AI教师备课助手｜2026年4月10日五部门新政落地，智能备课的技术原理与代码实战

 传统备课的“手动模式”——伪代码示意
def traditional_lesson_prep(subject, topic, grade):
    textbook = fetch_textbook(subject, grade)           翻教材
    references = search_online(topic)                   搜资料
    lesson_plan = manual_write_plan(textbook, references)   手写教案——最耗时的部分
    slides = manual_make_slides(lesson_plan)            手动做PPT
    exercises = manual_create_exercises(topic)          手动出题
    return lesson_plan, slides, exercises

 RAG工作流程示意
def rag_based_lesson_prep(topic, textbook_content, teaching_standards):
     Step 1: 用户查询
    user_query = f"请为{topic}设计一份教案"
    
     Step 2: 检索——从教材和课标中召回相关内容
    relevant_chunks = []
    for doc in [textbook_content, teaching_standards]:
        chunks = chunk_document(doc)            文档分块
        retrieved = vector_search(user_query, chunks)   向量检索
        relevant_chunks.extend(retrieved)
    
     Step 3: 增强——将检索到的内容拼接到Prompt中
    augmented_prompt = f"""
    请基于以下参考资料设计教案：
    
    【参考资料】
    {relevant_chunks}
    
    【用户需求】
    {user_query}
    
    请确保教案严格参考以上资料，不编造事实。
    """
    
     Step 4: 生成——LLM基于增强后的Prompt生成
    lesson_plan = llm.generate(augmented_prompt)
    return lesson_plan

"""
AI教师备课助手——核心模块极简实现
基于RAG架构，支持教案生成与题目设计
"""

import os
from typing import List, Dict
from openai import OpenAI

 初始化LLM客户端（以OpenAI API为例，可替换为国内模型）
client = OpenAI(
    api_key=os.getenv("OPENAI_API_KEY"),
    base_url="https://api.openai.com/v1"
)


class AI备课助手:
    """AI教师备课助手核心类"""
    
    def __init__(self, knowledge_base: Dict[str, str]):
        """
        初始化备课助手
        :param knowledge_base: 知识库字典，键为文档名称，值为文档内容
        """
        self.knowledge_base = knowledge_base
        self.chunk_size = 500   文档分块大小
    
    def _chunk_document(self, text: str) -> List[str]:
        """将长文档切分为chunk块"""
        words = text.split()
        return [' '.join(words[i:i+self.chunk_size]) 
                for i in range(0, len(words), self.chunk_size)]
    
    def _retrieve(self, query: str) -> str:
        """
        检索阶段：从知识库中召回相关内容
        生产环境使用向量数据库（如Chroma、Pinecone），此处简化为关键词匹配
        """
        query_lower = query.lower()
        relevant_parts = []
        
        for doc_name, doc_content in self.knowledge_base.items():
            chunks = self._chunk_document(doc_content)
            for chunk in chunks:
                 简化版检索：关键词匹配
                if any(keyword in chunk.lower() for keyword in query_lower.split()):
                    relevant_parts.append(chunk[:300])   截取前300字符
        
         合并检索结果，限制总长度
        return "\n".join(relevant_parts[:3]) if relevant_parts else ""
    
    def generate_lesson_plan(self, topic: str, grade: str, duration: int = 45) -> str:
        """
        生成教案——RAG增强生成
        :param topic: 教学主题
        :param grade: 年级
        :param duration: 课时时长（分钟）
        :return: 结构化教案文本
        """
         Step 1: 检索——从知识库中召回相关内容
        retrieved_context = self._retrieve(f"{grade} {topic} 教案")
        
         Step 2: 增强——构建包含检索结果的Prompt
        prompt = f"""
        你是一位经验丰富的{grade}教师，请设计一份{topic}的教案。
        
        【参考教材内容】
        {retrieved_context}
        
        【设计要求】
        - 课时时长：{duration}分钟
        - 教学目标：明确知识、能力、情感三维目标
        - 教学重点与难点：各列出2点
        - 教学过程：导入(5min)→新授(25min)→巩固(10min)→小结(5min)
        - 请基于参考内容编写，不得编造与教材不符的事实
        
        请直接输出教案内容，不需要额外说明。
        """
        
         Step 3: 生成
        response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": prompt}],
            temperature=0.7
        )
        return response.choices[0].message.content
    
    def generate_exercises(self, topic: str, difficulty: str = "medium", count: int = 5) -> str:
        """
        生成练习题——支持难度分层
        :param topic: 知识点
        :param difficulty: easy/medium/hard
        :param count: 题目数量
        """
        prompt = f"""
        请基于{topic}知识点，生成{count}道{difficulty}难度的练习题。
        每道题包含：题干、选项（如有）、参考答案、简要解析。
        题目类型应多样化（选择/填空/简答），适合课堂练习使用。
        """
        response = client.chat.completions.create(
            model="gpt-4o-mini",
            messages=[{"role": "user", "content": prompt}]
        )
        return response.choices[0].message.content


 使用示例
if __name__ == "__main__":
     模拟知识库：教材内容 + 课程标准
    my_kb = {
        "勾股定理教材": """
        勾股定理：直角三角形两直角边的平方和等于斜边的平方。
        如果直角三角形的两条直角边长度分别为a和b，斜边长度为c，
        那么 a² + b² = c²。
        勾股定理是数学几何学中的基本定理，广泛应用于距离计算和工程测量。
        """,
        "数学课标": """
        八年级数学课程标准要求学生能够掌握勾股定理的证明方法，
        能够运用勾股定理解决实际问题，了解勾股定理的历史文化背景。
        """
    }
    
     创建AI备课助手实例
    assistant = AI备课助手(my_kb)
    
     生成教案
    lesson_plan = assistant.generate_lesson_plan(
        topic="勾股定理", 
        grade="八年级",
        duration=45
    )
    print("===== 教案生成结果 =====")
    print(lesson_plan)
    
     生成练习题
    exercises = assistant.generate_exercises(
        topic="勾股定理",
        difficulty="medium",
        count=3
    )
    print("\n===== 练习题生成结果 =====")
    print(exercises)