Phi-3-Mini-128K赋能微信小程序开发智能学习辅导应用实战最近在捣鼓一个挺有意思的项目想给家里上初中的孩子做个学习帮手。市面上辅导应用不少但要么功能太杂要么不够智能。正好看到Phi-3-Mini-128K这个模型参数不大但能力挺均衡关键是支持超长的上下文特别适合用来做多轮的学习对话和复杂的题目分析。我就琢磨着能不能把它塞进微信小程序里做个轻便又聪明的“随身家教”。说干就干。这个想法听起来简单但真做起来从后端AI服务搭建到小程序前端交互再到两者之间安全、流畅地“对话”每一步都有不少门道。今天我就把自己趟过的路、踩过的坑还有最终跑通的方案跟大家详细聊聊。如果你也想在微信生态里给用户提供一个既智能又贴心的学习体验这篇实战分享或许能给你一些启发。1. 为什么选择Phi-3-Mini-128K做技术选型第一步永远是搞清楚“为什么要用它”。市面上大模型那么多为什么偏偏是Phi-3-Mini-128K来当这个“智能大脑”首先它足够轻量但能力不弱。完整的名称里带“Mini”意味着它对计算资源的要求相对友好。我们不需要准备一堆昂贵的GPU服务器用性价比不错的云服务器就能跑起来这对于控制项目初期成本非常重要。别看它小在常识推理、代码生成和语言理解这些基础任务上表现相当扎实应付中小学生的课业辅导绰绰有余。其次128K的超长上下文是王牌。学习辅导不是一次性的问答。孩子可能会拿着一道数学题反复追问不同的解法或者写一篇作文让我们来回批改润色。这就需要模型能记住之前聊过的所有内容。128K的上下文长度意味着它能记住很长一段对话历史从而提供连贯、有深度的辅导而不是每次回答都“失忆”。最后它的回答风格比较克制和准确。我们尝试过一些模型有时候为了显得“聪明”会过度发挥甚至编造一些不存在的知识点。Phi-3-Mini-128K在大多数情况下回答都倾向于基于已知信息不确定时会直接承认这对于教育类应用来说至关重要——我们可以接受“不知道”但不能接受“教错了”。当然它也不是万能的。比如在需要极强创造力的开放式写作上可能不如一些专精于此的大模型。但综合考量部署成本、上下文能力和回答可靠性它无疑是打造一个实用型学习辅导应用的优等生。2. 整体架构设计让小程序和AI安全握手确定了核心的AI模型接下来就得设计一套系统让微信小程序这个“前台”能和Phi-3-Mini这个“后台大脑”安全、高效地沟通。我们的目标是用户在小程序里拍一道题、问一句话这个请求要能安全地抵达我们的服务器唤醒Phi-3-Mini进行分析再把结果清晰、快速地送回小程序展示给用户。这中间安全和体验是两大核心。下面这张图描绘了我们最终采用的架构用户微信小程序 | | (HTTPS 微信登录凭证) v [ 云服务器 - 反向代理 (Nginx) ] | | (内部转发) v [ 后端API服务 (Python FastAPI) ] | | |--- [ Phi-3-Mini 推理服务 ] ---| | | |--- [ 会话管理 缓存 (Redis) ] | | (结构化响应) v 用户微信小程序 (展示结果)我来拆解一下几个关键部分第一道关卡微信生态的身份验证。我们不能让任何人随便调用我们的AI服务。小程序端我们通过wx.login()获取用户的临时登录凭证code将这个code和我们小程序的AppID、AppSecret一起发送到我们自己的后端服务器。后端服务器再用这些信息向微信官方接口换取用户的唯一标识openid和会话密钥session_key。只有验证成功的请求我们才会处理。这就确保了访问者都是我们小程序的真实用户。通信安全全程HTTPS。从小程序到我们服务器所有数据都必须通过HTTPS加密传输防止信息在途中被窃听或篡改。这是微信平台的强制要求也是基本的安全底线。后端服务FastAPI 异步处理。后端我用Python的FastAPI框架来搭建主要看中它的高性能和异步支持。学习辅导的请求尤其是作文批改、复杂题目解析可能需要模型“思考”几秒钟。使用异步处理可以在等待模型响应的同时不阻塞服务器处理其他请求提高整体的并发能力。AI服务封装。我们将Phi-3-Mini模型部署在一个独立的服务中比如用Ollama或vLLM等工具部署然后通过FastAPI后端去调用它。这样做的好处是AI模型的生命周期和后端Web服务解耦模型可以单独重启、升级而不影响API的可用性。会话状态管理Redis。为了提供连贯的多轮对话比如针对同一道题的连续追问我们需要记住对话的上下文。我们把每次对话的上下文历史以session_id为键临时存储在Redis里。每次新请求到来就取出之前的对话历史连同新问题一起送给模型最后再把新的对话历史存回去。Redis速度快而且可以设置自动过期非常适合这个场景。这个架构看起来环节不少但每一层都有明确的分工共同保证了应用的稳定、安全和良好的用户体验。3. 后端核心构建智能学习引擎后端是整个应用的大脑它不仅要安全地接收请求更要聪明地处理学习任务。我们围绕Phi-3-Mini-128K构建了几个核心的辅导功能。3.1 题目解析不只是给答案孩子遇到难题最需要的不是直接看到答案而是理解思路。我们的“题目解析”功能就围绕这个目标设计。