / 复习课）、教学重难点，输出标准化结构化 JSON 上下文，作为全流程统一入参。
- 私有知识库检索 Agent 检索机制：向量相似度检索 + 标签精确匹配双引擎； 执行逻辑：优先检索校内私有知识库匹配课件、习题、教学素材，校内无匹配资源时调取合规公共素材池，自动过滤侵权、版权风险图文素材。
- 课程大纲生成 Agent 入参：结构化需求 + 匹配校本知识点向量； 输出标准化树形课堂框架：课程导入→新知讲解→实验演示→随堂测验→课堂总结→课后拓展，前端支持拖拽调整层级、增删章节。
- 多页面并行生成 Agent 采用异步协程并发调度，多页面生成任务并行推送至 LLM 代理网关，批量生成每页图文、例题、配套素材，大幅压缩完整课件生产耗时。
- 内容质量审查 Agent 三重校验链路并行执行：知识点匹配校验、学段难度分级校验、图文版权检测；内置错题知识库，自动标记公式错误、史实偏差、超纲内容，生成结构化修改建议返回前端。
- 交互组件生成 Agent 基于学科标签匹配对应交互组件模板，自动生成理化仿真、拖拽匹配、在线试题、轻量化 3D 动画配置 JSON，交付前端渲染引擎可视化展示。
- 内容优化 Agent 独立轻量化 LLM 调用通道，支持单页面定向微调指令：降低难度、增加分组互动、补充拓展案例、简化课堂话术等，仅局部重生成，无需重建整套课件，节省 Token 开销。
- 资源归档入库 Agent 课件编辑完成后自动提取学科、年级、知识点多维度标签，标准化格式化存储，同步写入校本资源向量库、更新创作者积分统计数据。
四、前端应用层：教师工作台与自研交互式课件渲染引擎
4.1 教师工作台核心模块技术实现
- 多格式教学素材解析模块 内置 PDF、Word、PPT 专用解析器，提取文档文字、表格、矢量公式、图片素材，转换为平台统一结构化素材；集成图片 OCR 能力，支持纸质教材拍照提取文字作为生成参考。
- 树形大纲可视化编辑组件 基于拖拽交互框架实现，支持增删章节、调换页面顺序、修改课时目标，操作实时同步至后端任务上下文。
- 单页局部 AI 调优接口 独立轻量 LLM 通道，缓存页面历史编辑快照，支持一键回滚任意历史版本，减少全局重算带来的算力消耗。
- 个人资源分类存储系统 基于分布式对象存储划分草稿箱、已发布课件、收藏资源、原创作品四大分类；前端本地缓存高频使用课件，提升页面加载速度。
4.2 自研 HTML 交互式课件渲染引擎（平台差异化核心）
区别于传统导出 PPT 静态文件方案，平台自研原生网页交互渲染内核，核心技术特性：
- 六大内置交互组件独立渲染器
- 理化仿真模拟器：Canvas 前端实时物理运算，拖拽参数动态展示力学、光学、电学实验效果；
- 拖拽连线组件：前端事件绑定，课堂实时匹配答题，本地离线存储作答记录；
- 在线测验渲染器：统一适配单选、多选、填空、简答题型，无网络环境可本地判分；
- WebGL 轻量化 3D 教学动画：理科结构、地理地形模型流畅渲染，低配教室主机无卡顿；
- 课堂互动小游戏组件：知识点闯关、分组课堂竞赛逻辑封装；
- 定点标记视频播放器：支持课件内视频精准跳转教学节点。
- 离线 HTML 打包导出技术 将课件静态资源、交互运算 JS 脚本、仿真逻辑统一打包为独立 HTML 文件夹，全部交互逻辑本地运行，无需依赖后端接口，适配无网络多媒体教室。
- 16:9 投影自适应响应式布局 布局引擎自动适配教室投影仪、教学触控大屏、教师办公电脑多终端尺寸，无需手动调整缩放。
- 标准化 JSON 存储规范 课件页面、文字内容、交互组件、配置参数全部序列化 JSON 持久化，便于 AI 二次读取重构、跨课件复用交互组件。
