高中信息技术必修1《6.1.2 领域知识智能问答机器人》教学设计

高中信息技术必修1《6.1.2领域知识智能问答机器人》教学设计单元整体规划与大概念确立本单元依托粤教版（2019）必修1《数据与计算》模块第6章“人工智能初步”展开。大概念锚定在“数据驱动的智能行为构建”上，旨在引导学生透过现象看本质，理解自然语言处理、知识表示与推理、机器学习三大技术支柱如何协同支撑智能问答系统的落地。教材将6.1.2节定位为“领域知识智能问答机器人”，区别于通用闲聊机器人，其核心在于“垂直领域”、“知识图谱”、“精准检索”与“可解释性”。单元教学不满足于工具调用层面的体验，而是将工程化建模全流程——需求分析、知识抽取、模型训练、服务部署——压缩至四课时完成，形成“微型工程实践”闭环。大概念落地为三个核心问题：知识如何被机器理解？语义如何被向量度量？业务如何闭环落地？这三个问题贯穿始终，倒逼学生从数据、算法、工程三维思维重构认知结构。学情分析与核心素养目标学生已修完必修1前五章，具备Python基础语法、数据结构、文件操作、网络爬虫初步及数据可视化能力。认知层面，学生对“训练模型”有感性认知，但缺乏“特征工程”“向量检索”“提示工程”等关键概念的操作性理解。心理层面，高一学生好奇心强、动手欲望旺，但抽象建模能力参差不齐，易陷入代码堆砌而忽视架构设计。针对性地，本设计确立四维核心素养目标：信息意识上，能识别领域知识的结构化特征，判断数据源权威性与时效性；计算思维上，能拆解问答链路为实体识别、意图分类、实体链接、答案生成四子任务，用有限状态机或图结构建模对话流程；数字化学习与创新上，能基于LangChain或自研RAG框架，集成向量数据库与大语言模型API，快速迭代原型；信息社会责任上，能在训练数据脱敏、回答溯源引用、拒答敏感话题三维度落实合规与伦理。教学目标细化至可观测行为动词知识与技能目标：学生能说清TFIDF、BM25、双塔模型、向量索引HNSW的适用边界；能手写代码实现基于jieba的领域分词、基于正则与规则的实体抽取、基于FAISS的向量检索TopK召回；能配置ChatGLM6B或调用千问API实现上下文注入与流式输出。过程与方法目标：学生采用敏捷开发模式，产出需求文档、ER图、接口契约、测试用例四份工程制品；在PairProgramming模式下完成核心模块编码与CodeReview。情感态度价值观目标：学生在“幻觉对抗”实战中体会数据质量对模型上限的决定性作用，形成“数据为本、工程为骨、模型为器”的工程素养。重难点突破策略重点在于RAG（检索增强生成）架构的落地与参数调优。难点在于“领域知识建模”与“大模型幻觉抑制”的矛盾调和。突破路径采用“脚手架递减”策略：课时一提供完整知识图谱Schema与标注工具，学生专注实体关系抽取；课时二封装向量化与检索模块为黑盒API，学生专注PromptEngineering与上下文窗口管理；课时三开放全链路代码，引入LangSmith进行链路追踪与评测；课时四引入对抗样本集，强制学生通过Fewshot、CoT、ReAct、RAGFusion等技术迭代提升准确率。认知负荷转移遵循“从结构化到非结构化、从规则确定性到概率生成、从单轮问答到多轮对话”的螺旋上升规律。教学过程设计——课时一：需求分析与知识建模情境导入设定为“校园智慧选课助手”真实场景。教师抛出三张真实工单：工单A咨询“计算机网络先修课是什么”，工单B咨询“张三老师《数据库原理》期中考试占比”，工单C咨询“下学期选课冲突怎么调课”。学生分组在5分钟内判断哪些可直接查询知识库、哪些需调用业务接口、哪些涉及隐私合规。全班汇聚形成“事实类规则类事务类”三分法，自然引出结构化知识图谱与非结构化文档库双轨并行架构。核心任务一：领域本体构建。教师发放《选课领域核心实体清单》含课程、教师、教室、时间段、专业、培养方案、学生、成绩八大实体及23种关系。学生使用Protégé打开预置OWL本体文件，补全`prerequisiteOf`（先修）、`mutuallyExclusiveWith`（互斥）、`capacityLimitOf`（容量上限）等对象属性的域、范围、逆向关系及基数约束。重点攻克“先修课传递性推理”建模：若A先修B、B先修C，推导A间接先修C，在OWL中声明`TransitiveObjectProperty`。学生在本体编辑器中运行HermiT推理器验证推理结果，导出TBox作为后续图谱构建蓝图。核心任务二：种子数据标注与质控。教师提供50份PDF版培养方案、教学大纲、选课手册。