当小程序端上传一道题目的照片经过OCR识别成文字或直接输入题目文字时后端会做这样几件事题目分类与意图识别首先我们会用一个简单的规则或小模型也可以让Phi-3-Mini自己判断来判断题目类型是数学应用题、物理计算题还是语文阅读理解题不同类型的题目我们给模型的指令会略有不同。构造提示词这是最关键的一步。我们不能简单地把题目扔给模型说“解一下”。我们需要引导它按照我们期望的方式思考。例如对于一道数学题我们的提示词可能是你是一位耐心的数学老师。请分步骤解答以下题目并在每一步解释原因。如果题目有多个解法请先给出最通用的解法。 题目{用户输入的题目}调用模型与后处理将构造好的提示词连同当前对话的历史记录如果有的话一起发送给Phi-3-Mini推理服务。拿到模型的回答后我们可能还需要做一些后处理比如用正则表达式提取出最终的答案框或者将回答格式化成更易读的小标题形式如“第一步分析题意”、“第二步建立方程”。生成举一反三增值功能在给出解析后我们可以让模型再“思考”一下“请基于刚才的题目变化一个条件出一道相似但不同的新题目用于巩固练习。” 这能极大地提升辅导价值。3.2 作文批改从语法到文采作文批改比题目解析更复杂因为它涉及多个维度的评价。我们的流程如下接收与预处理接收用户上传的作文文本。可以提醒用户标注年级以便采用不同标准。结构化批改提示我们设计一个详细的批改框架让模型按点“阅卷”。你是一位经验丰富的语文老师。请从以下维度对这篇作文进行批改和点评 1. **立意与主题**中心是否明确立意是否有深度 2. **结构与逻辑**段落划分是否合理叙事或论证逻辑是否清晰 3. **语言表达**有无错别字、病句用词是否准确、丰富 4. **文采与修辞**是否有精彩的句子或恰当的修辞手法 请先给出一个总体评分百分制和总评然后按照上述维度分别点评指出具体优点和可修改之处。最后请为文章提供一个具体的修改提升建议。 作文题目《{作文题目}》 作文内容{作文内容}结果结构化模型的回复可能是大段的文字。我们可以通过提示词引导它用特定的标记如[评分]、[总评]来输出方便后端用程序解析成结构化的JSON数据这样前端小程序就能把评分、总评、分项点评漂亮地展示出来而不是展示一大段文字。3.3 知识点问答一个耐心的百科老师这是最像聊天机器人的功能但目标更明确解答学科知识点疑问。会话管理这是该功能的核心。用户可能会问“什么是勾股定理”接着问“它的逆定理是什么”再问“能举个例子吗”。我们需要通过Redis维护一个以用户或对话为单位的上下文列表每次都将整个对话历史送给模型。知识边界控制为了避免模型胡编乱造我们可以在系统提示词中加以限制例如“你是一个中学知识辅导助手请基于公认的课本知识回答问题。如果你对某个问题不确定请如实告知并建议用户查阅教材或请教老师。”支持多模态输入除了文字小程序端还可以上传包含知识点的图片比如课本的一页。后端需要先将图片通过OCR服务转换成文字再结合用户的文字问题一并提交给模型处理。代码示例FastAPI核心端点以下是一个简化版的后端核心处理端点它展示了如何接收请求、管理会话并调用AI服务。from fastapi import FastAPI, HTTPException, Depends from pydantic import BaseModel import redis import asyncio from typing import Optional # 假设有调用Phi-3-Mini的异步客户端 from ai_client import phi3_mini_client app FastAPI(title智能学习辅导API) # 连接Redis用于存储会话 redis_client redis.Redis(hostlocalhost, port6379, db0, decode_responsesTrue) class QuestionRequest(BaseModel): session_id: str # 会话ID由前端生成 question_text: str # 问题文本 question_image_url: Optional[str] None # 题目图片URL可选 subject: Optional[str] general # 学科分类 app.post(/api/ask) async def ask_question(request: QuestionRequest): 处理用户提问的核心端点。 # 1. 构建或获取对话历史 history_key fchat_history:{request.session_id} # 从Redis获取之前的对话记录最多保存最近10轮 chat_history redis_client.lrange(history_key, 0, 9) or [] # 2. 处理图片如果存在这里简化处理实际需调用OCR API full_question request.question_text if request.question_image_url: # 伪代码调用OCR服务识别图片文字 # ocr_text await ocr_service(request.question_image_url) # full_question f图片内容{ocr_text}\n问题{request.question_text} full_question f附有图片{request.question_text} # 3. 