开发一款 AI 英语智能体（AI English Agent），其核心在于超越传统的“一问一答”对话框，打造一个具备感知、记忆、自主规划与工具执行能力的虚拟外教系统。
一、 核心架构设计
主控大脑（LLM 决策层）：负责教学意图识别与任务分解。主智能体（Supervisor Agent）：分析用户表达中的词汇、语法及情感，动态调度分管模块（如负责口语引导、发音纠错或写作批改的专业 Agent）。教学策略控制：依据第二语言习得（SLA）理论，控制纠错时机（实时打断 vs 阶段总结）与难度递进。
语音与感知：实时流式语音交互：采用 WebRTC 协议搭配 WebSocket，控制全链路语音延迟在 500ms 以内。音素级评估（Pronunciation Assessment）：接入专业发音评测引擎，精确定位元音发音偏离、重音错位与连读问题。
多层级记忆系统：短期记忆：记录当前会话的上下文与互动情绪状态。长期记忆（用户画像）：保存用户的 CEFR 英语等级（A1-C2）、常见语法弱点、兴趣偏好与历史错题库。
工具与行动（Tools/Actions）：通过 Function Calling 调用外部 API，实现实时出题、生成思维导图提纲、检索 RAG 权威例句词典等功能。
二、 核心功能模块实现
场景化对话陪练：支持设定特定角色（如面试官、海关人员、酒店前台），智能体能主动抛出话题并进行启发式提问，避免“冷场”。
动态 CEFR 难度适配：大模型根据用户的表达词汇量实时调整自身的输出复杂度（降维解释或升维替换高阶词汇）。
多维度实时/异步纠错：口语模式：对话中注重流利度，对话结束后生成包含“原句-优化句-语法点解析”的诊断报告。写作模式：深层识别逻辑断层、中国式英语（Chinglish）及词汇搭配误用，给出高分润色建议。
三、 技术选型
Agent 编排框架：推荐使用 LangGraph 或 CrewAI。LangGraph 擅长构建包含状态机与循环控制的复杂教学流程（如“提问-诊断-提示-再重试”流程）。
语音交互基础设施：TTS（语音合成）：ElevenLabs 或 Azure Speech（支持自然停顿、情感起伏与英/美音切换）。STT（语音识别）：Whisper / Deepgram（兼顾高识别准确率与低延迟）。
知识库与 RAG：向量数据库（Qdrant / Pinecone）结合重排模型（Reranker），存储语法规则库、真题解析与分级读物。
四、 阶段性开发路线图
1.场景 SOP 梳理与 Prompt/Agent 架构设计：第 1 - 3 周。
确定核心教学场景（如口语陪练、雅思口语 Part 2 模拟）。设计 Supervisor Agent 与子 Agent 的分工逻辑，在 LangGraph 中构建初步的教学状态图（State Graph）。
2.流式语音链路搭建与工具集成：第 4 - 7 周。
打通 WebRTC/WebSocket 极速语音传输通道。接入音素级发音评测工具与词典 API，实现基础的“听-思考-说”低延迟闭环。
3.长期记忆库构建与 CEFR 自适应算法：第 8 - 10 周。
搭建基于向量数据库的用户长期记忆模块。实现根据用户的历史表现自动调整对话难度与纠错频率的算法机制。
4.端到端压测、教学效果评估与上线：第 11 - 12 周。
进行高并发场景下的语音延时优化与中断机制（Interruption Handling，即用户说话时智能体立即停顿）测试。完成 App/Web 端部署并上线。