学生组建“标注复核仲裁”三人小组，使用Doccano导入文档，按BIOES标注体系标注实体边界，关系抽取采用远程监督预标注+人工校正。质控指标设定：实体F1≥0.92、关系F1≥0.88、Kappa一致性≥0.85。教师现场演示冲突样本仲裁：“《操作系统》属于‘课程’还是‘课程模块’”，引导查阅学校教务系统数据字典统一口径，体会“数据治理70%在定标准、30%在写代码”的工程真谛。核心任务三：图谱入库与可视化验证。学生编写Python脚本调用py2neo批量写入Neo4j，建立节点索引`CREATEINDEXFOR(c:Course)ON(c.code)`、关系索引`CREATEINDEXFOR()[r:prerequisiteOf]()ON(r.semester)`。编写Cypher验证查询：`MATCHp=(c:Course{code:'CS301'})[:prerequisiteOf1..3]>(pre)RETURNp`可视化展示多跳先修链路。课末产出：本体文件`course_ontology.owl`、标注语料`train.jsonl`、图谱导出`graph.dump`、建模复盘文档`design.md`。教学过程设计——课时二：文本预处理与特征工程开课即演示“毒化样本”攻击：向向量库注入“选课系统密码是admin123”伪造文档，查询“密码是什么”触发隐私泄露。引出数据清洗与安全脱敏的必要性。学生分组设计清洗Pipeline：PDF解析用pdfplumber保留表格结构，OCR兜底扫描件；正则清洗页眉页脚、水印、乱码；敏感词典匹配脱敏姓名、学号、手机号，替换为`[MASK_PERSON]`等占位符；长文本分块策略对比：固定长度512tokens重叠128vs语义分块基于标题层级递归切分。学生实测两种策略在“查找跨段落先修关系”任务上的召回率差异，得出“语义分块保持上下文完整，召回率提升12%”的经验结论。向量化模型选型实验。教师准备三个Embedding模型：bgesmallzhv1.5（33M参数、384维）、textembedding3small（1536维）、本地部署的E5basev2（768维）。学生编写评测脚本：构建100组“查询相关文档”标注对，计算余弦相似度分布，绘制ROC曲线，统计MRR@10、Recall@5、延迟P99。实测数据记录于共享表格：bgesmall检索耗时18ms/查询、MRR0.72；textembedding3small耗时320ms（含网络）、MRR0.81；E5base耗时45ms、MRR0.78。综合考虑部署成本与离线隐私要求，班级共识选定bgesmallzhv1.5量化INT8版本部署于CPU服务器。向量数据库选型与索引调优。对比MilvusLite、Chroma、FAISS三种模式。学生以10万文档块为规模，测试HNSW参数`M=16,efConstruction=200`vs`M=32,efConstruction=400`对构建时间、内存占用、QPS、Recall@10的影响。引导学生理解“图层数越多、连接数越大、召回越高、但内存指数级增长”的工程权衡。最终定型配置：`M=24,efConstruction=300,efSearch=128`，单机QPS1200+，Recall@100.96，内存占用2.3GB。课末产出：清洗后语料`chunks.jsonl`、向量索引`faiss.index`、模型选型报告`embedding_eval.xlsx`、脱敏规则库`pii_patterns.yaml`。教学过程设计——课时三：检索匹配与答案生成算法实现本课时攻克RAG核心链路：QueryRewriting→HybridSearch→Reranking→Contextpression→Generation。教师先讲解“查询改写必要性”：用户问“张三老师的课难不难”需改写为“张三教师课程评价难度给分”，演示基于大模型的QueryExpansionPrompt：`你是查询改写专家，将用户口语问题改写为3个检索友好查询，保留实体，补全同义词，输出JSON数组`。学生实测改写前后Recall@5从0.61提升至0.79。混合检索实现。稀疏检索使用BM25S库，稠密检索使用FAISS，融合采用RRF（ReciprocalRankFusion）公式：`score(d)=Σ1/(k+rank_i(d))`，k取60。学生编写`HybridRetriever`类，封装`retrieve(query,top_k=20,alpha=0.5)`方法，alpha控制稀疏稠密权重。