构造发送给模型的提示消息 # 将历史记录和当前问题组合成模型接受的格式 messages_for_model [] # 添加系统指令定义助手角色 messages_for_model.append({role: system, content: 你是一位专业、耐心、严谨的学科辅导老师。请用清晰、易懂的语言回答学生问题。如果问题超出你的知识范围请如实告知。}) # 添加历史对话假设历史记录已按角色交替存储 for i, h in enumerate(chat_history): # 这里需要根据存储格式解析角色和内容 pass # 简化处理 # 添加当前用户问题 messages_for_model.append({role: user, content: full_question}) # 4. 调用Phi-3-Mini模型 try: # 假设的异步调用函数 ai_response await phi3_mini_client.chat_completion( messagesmessages_for_model, max_tokens1024 ) answer_text ai_response[choices][0][message][content] except Exception as e: raise HTTPException(status_code500, detailfAI服务处理失败{str(e)}) # 5. 更新对话历史将本轮问答存入Redis # 存储用户问题 redis_client.lpush(history_key, fuser:{full_question}) # 存储助手回答并设置列表长度上限和过期时间 redis_client.lpush(history_key, fassistant:{answer_text}) redis_client.ltrim(history_key, 0, 19) # 只保留最近10轮20条消息 redis_client.expire(history_key, 1800) # 会话30分钟后过期 # 6. 返回响应给小程序 return { success: True, session_id: request.session_id, answer: answer_text, # 可以返回结构化数据如果做了后处理的话 }这个端点涵盖了会话管理、模型调用的核心逻辑。在实际开发中你还需要添加用户认证、请求限流、更完善的错误处理等。4. 小程序前端打造流畅的学习体验后端再强大最终也要通过小程序界面与用户见面。前端的目标是操作简单、反馈及时、展示清晰。4.1 核心功能页面设计我们主要设计三个核心页面首页/搜索页核心入口。一个简洁的输入框支持文字输入和拍照/选图按钮。下方可以展示历史搜索记录或热门问题。拍照后调用微信的图片上传API将图片先上传到我们的文件存储如云存储获得URL后再连同问题类型一起发送给后端。对话详情页这是交互的主战场。页面布局参考常见的聊天界面上方是题目或用户问题展示区中间是清晰的、分步骤的AI解答区域利用富文本或自定义组件渲染步骤、公式等。最下方是追问输入框。关键点在于这个页面要能承载多轮对话新的追问和回答能无缝地追加到对话流中。学习报告页可选但建议有定期如每周生成一个学习报告汇总孩子查询过的知识点、常错的题型、作文的进步情况等。这些数据需要后端进行分析和汇总前端以图表如使用ec-canvas绘制简单图表和列表的形式友好展示让家长和孩子都能直观看到学习轨迹。4.2 用户体验优化细节这些细节决定了用户是“愿意用”还是“懒得用”。网络状态管理AI推理可能需要几秒甚至十几秒。必须提供清晰的加载状态如“老师正在思考…”的动画并做好网络超时和错误的重试、提示。可以使用微信小程序的wx.request的timeout配置并设置合理的重试逻辑。本地缓存对于已经获取的题目解析、作文批改结果可以在小程序本地使用wx.setStorage进行缓存。当用户再次查看时无需联网即可立即展示提升响应速度。语音输入对于低龄孩子或者不方便打字的场景集成微信的wx.startRecord和语音识别API或接入第三方语音识别服务非常有用。用户按住说话松开后自动转文字并发送体验更自然。内容安全用户生成的内容UGC尤其是上传的图片和输入的文本在发送到我们自己的后端之前必须先调用微信的security.msgSecCheck接口进行内容安全检测。这是微信平台的强制要求也是为了保护我们的应用不被恶意利用。反馈机制在每个答案下方设置“有帮助”/“没帮助”的简单反馈按钮。收集到的反馈数据非常宝贵可以帮助我们持续优化提示词和模型效果。4.3 代码示例小程序端拍照搜题以下是小程序端实现拍照、上传、并获取解析结果的一个简单示例。// pages/index/index.js Page({ data: { questionText: , answer: , loading: false, imagePath: }, // 1. 