01
真实教育问题，不是泛化问答
我们聚焦青少年心理关怀与家校协同支持，覆盖学生表达、家长理解、学校观察三个真实环节。
- 学生端重视低门槛表达与情绪接住
- 家长端重视理解孩子状态与获取行动建议
- 后台端重视统一观察、预警与知识运营
2026 广东省大学生计算机设计大赛 · 教育方向助育场景
不是泛化聊天工具，
而是一套可落地、可演示、可解释的教育智能体系统。
WarmStudy 聚焦“学生难表达、家长难理解、学校难持续支持”的真实教育问题， 将学生端、家长端、AI 对话、心理评测、风险提醒、RAG 知识库与统一后台整合为一个闭环。 对比赛而言，它既有清晰场景，又有完整系统，又能突出大模型与智能体的真正价值。
2 端
学生端与家长端分角色协同，不共用一套回答人格
1 套
统一管理后台承接模型配置、知识库运营与系统观察
Agent
状态驱动策略、意图路由、风险感知与工作流编排
RAG
向量检索、重排与知识增强，支撑更可靠的心理支持
Why It Matters
围绕比赛最看重的三件事来设计产品价值
一个好的比赛作品，不只是界面好看，而是要能回答三个问题：场景真实吗、系统完整吗、技术是否真正服务于问题解决。WarmStudy 的设计就是围绕这三点展开。
02
完整系统，不是单页 Demo
作品不仅有 AI 对话，还包含评测、报告、绑定关系、后台、模型配置与知识库管理，具备完整演示链路。
- 学生端 / 家长端 / 管理后台三端协同
- 网关、RAG 服务、知识库、模型调用闭环
- 更符合比赛对“完整原型系统”的期待
03
技术解释得清，不是只喊大模型
WarmStudy 能明确展示 Agent + RAG 如何参与问题解决，并把流程拆解到可视化页面与后台验证中。
- 状态驱动策略和角色化输出逻辑可解释
- RAG 检索、向量化、重排流程可展示
- 后台可以观察模型与知识库运行状态
System Design
用“产品完整性 + 技术路线清晰性”支撑比赛说服力
官网不只是展示结果，也要帮助评委快速理解系统怎样工作、为什么这样设计、技术和场景如何对齐。
系统由三层组成：场景入口、智能体中台、知识增强与运维后台
学生与家长通过前端 App 进入系统，统一网关负责聚合接口与路由策略，Agent 与 RAG 组合提供具备角色区分和知识增强的回答能力，后台则负责模型配置、用户观察、风险提醒和知识库维护。
前端 App
基于微信小程序技术实现的 App 前端，覆盖学生端与家长端核心能力。
统一网关
集中暴露服务入口，兼顾状态检查、RAG 代理、后台控制台与接口治理。
Agent 策略层
意图路由、状态驱动策略、多角色回答差异化与工作流编排。
RAG 能力层
Embedding、向量数据库、混合检索与重排，提升回答相关性与可靠性。
- 学生端优先“先接住情绪，再给支持建议”
- 家长端优先“先帮助理解，再给下一步行动”
- 统一后台帮助评委直观看到模型、知识库与业务状态如何串起来
项目整体核心架构
从意图路由、状态驱动、ReAct、混合搜索到线程安全记忆管理与工作流引擎，WarmStudy 强调的是“场景智能体”的完整能力组合，而不是单点能力堆砌。
Competitive Edge
围绕评审预期，突出 WarmStudy 的五类核心优势
这些优势不是抽象口号，而是能被页面、流程图、后台与实际接口共同印证的系统能力。
状态驱动，不是固定 Prompt
系统会根据年龄、学段、最近打卡、测评结果与历史会话动态调整输出策略，让同一个问题在不同状态下得到不同层级、不同语气的回答。
双端双人格，贴合真实使用关系
学生端强调陪伴与低压表达，家长端强调结构化建议与沟通策略，避免“一套模板回答所有人”的角色错位。
RAG 与业务状态深度融合
不是单纯检索再回答，而是把角色、状态、上下文与知识片段一起送入生成链路，使回答更贴近教育心理场景。
统一后台可演示、可运营、可验证
后台不仅是附属页面，而是系统的重要组成部分，可以直观看到用户、模型、知识库、活动流与状态总览。
支持报告闭环与预警闭环
学生完成评测后，系统不仅输出结果，还能生成报告并同步到家长端，形成“学生表达 - 家长理解 - 系统提醒”的连续链路。
更适合比赛展示与答辩讲解
每一个技术能力都能找到对应的业务价值与页面承接，让“为什么这样做”比“做了什么”更容易说服评委。
Key Flows
把技术流程和业务闭环讲清楚，评委才更容易看懂作品价值
我们选取了比赛展示中最关键的几条链路：RAG 准备、RAG 回答、心理报告推送与家长绑定协同，形成从底层能力到场景闭环的完整叙事。
RAG · 提问前
知识先被整理，回答才有依据
心理健康研究报告先被切分为可检索片段，再通过 text-embedding-v3 生成向量并写入向量数据库。这一步决定了系统能否把知识真正变成“可用的支持”。
- 文档切片让知识粒度更适合检索
- Embedding 把语义映射为可比较的向量
- 向量数据库成为后续问答的知识底座
RAG · 提问后
不是直接回答，而是先找证据、再重排、再生成
学生提问后，系统会先做向量化查询，召回多个相关片段，再经由 Cross-Encoder 重排，最后把高相关内容连同问题一起送入大模型生成回答。
- 召回多个候选片段，避免漏掉关键知识
- 重排阶段提高命中质量与回答精度
- 结合业务上下文，让回答更符合学生当下状态
Business Flow
从心理评测到家长理解，形成真正的报告闭环
学生完成评测后，AI 生成专业性心理报告，家长端实时查看并接收建议，帮助家长理解孩子的难处，而不是只得到一个抽象分数。
- 评测不止于“做完”，而是导向解释与支持
- 家长端获得可以执行的沟通建议
- 形成比赛展示中极具说服力的场景闭环
Collaboration
家长端与学生端通过绑定关系形成协同支持
WarmStudy 的关键不只是学生和家长各有一个 AI，而是两端之间存在真实的关系映射，系统才能把表达、理解、观察与提醒接成一条线。
- 学生表达情绪与状态
- 家长理解孩子变化并接收建议
- 后台承接长期观察与风险提醒
Visual Proof
关键页面与技术图示共同支撑比赛展示效果
官网不仅是说明书，也是一页式答辩辅助材料。评委可以快速看到系统架构、模型链路、情绪分析、报告流程与界面联动的整体面貌。
模型链路设计
通过 LangChain 协调大模型与 Embedding 模型，让自然语言理解与知识表示两条链路都能被清晰说明。
情绪分析可视化
通过情绪词汇识别与状态感知，为后续策略调节提供依据，让智能体真正理解“此刻的学生”而不是只理解“这句话”。
智能体能力组合
多级意图路由、状态驱动策略、混合搜索、线程安全记忆与工作流引擎，共同组成 WarmStudy 的核心技术底座。
支持链路比问答更重要
从学生完成评测，到 AI 生成报告，再到家长接收建议，WarmStudy 展示的是“支持系统”，而不是单个对话框。