引入BGERerankerlarge重排序，输入Top50候选，输出Top5精排结果。实测重排后NDCG@5提升0.15，但增加45ms延迟，引导学生讨论“在线服务是否同步重排vs异步预重排”的架构决策。上下文压缩与Prompt构建。面对大模型4K/8K/32K上下文窗口限制，学生实现三种压缩策略：截断保留Top3、LLMLingua压缩提示词、关键句抽取保留实体关系三元组。设计Prompt模板采用结构化标记：```<|system|>你是校园选课助手，仅依据<context>回答，引用来源编号，不知则回“资料库暂无相关信息”。<|context|>[1]实体:计算机网络关系:prerequisiteOf实体:数据结构来源:培养方案2023.pdfpage=12[2]实体:张三关系:teaches实体:数据库原理来源:教学大纲_张三.docx</context><|user|>{query}<|assistant|>```学生对比ChatGLM36B、Qwen1.57BChat、GPT3.5Turbo在该模板下的幻觉率、引用准确率、拒答率。引导学生发现“强制引用来源编号”能将幻觉率从18%压至4%，但导致拒答率从5%升至22%，需通过降低重排阈值、增加“相关度不足时允许基于常识回答但需标注”条款平衡。流式输出与前端交互。学生使用FastAPI+ServerSentEvents实现Token级流式返回，前端Vue3组件逐字渲染，支持“引用溯源悬浮框”“不满意重新生成”“会话历史多轮上下文传递”。课末产出：完整后端服务`rag_server.py`、前端页面`ChatView.vue`、链路追踪配置`langsmith.yaml`、压测报告`locust_report.html`。教学过程设计——课时四：系统集成测试与迭代优化本课时确立“测试驱动开发”闭环。教师分发包含50个正样本、20个对抗样本、10个边界样本的测试集`testset_v1.jsonl`。正样本覆盖单跳/多跳实体查询、规则推理、文档总结；对抗样本含同义词干扰、实体模糊指代、隐私诱导、幻觉诱导、无关闲聊；边界样本含超长上下文、空检索结果、多意图混合。评测体系构建。指标体系：准确性维度——答案正确率（人工标注）、引用准确率（引用文档确实支撑答案）、拒答准确率（该拒答时拒答）；效率维度——首包延迟TP99、端到端延迟TP99、吞吐QPS；鲁棒性维度——对抗通过率、边界案例通过率。学生编写`evaluator.py`自动化跑批，生成HTML详细报告，含每条案例的检索片段、重排分数、Prompt全文、模型输出、人工复核勾选框。迭代优化三轮实战。第一轮针对“多跳推理失败”：引入ReAct模式，让大模型生成Cypher查询图谱，执行返回子图，再生成答案。学生实现`GraphReActAgent`，工具集含`run_cypher`、`vector_search`、`sql_query`，解决“计算机网络间接先修课有哪些”需3跳推理问题。第二轮针对“数值类查询幻觉”：如“学费多少”“学分绩点算法”，引入TexttoSQL模块，将结构化表格纳入检索源，强制模型生成SQL执行再组织语言。第三轮针对“长文档总结遗漏”：实现MapReduce分层总结，先分块摘要再汇总，配合`max_tokens=2048`输出限制。部署与运维落地。学生编写Dockerfile实现多阶段构建：Builder阶段安装依赖编译FAISS，Runtime阶段仅复制模型权重、索引文件、精简Python环境，镜像压缩至1.2GB。编写dockerpose.yml编排API服务、Nginx反向代理、Prometheus监控、Grafana看板。配置日志结构化输出JSON，含`trace_id`、`latency_ms`、`token_usage`、`retrieval_scores`。演练滚动更新、熔断降级、模型热加载演练。课末产出：测试报告`test_report.html`、优化迭代日志`changelog.md`、部署包`deploy/`、运维手册`runbook.md`。作业设计与分层评价基础层作业：复现课堂完整流程，提交GitHub仓库含README、requirements.txt、核心模块单测覆盖率≥80%。进阶层作业：引入HyDE（假设性文档嵌入）或Query2Doc改写，对比实验证明在“模糊意图查询”上MRR提升≥0.05。挑战层作业：设计多Agent协作架