拍照或选择图片 chooseImage: function() { const that this; wx.chooseMedia({ count: 1, mediaType: [image], sourceType: [album, camera], success(res) { const tempFilePath res.tempFiles[0].tempFilePath; that.setData({ imagePath: tempFilePath }); // 可以在这里预览图片 that.uploadImage(tempFilePath); } }) }, // 2. 上传图片到云存储或自有OSS uploadImage: function(filePath) { const that this; that.setData({ loading: true, answer: }); // 假设使用微信云开发或自有后端的上传接口 wx.cloud.uploadFile({ // 或者使用 wx.uploadFile cloudPath: questions/${Date.now()}.jpg, filePath: filePath, success: res { // 获取文件ID或URL const fileID res.fileID; that.analyzeQuestion(, fileID); // 调用解析接口 }, fail: err { console.error(上传失败, err); wx.showToast({ title: 上传失败, icon: none }); that.setData({ loading: false }); } }); }, // 3. 调用后端解析接口 analyzeQuestion: function(text, imageFileId) { const that this; // 获取用户登录态确保有有效的token或openid const token wx.getStorageSync(auth_token); wx.request({ url: https://your-backend.com/api/analyze, // 你的后端地址 method: POST, header: { Content-Type: application/json, Authorization: Bearer ${token} }, data: { session_id: wx.getStorageSync(session_id) || this.generateSessionId(), question_text: text, question_image_url: imageFileId, // 或图片URL subject: math // 可以根据UI选择传递 }, success(res) { if (res.data.success) { that.setData({ answer: res.data.answer, loading: false }); // 将问答记录存入本地缓存或提交给后端记录 } else { wx.showToast({ title: 解析失败 res.data.msg, icon: none }); that.setData({ loading: false }); } }, fail(err) { console.error(请求失败, err); wx.showToast({ title: 网络请求失败, icon: none }); that.setData({ loading: false }); } }); }, // 生成一个简单的会话ID generateSessionId: function() { return session_ Date.now() _ Math.random().toString(36).substr(2); } })5. 总结把Phi-3-Mini-128K的能力通过微信小程序释放出来做一个智能学习助手整个过程就像搭积木关键是把每一块都放对位置。模型本身提供了不错的理解力和长上下文记忆这是核心。后端架构要保证安全、稳定能管理好每一次对话。小程序前端则要把这些能力包装得简单、顺手让孩子和家长愿意用、喜欢用。实际开发中挑战往往在细节里。比如怎么设计提示词才能让模型更像个“老师”而不是“题库”怎么处理用户上传的模糊照片怎么在答案生成慢的时候不让用户失去耐心这些问题都需要在迭代中不断优化。我们目前上线的初版已经能很好地处理数学题分步讲解和作文结构点评用户的反馈集中在“解释得很清楚”和“追问很方便”上这让我们觉得方向是对的。当然这只是个开始。未来还可以加入更多功能比如根据错题自动生成练习卷或者分析一段时间的学习数据给出个性化的复习建议。技术只是工具最终的目标是让它真正帮到学习者。如果你也有类似的想法不妨动手试试从解决一个小问题开始你会发现打造一个有用的AI应用并没有想象中那么难。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
Phi-3-Mini-128K赋能微信小程序：开发智能学习辅导应用实战
