CogEvo-Edu：认知演化教育多智能体协作系统
人工智能
2025-12-02 v1 多智能体系统
摘要
大语言模型（LLMs）日益被用作 STEM 教育中的对话式辅导员，但大多数系统仍依赖单一大语言模型的静态检索增强生成（RAG）管道处理课程材料。这种设计在数字信号处理（DSP）等复杂领域面临挑战，因为辅导员必须维持连贯的长期学生模型、管理异构知识库，并在持续的交互中调整教学策略。我们认为检索、记忆和控制应被视为耦合的认知演化过程。在 CogEvo-Edu 中，我们实现了这一观点：一个层级化的教育多智能体系统，包括认知感知层（CPL）、知识演化层（KEL）和元控制层（MCL）。CPL 维护双重记忆并执行置信加权整合，以在有限上下文条件下构建结构化、自我纠正的学生轮廓。KEL 为每个知识块分配时空价值，以驱动激活、语义压缩和遗忘。MCL 将教学建模为层级顺序决策，协调专用智能体并通过双内-外环联合调整 CPL/KEL 超参数。为评估 CogEvo-Edu，我们构建了 DSP-EduBench，一个针对 DSP 辅导的垂直基准，包含异构资源、模拟学生轮廓和长期交互脚本。使用由三模型大语言模型评判者组成的 ensemble，CogEvo-Edu 将总体得分从 5.32 提升至 9.23，并在静态 RAG、简单记忆和单智能体变体的所有六项指标上均取得提升，展示了联合演化学生轮廓、知识库和教学策略的价值。
引用
@article{arxiv.2512.00331,
title = {CogEvo-Edu: Cognitive Evolution Educational Multi-Agent Collaborative System},
author = {Yefeng Wu and Yuchen Song and Yecheng Zhao and Ling Wu and Shan Wan},
journal= {arXiv preprint arXiv:2512.00331},
year = {2025}
}