五、业务核心：校级结构化校本知识库系统
5.1 双库底层架构：课标知识库 + 课件资源库
- 课标知识点向量库 存储 K12 全学科、全年级知识点、重难点结构化数据，文本向量化后构建高速相似度检索索引；管理员后台支持批量导入、编辑、版本化管理课标内容。 AI 生成内容强制绑定知识点唯一 ID，保障所有课件贴合本校统一教学标准。
- 全校课件资源对象库 教师提交课件统一入库，系统自动打上学科、年级、知识点、星级多维度标签；提供多条件复合检索接口，支持跨年级、跨教研组资源一键复用。
5.2 资源审核与教学资产沉淀完整流程
- 教师提交课件 → 质量审查 Agent 自动 AI 初审 → 教研组长人工复核；
- 审核通过标记校级认证优质资源，同步更新全局向量检索索引；
- 资源永久存储校内对象存储集群，不受教师离职、账号注销影响，实现学校教学资产永久沉淀；
- 批量导入工具支持存量历史 PPT、老旧教案一键上传，AI 自动转换为标准化互动课件入库。
5.3 校内积分流通独立规则引擎
独立计算引擎，管理后台可视化配置全部积分规则：
- 原创课件审核通过自动发放创作积分；
- 下载复用他人认证课件扣除对应积分；
- 定时统计积分排行榜，同步至全校数据可视化看板。
六、校级管控后台：组织级运维与全链路审计体系
面向学校信息中心、教研主任设计，全操作日志本地持久留存，满足教育审计要求。
6.1 用户分级权限管理模块
- 支持账号批量导入、CRUD 接口，按年级、学科、教研组划分用户分组；
- 三级权限体系：普通教师、教研组长、系统管理员；
- 细粒度权限控制：资源上传审核权限、AI 生成额度、知识库编辑权限、后台全局配置权限；
- 账号启用、禁用、权限变更全流程操作日志留痕，支持检索导出。
6.2 LLM 统一代理网关与用量管控
- 私有化 LLM 代理网关，统一纳管学校自主录入的各大厂商 API Key，统一转发 AI 调用请求；
- 全局 Token 消耗聚合计算引擎，按全校、教研组、教师、学科多维度统计用量；
- 预算阈值自定义配置：可为各教研组设置月度 Token 消耗上限，用量临近阈值自动站内消息告警；
- 异常调用识别算法：识别短时间高频请求、超大 Token 消耗行为，自动限流拦截，避免 AI 成本失控。
6.3 内容审核管理系统
- 待审核资源实时推送列表，支持在线预览课件、一键通过 / 驳回、填写修改意见；
- 违规内容标记、低质量资源下架、批量清理接口；
- 认证资源星级评定配置，高价值校本资源加权优先展示。
6.4 全链路日志审计模块（校园合规刚需）
所有行为日志本地数据库持久存储，留存周期自定义配置，日志覆盖全场景：
- AI 课件生成全流程日志（需求原文、中间输出、最终课件内容）；
- 资源上传、下载、复用、入库操作日志；
- 用户登录、权限变更、积分变动记录；
- LLM 调用 Token 消耗、模型请求完整记录； 支持按时间、用户、资源类型多条件检索、Excel 批量导出，适配等保、教育数据审计检查。
6.5 可视化数据统计看板
后端定时任务聚合全局业务数据，前端可视化图表展示：
- 全校课件总量、认证优质资源、互动实验、配套题库素材总量统计；
- 教师创作排行榜、各学科资源产出月度趋势；
- LLM 月度消耗曲线、预算使用率、各部门成本排行；
- 校本资源复用次数统计，自动识别校内高价值教学课件。
七、私有化部署安全技术体系（校园场景核心差异化优势）
整套系统容器化打包，部署在校内物理服务器、校园私有云，全程数据不流出内网，核心安全技术点：