发布时间：2026/7/28 10:56:22
Phi-3-Mini-128K赋能微信小程序开发智能学习辅导应用实战最近在捣鼓一个挺有意思的项目想给家里上初中的孩子做个学习帮手。市面上辅导应用不少但要么功能太杂要么不够智能。正好看到Phi-3-Mini-128K这个模型参数不大但能力挺均衡关键是支持超长的上下文特别适合用来做多轮的学习对话和复杂的题目分析。我就琢磨着能不能把它塞进微信小程序里做个轻便又聪明的“随身家教”。说干就干。这个想法听起来简单但真做起来从后端AI服务搭建到小程序前端交互再到两者之间安全、流畅地“对话”每一步都有不少门道。今天我就把自己趟过的路、踩过的坑还有最终跑通的方案跟大家详细聊聊。如果你也想在微信生态里给用户提供一个既智能又贴心的学习体验这篇实战分享或许能给你一些启发。1. 为什么选择Phi-3-Mini-128K做技术选型第一步永远是搞清楚“为什么要用它”。市面上大模型那么多为什么偏偏是Phi-3-Mini-128K来当这个“智能大脑”首先它足够轻量但能力不弱。完整的名称里带“Mini”意味着它对计算资源的要求相对友好。我们不需要准备一堆昂贵的GPU服务器用性价比不错的云服务器就能跑起来这对于控制项目初期成本非常重要。别看它小在常识推理、代码生成和语言理解这些基础任务上表现相当扎实应付中小学生的课业辅导绰绰有余。其次128K的超长上下文是王牌。学习辅导不是一次性的问答。孩子可能会拿着一道数学题反复追问不同的解法或者写一篇作文让我们来回批改润色。这就需要模型能记住之前聊过的所有内容。128K的上下文长度意味着它能记住很长一段对话历史从而提供连贯、有深度的辅导而不是每次回答都“失忆”。最后它的回答风格比较克制和准确。我们尝试过一些模型有时候为了显得“聪明”会过度发挥甚至编造一些不存在的知识点。Phi-3-Mini-128K在大多数情况下回答都倾向于基于已知信息不确定时会直接承认这对于教育类应用来说至关重要——我们可以接受“不知道”但不能接受“教错了”。当然它也不是万能的。比如在需要极强创造力的开放式写作上可能不如一些专精于此的大模型。但综合考量部署成本、上下文能力和回答可靠性它无疑是打造一个实用型学习辅导应用的优等生。2. 整体架构设计让小程序和AI安全握手确定了核心的AI模型接下来就得设计一套系统让微信小程序这个“前台”能和Phi-3-Mini这个“后台大脑”安全、高效地沟通。我们的目标是用户在小程序里拍一道题、问一句话这个请求要能安全地抵达我们的服务器唤醒Phi-3-Mini进行分析再把结果清晰、快速地送回小程序展示给用户。这中间安全和体验是两大核心。下面这张图描绘了我们最终采用的架构用户微信小程序 | | (HTTPS 微信登录凭证) v [ 云服务器 - 反向代理 (Nginx) ] | | (内部转发) v [ 后端API服务 (Python FastAPI) ] | | |--- [ Phi-3-Mini 推理服务 ] ---| | | |--- [ 会话管理 缓存 (Redis) ] | | (结构化响应) v 用户微信小程序 (展示结果)我来拆解一下几个关键部分第一道关卡微信生态的身份验证。我们不能让任何人随便调用我们的AI服务。小程序端我们通过wx.login()获取用户的临时登录凭证code将这个code和我们小程序的AppID、AppSecret一起发送到我们自己的后端服务器。后端服务器再用这些信息向微信官方接口换取用户的唯一标识openid和会话密钥session_key。只有验证成功的请求我们才会处理。这就确保了访问者都是我们小程序的真实用户。通信安全全程HTTPS。从小程序到我们服务器所有数据都必须通过HTTPS加密传输防止信息在途中被窃听或篡改。这是微信平台的强制要求也是基本的安全底线。后端服务FastAPI 异步处理。后端我用Python的FastAPI框架来搭建主要看中它的高性能和异步支持。学习辅导的请求尤其是作文批改、复杂题目解析可能需要模型“思考”几秒钟。使用异步处理可以在等待模型响应的同时不阻塞服务器处理其他请求提高整体的并发能力。AI服务封装。我们将Phi-3-Mini模型部署在一个独立的服务中比如用Ollama或vLLM等工具部署然后通过FastAPI后端去调用它。这样做的好处是AI模型的生命周期和后端Web服务解耦模型可以单独重启、升级而不影响API的可用性。会话状态管理Redis。为了提供连贯的多轮对话比如针对同一道题的连续追问我们需要记住对话的上下文。我们把每次对话的上下文历史以session_id为键临时存储在Redis里。每次新请求到来就取出之前的对话历史连同新问题一起送给模型最后再把新的对话历史存回去。Redis速度快而且可以设置自动过期非常适合这个场景。这个架构看起来环节不少但每一层都有明确的分工共同保证了应用的稳定、安全和良好的用户体验。3. 后端核心构建智能学习引擎后端是整个应用的大脑它不仅要安全地接收请求更要聪明地处理学习任务。我们围绕Phi-3-Mini-128K构建了几个核心的辅导功能。3.1 题目解析不只是给答案孩子遇到难题最需要的不是直接看到答案而是理解思路。我们的“题目解析”功能就围绕这个目标设计。