问算法题时 AI 不直接给答案——KITE 用苏格拉底式反问教学生调试

学生学算法时最想要的反馈是"这题怎么做"。但最好的反馈是"你觉得哪里卡住了？你先走一遍看看……这个变量在循环第三轮的值是多少？"——不是给答案，是引导思维过程。 Jain、Bhatt、Pitts、Pandya、Brusilovsky、Norouzi、Hellas、Leinonen 和 Akram（和 AI课件同一批人加上 ITS 领域的元老 Brusilovsky）开发的 KITE 系统是一个基于 RAG 的算法辅导智能体。核心设计决策：不直接给学生答案，而是用苏格拉底式反问给出有针对性的提示。系统需要先判断学生的意图——是在问概念（"DFS 和 BFS 区别是什么"）、是在追踪算法过程（"这里 visited 数组应该是什么"）、还是在调试逻辑错误（"我的代码输出不对"）——然后匹配不同的回应策略。 背后的 RAG 管道从课程材料里检索相关的内容片段，确保回答和课程内容一致。检索到的内容不只是文本——也包括示例代码、伪代码、算法可视化描述——多模态地喂给生成模型。 评估方式有创新点。除了常规的专家评分和 RAGAs 指标外，他们还用了一个"模拟学生"管道：让一个弱语言模型（作为模拟学生）和 KITE 交互两轮，观察它在收到 KITE 反馈后能否修正自己的答案。结果显示：在过程追踪类问题上，模拟学生收到 KITE 的引导性反馈后回答准确率显著提升。 不清楚的地方：模拟学生和真实学生之间差距可能很大——弱模型修正错误的模式是否反映了真实学生的学习行为？系统的意图识别准确率没有量化披露——如果学生问的意图模糊的情况，系统会回退到通用提示还是报错？ --- **参考文献** 1. Jain, M., Bhatt, T., Pitts, G., et al. (2026). *Retrieval-Augmented Tutoring for Algorithm Tracing and Problem-Solving in AI Education*. arXiv:2605.12988 [cs.AI]. 2. Brusilovsky, P., & Millán, E. (2007). *User Models for Adaptive Hypermedia and Adaptive Educational Systems*. The Adaptive Web. 3. Lewis, P., et al. (2020). *Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks*. NeurIPS.