开发一款 AI 英语教学智能体，需要兼顾语言学的教学规律与大语言模型的工程化设计。不同于通用 Chatbot，教学智能体必须具备“角色感知、能力评估、教学引导和实时纠错”的闭环能力。
以下是 AI 英语教学智能体的核心开发流程与关键技术方案：
一、 架构设计与系统分层
应用与交互层（UI/UX）语音实时交互：接入实时语音或 TTS/STT 组合（如 Whisper + ElevenLabs/Azure Speech），实现低延迟（<800ms）的口语对练。多模态辅助：提供实时字幕开关、生词点击查词、音标发音可视化及语法修正提示。
编排与决策层状态机与流控：管理对话状态（如“引导发问”、“纠错中”、“总结延伸”），避免智能体偏离教学主题。记忆系统：短期记忆：当前对话的上下文，维护对话连贯性。长期记忆：用户的 CEFR 英语等级（A1-C2）、性格偏好、高频语法错误库、已掌握词汇表。
模型与工具层主控 LLM：负责对话编排与自然表达。专项 Tool/Function Calling：语法/拼写检查器。发音评测引擎（GOP算法或专业发音评测 SDK）。动态词汇适配器（根据用户等级限制使用的词汇量）。
二、 核心教学功能与逻辑实现
动态语境与角色扮演场景设计：预设机场过关、职场面试、餐厅点餐等场景。Prompt 约束：设定 System Prompt 控制智能体的语速、词汇难易度（如“仅使用 CET-4 级词汇，保持提问占比在 40% 以上”），并要求智能体主动抛出开放性问题引导用户开口。
分层纠错机制非打断式纠错：在口语流利度练习中，智能体优先保证对话顺畅，将错误记录在后台，待用户完成表述后再集中输出修正建议。显性与隐性纠错结合：隐性纠错：智能体用正确的语法重复用户的意思（如用户说 "He go to school"，智能体回应 "Yes, he goes to school every day."）。显性纠错：针对严重影响理解的错误，通过单独的卡片或弹窗给出解析。
基于 CEFR 的自适应难度调控实时能力诊断：通过评估用户输入的句法复杂度（MLU）、词汇丰富度（TTR）和语法正确率，动态调整智能体的回答难度。脚手架教学：当检测到用户卡顿时（如停顿超过 5 秒），智能体自动提供句型提示（Sentence Starter）或中文母语助攻。
三、 评估与工程测试
教学效果 Eval 测试集构建包含“语法错误句”、“发音不标准文本”、“中国式英语”的专用测试数据集。验证智能体是否能准确识别错误类型（如时态、单复数、介词误用），同时检测其回答是否过于生硬或冗长。
延迟与成本优化流式传输：文本与语音同时采用流式输出，降低用户首字等待时间（TTFT）。大小模型协同：使用轻量级小模型（如 GPT-4o-mini 或 8B 级别端侧/云端开源模型）处理实时对话与意图分类，仅在深度语法解析或复杂批改时调用大模型。