当小程序端上传一道题目的照片经过OCR识别成文字或直接输入题目文字时后端会做这样几件事题目分类与意图识别首先我们会用一个简单的规则或小模型也可以让Phi-3-Mini自己判断来判断题目类型是数学应用题、物理计算题还是语文阅读理解题不同类型的题目我们给模型的指令会略有不同。构造提示词这是最关键的一步。我们不能简单地把题目扔给模型说“解一下”。我们需要引导它按照我们期望的方式思考。例如对于一道数学题我们的提示词可能是你是一位耐心的数学老师。请分步骤解答以下题目并在每一步解释原因。如果题目有多个解法请先给出最通用的解法。 题目{用户输入的题目}调用模型与后处理将构造好的提示词连同当前对话的历史记录如果有的话一起发送给Phi-3-Mini推理服务。拿到模型的回答后我们可能还需要做一些后处理比如用正则表达式提取出最终的答案框或者将回答格式化成更易读的小标题形式如“第一步分析题意”、“第二步建立方程”。生成举一反三增值功能在给出解析后我们可以让模型再“思考”一下“请基于刚才的题目变化一个条件出一道相似但不同的新题目用于巩固练习。” 这能极大地提升辅导价值。3.2 作文批改从语法到文采作文批改比题目解析更复杂因为它涉及多个维度的评价。我们的流程如下接收与预处理接收用户上传的作文文本。可以提醒用户标注年级以便采用不同标准。结构化批改提示我们设计一个详细的批改框架让模型按点“阅卷”。你是一位经验丰富的语文老师。请从以下维度对这篇作文进行批改和点评 1. **立意与主题**中心是否明确立意是否有深度 2. **结构与逻辑**段落划分是否合理叙事或论证逻辑是否清晰 3. **语言表达**有无错别字、病句用词是否准确、丰富 4. **文采与修辞**是否有精彩的句子或恰当的修辞手法 请先给出一个总体评分百分制和总评然后按照上述维度分别点评指出具体优点和可修改之处。最后请为文章提供一个具体的修改提升建议。 作文题目《{作文题目}》 作文内容{作文内容}结果结构化模型的回复可能是大段的文字。我们可以通过提示词引导它用特定的标记如[评分]、[总评]来输出方便后端用程序解析成结构化的JSON数据这样前端小程序就能把评分、总评、分项点评漂亮地展示出来而不是展示一大段文字。3.3 知识点问答一个耐心的百科老师这是最像聊天机器人的功能但目标更明确解答学科知识点疑问。会话管理这是该功能的核心。用户可能会问“什么是勾股定理”接着问“它的逆定理是什么”再问“能举个例子吗”。我们需要通过Redis维护一个以用户或对话为单位的上下文列表每次都将整个对话历史送给模型。知识边界控制为了避免模型胡编乱造我们可以在系统提示词中加以限制例如“你是一个中学知识辅导助手请基于公认的课本知识回答问题。如果你对某个问题不确定请如实告知并建议用户查阅教材或请教老师。”支持多模态输入除了文字小程序端还可以上传包含知识点的图片比如课本的一页。后端需要先将图片通过OCR服务转换成文字再结合用户的文字问题一并提交给模型处理。代码示例FastAPI核心端点以下是一个简化版的后端核心处理端点它展示了如何接收请求、管理会话并调用AI服务。from fastapi import FastAPI, HTTPException, Depends from pydantic import BaseModel import redis import asyncio from typing import Optional # 假设有调用Phi-3-Mini的异步客户端 from ai_client import phi3_mini_client app FastAPI(title智能学习辅导API) # 连接Redis用于存储会话 redis_client redis.Redis(hostlocalhost, port6379, db0, decode_responsesTrue) class QuestionRequest(BaseModel): session_id: str # 会话ID由前端生成 question_text: str # 问题文本 question_image_url: Optional[str] None # 题目图片URL可选 subject: Optional[str] general # 学科分类 app.post(/api/ask) async def ask_question(request: QuestionRequest): 处理用户提问的核心端点。 # 1. 构建或获取对话历史 history_key fchat_history:{request.session_id} # 从Redis获取之前的对话记录最多保存最近10轮 chat_history redis_client.lrange(history_key, 0, 9) or [] # 2. 处理图片如果存在这里简化处理实际需调用OCR API full_question request.question_text if request.question_image_url: # 伪代码调用OCR服务识别图片文字 # ocr_text await ocr_service(request.question_image_url) # full_question f图片内容{ocr_text}\n问题{request.question_text} full_question f附有图片{request.question_text} # 3. 