- 全链路内网物理隔离 无对外公网第三方依赖，课件、知识库、AI 调用日志、模型密钥全部存储校内存储设备，不跨公网传输，从底层杜绝校外数据泄露风险。
- 传输 + 存储双层加密机制 内网接口统一 HTTPS 加密传输；数据库敏感字段（模型 API 密钥、审计日志关键信息）AES 对称加密存储，即使数据库文件泄露也无法解密核心敏感信息。
- 模型资源完全自主管控 平台不托管、不截留学校大模型密钥，仅作为代理网关转发请求；学校可自主新增、删除、切换任意大模型厂商 API，完全自主掌控 AI 算力与成本。
- 本地定时自动备份机制 内置定时备份脚本，全量数据库、课件对象存储自动打包备份，支持校内异地备份节点，防止硬件故障丢失教学资产。
- 适配合规标准：《教育数据安全管理办法》、未成年人个人信息保护规范、网络安全等级保护 2.0。
八、标准化课件生成完整业务技术流转
- 需求输入阶段：前端上传教学素材 / 自然语言描述，解析模块输出结构化需求 JSON；
- 知识库匹配阶段：检索 Agent 拉取校内匹配知识点、配套课件素材；
- 大纲生成阶段：大纲 Agent 输出树形课程框架，教师前端手动调整并确认；
- 并行生成阶段：多页面 Agent 异步批量生成课件图文、基础教学素材；
- 交互组件注入阶段：交互 Agent 根据学科标签生成仿真、试题、动画配置数据；
- 内容自动校验阶段：审查 Agent 检测知识点、学段、版权问题，标记异常内容；
- 人工精细化编辑阶段：教师单页 AI 定向调优、拖拽排版、调整交互组件；
- 双分支交付流程
- 分支 A：导出离线 HTML 课件，直接用于教室多媒体课堂投影；
- 分支 B：提交校本资源库，触发 AI 复审、教研人工审核、积分发放、向量索引重建流程。
九、多场景落地技术适配方案
- 公办中小学 私有化内网隔离部署、全量日志审计、校级统一知识库、分级教师权限体系，完整满足教育局数据合规检查；支持多年级、多教研组资源互通共享。
- 民办院校 / 连锁教培机构 多校区配置同步能力、分校区独立 AI 预算管控、标准化课程批量生成接口，快速统一全校区教学内容标准，降低新教师培训成本。
- 区县教研院所 批量课件生成开放接口、区域知识库导入导出、统一教研成果归档，支撑区域教育均衡数字化建设。
- 职业院校 / 企业内部培训 实训仿真组件批量生成、内部培训私有知识库、部门独立 AI 用量预算管控，适配技能类实训课程生产。
十、总结与行业落地展望
当前市面上绝大多数 AI 备课产品仅停留在前端交互与单层 LLM 接口封装层面，缺少面向学校、机构组织级的底层架构设计，无法解决教学资产沉淀、校内数据合规、全局统一管控三大工程核心问题。
本文介绍的私有化多智能体 AI 备课平台，以 LangGraph 多智能体调度引擎为底层核心，搭配自研交互式课件渲染引擎、结构化向量校本知识库、全链路审计管理后台与内网私有化安全架构，完整覆盖教师课件创作、校级统一管控、数据安全隔离、教学资产沉淀全流程技术需求。
对于教育信息化研发团队、学校信息中心选型、ToB 教育产品架构工程师而言，私有化内网部署、多智能体流水线生成、结构化向量知识底座将是未来校内 AI 教研系统三大核心技术发展方向，能够在满足政策合规硬性约束的前提下，规模化落地 AI 赋能全校教研生产。
产品后续迭代技术方向
- 新增多人在线协同备课编辑模块；
- 对接校园统一身份认证（LDAP / 校园单点登录）；
- 支持本地私有化大模型对接，完全断网离线运行 AI 能力；
- 拓展学情数据联动分析模块，根据班级学情自动生成分层课件。