构造发送给模型的提示消息 # 将历史记录和当前问题组合成模型接受的格式 messages_for_model [] # 添加系统指令定义助手角色 messages_for_model.append({role: system, content: 你是一位专业、耐心、严谨的学科辅导老师。请用清晰、易懂的语言回答学生问题。如果问题超出你的知识范围请如实告知。}) # 添加历史对话假设历史记录已按角色交替存储 for i, h in enumerate(chat_history): # 这里需要根据存储格式解析角色和内容 pass # 简化处理 # 添加当前用户问题 messages_for_model.append({role: user, content: full_question}) # 4. 调用Phi-3-Mini模型 try: # 假设的异步调用函数 ai_response await phi3_mini_client.chat_completion( messagesmessages_for_model, max_tokens1024 ) answer_text ai_response[choices][0][message][content] except Exception as e: raise HTTPException(status_code500, detailfAI服务处理失败{str(e)}) # 5. 更新对话历史将本轮问答存入Redis # 存储用户问题 redis_client.lpush(history_key, fuser:{full_question}) # 存储助手回答并设置列表长度上限和过期时间 redis_client.lpush(history_key, fassistant:{answer_text}) redis_client.ltrim(history_key, 0, 19) # 只保留最近10轮20条消息 redis_client.expire(history_key, 1800) # 会话30分钟后过期 # 6. 返回响应给小程序 return { success: True, session_id: request.session_id, answer: answer_text, # 可以返回结构化数据如果做了后处理的话 }这个端点涵盖了会话管理、模型调用的核心逻辑。在实际开发中你还需要添加用户认证、请求限流、更完善的错误处理等。4. 小程序前端打造流畅的学习体验后端再强大最终也要通过小程序界面与用户见面。前端的目标是操作简单、反馈及时、展示清晰。4.1 核心功能页面设计我们主要设计三个核心页面首页/搜索页核心入口。一个简洁的输入框支持文字输入和拍照/选图按钮。下方可以展示历史搜索记录或热门问题。拍照后调用微信的图片上传API将图片先上传到我们的文件存储如云存储获得URL后再连同问题类型一起发送给后端。对话详情页这是交互的主战场。页面布局参考常见的聊天界面上方是题目或用户问题展示区中间是清晰的、分步骤的AI解答区域利用富文本或自定义组件渲染步骤、公式等。最下方是追问输入框。关键点在于这个页面要能承载多轮对话新的追问和回答能无缝地追加到对话流中。学习报告页可选但建议有定期如每周生成一个学习报告汇总孩子查询过的知识点、常错的题型、作文的进步情况等。这些数据需要后端进行分析和汇总前端以图表如使用ec-canvas绘制简单图表和列表的形式友好展示让家长和孩子都能直观看到学习轨迹。4.2 用户体验优化细节这些细节决定了用户是“愿意用”还是“懒得用”。网络状态管理AI推理可能需要几秒甚至十几秒。必须提供清晰的加载状态如“老师正在思考…”的动画并做好网络超时和错误的重试、提示。可以使用微信小程序的wx.request的timeout配置并设置合理的重试逻辑。本地缓存对于已经获取的题目解析、作文批改结果可以在小程序本地使用wx.setStorage进行缓存。当用户再次查看时无需联网即可立即展示提升响应速度。语音输入对于低龄孩子或者不方便打字的场景集成微信的wx.startRecord和语音识别API或接入第三方语音识别服务非常有用。用户按住说话松开后自动转文字并发送体验更自然。内容安全用户生成的内容UGC尤其是上传的图片和输入的文本在发送到我们自己的后端之前必须先调用微信的security.msgSecCheck接口进行内容安全检测。这是微信平台的强制要求也是为了保护我们的应用不被恶意利用。反馈机制在每个答案下方设置“有帮助”/“没帮助”的简单反馈按钮。收集到的反馈数据非常宝贵可以帮助我们持续优化提示词和模型效果。4.3 代码示例小程序端拍照搜题以下是小程序端实现拍照、上传、并获取解析结果的一个简单示例。// pages/index/index.js Page({ data: { questionText: , answer: , loading: false, imagePath: }, // 1. 拍照或选择图片 chooseImage: function() { const that this; wx.chooseMedia({ count: 1, mediaType: [image], sourceType: [album, camera], success(res) { const tempFilePath res.tempFiles[0].tempFilePath; that.setData({ imagePath: tempFilePath }); // 可以在这里预览图片 that.uploadImage(tempFilePath); } }) }, // 2. 上传图片到云存储或自有OSS uploadImage: function(filePath) { const that this; that.setData({ loading: true, answer: }); // 假设使用微信云开发或自有后端的上传接口 wx.cloud.uploadFile({ // 或者使用 wx.uploadFile cloudPath: questions/${Date.now()}.jpg, filePath: filePath, success: res { // 获取文件ID或URL const fileID res.fileID; that.analyzeQuestion(, fileID); // 调用解析接口 }, fail: err { console.error(上传失败, err); wx.showToast({ title: 上传失败, icon: none }); that.setData({ loading: false }); } }); }, // 3. 调用后端解析接口 analyzeQuestion: function(text, imageFileId) { const that this; // 获取用户登录态确保有有效的token或openid const token wx.getStorageSync(auth_token); wx.request({ url: https://your-backend.com/api/analyze, // 你的后端地址 method: POST, header: { Content-Type: application/json, Authorization: Bearer ${token} }, data: { session_id: wx.getStorageSync(session_id) || this.generateSessionId(), question_text: text, question_image_url: imageFileId, // 或图片URL subject: math // 可以根据UI选择传递 }, success(res) { if (res.data.success) { that.setData({ answer: res.data.answer, loading: false }); // 将问答记录存入本地缓存或提交给后端记录 } else { wx.showToast({ title: 解析失败 res.data.msg, icon: none }); that.setData({ loading: false }); } }, fail(err) { console.error(请求失败, err); wx.showToast({ title: 网络请求失败, icon: none }); that.setData({ loading: false }); } }); }, // 生成一个简单的会话ID generateSessionId: function() { return session_ Date.now() _ Math.random().toString(36).substr(2); } })5. 总结把Phi-3-Mini-128K的能力通过微信小程序释放出来做一个智能学习助手整个过程就像搭积木关键是把每一块都放对位置。模型本身提供了不错的理解力和长上下文记忆这是核心。后端架构要保证安全、稳定能管理好每一次对话。小程序前端则要把这些能力包装得简单、顺手让孩子和家长愿意用、喜欢用。实际开发中挑战往往在细节里。比如怎么设计提示词才能让模型更像个“老师”而不是“题库”怎么处理用户上传的模糊照片怎么在答案生成慢的时候不让用户失去耐心这些问题都需要在迭代中不断优化。我们目前上线的初版已经能很好地处理数学题分步讲解和作文结构点评用户的反馈集中在“解释得很清楚”和“追问很方便”上这让我们觉得方向是对的。当然这只是个开始。未来还可以加入更多功能比如根据错题自动生成练习卷或者分析一段时间的学习数据给出个性化的复习建议。技术只是工具最终的目标是让它真正帮到学习者。如果你也有类似的想法不妨动手试试从解决一个小问题开始你会发现打造一个有用的AI应用并没有想象中那么难。获取更多AI镜像想探索更多AI镜像和应用场景访问 CSDN星图镜像广场提供丰富的预置镜像覆盖大模型推理、图像生成、视频生成、模型微调等多个领域支持一键部署。
