30-11: [實作-4] 讓我們的 AI 工具人來幫我們總結今日的學習

17th鐵人賽

馬克

2025-09-25 19:12:48

44 瀏覽

分享至

同步至 medium

上一篇文章中，咱們已經為我們的 AI 工具人變成了學習的引導者，接下來我們加多增加一個功能 :

讓他可以幫我們總結今日的學習

🚀 Step 1. 將 Workflow 改成可以判斷意圖

最開始在思考的時後，在想是不是要將不同使用意圖的 prompt 都組成同一個，然後再整份 prompt 的前面請 LLM 自已判斷情境後，再自已選擇 prompt。

但我自已覺得會有以下的問題 :

prompt 會很大，尤其是意圖越來越多以後。
可能會有讓 LLM 有想不到的影響。

所以後來想了一下，決定在前面先讓 LLM 判斷一次意圖後，再來決定由那個 Agent 來處理，那個 Agent 就是專門處理那個情境的工具人，然後以下的 LangGraph 的 Workflow 。

然後程式碼大概變成如下 :

🤔 整個 LangGraph Workflow 改成如下

主要的幾個修改:

多了 RouteAI Node 用來判斷意圖用，他就是很單純的會回傳 Intent。
多增加了 Summary AI Agent，專門幫我們做總結用的工作。

然後 Summary AI Agent 的程式碼就不貼了，因為事實上就也只是用另一個 prompt 來去呼叫 LLM 而以，沒有什麼技術細節。

  private buildGraph() {
    const workflow = new StateGraph(ChatStateAnnotation)
      .addNode(Steps.INITIAL, async (state: ChatState): Promise<ChatState> => {
        return {
          step: Steps.INITIAL,
          query: state.query,
          messages: [],
          intent: null,
        };
      })
      .addNode(
        Steps.ROUTE_AI,
        async (state: ChatState): Promise<ChatState> => {
          const response = await this.routeAgent!.callLLM(state.query);

          return {
            step: Steps.ROUTE_AI,
            query: state.query,
            messages: [],
            intent: response,
          };
        }
      )
      .addNode(
        Steps.LEARNING_AI,
        async (state: ChatState): Promise<ChatState> => {
          const response = await this.learningAgent!.callLLM(state.query);

          return {
            step: Steps.LEARNING_AI,
            messages: [...response],
            query: state.query,
            intent: state.intent,
          };
        }
      )
      .addNode(
        Steps.SUMMARY_AI,
        async (state: ChatState): Promise<ChatState> => {
          const response = await this.summaryAgent!.callLLM(state.query);

          return {
            step: Steps.SUMMARY_AI,
            messages: [...response],
            query: state.query,
            intent: state.intent,
          };
        }
      )
      .addEdge(START, Steps.INITIAL)
      .addEdge(Steps.INITIAL, Steps.ROUTE_AI)
      .addConditionalEdges(Steps.ROUTE_AI, (state: ChatState) => {
        if (!state.intent) {
          return END;
        }
        if (state.intent === Intent.SUMMARY) {
          return Steps.SUMMARY_AI;
        }
        if (state.intent === Intent.LEARNING) {
          return Steps.LEARNING_AI;
        }
        return END;
      })
      .addEdge(Steps.SUMMARY_AI, END)
      .addEdge(Steps.LEARNING_AI, END);

    if (!this.checkpointSaver) {
      throw new Error("Checkpoint saver is not initialized");
    }
    return workflow.compile({
      checkpointer: this.checkpointSaver,
    });
  }

🚀 Step 2. 設計總結用的 Prompt

這個 prompt 我覺得整個最重要的是 example，我在還沒有好的寫 example 前，他的每一次產出欄位，好像一直鬼打牆，他會一直將叫你做的事情寫到這個欄位，最後加入了完整的 example 後，才終於做對了，看起 Prompt Techniques 的 Few-shot Prompting 真的有用，不然不會那麼多地方在說他的重要。

30-8: [知識] Prompt Engineering 之 Prompting Techniques ( 技巧篇 )

# AI Base Prompt (System)
根據以上以下的流程來回答整個問題:
1. 先從 Context 理解你的角色與相關問題的背景。
2. 在執行 Instructions 的要求。
3. 並且會根據 Additional Requirements 來進行修改。
4. 最後在 Verification 進行品質驗證。

## Context（上下文）
- Role: 你是一位教學型助教，擅長總結學生的學習。
- Background: 你是一位教學型助教，然後學生已經今日的學習結束了。

## Instructions（明確的指令）

當學生要求總結今日的學習時，你需回傳以下欄位，<>內為欄位說明: 

- 你今天學習了什麼<學生今天學習的內容，你要總結出來>
- 你的產出<學生今天的回應與產出的教材內容，重點注意:不要回答你的回應，只回答學生的回應與產出的教材內容>
- 回饋<你給學生的回饋>
- 課後思考的問題<課後思考的問題>
- 時間<時間>

## Example
學生之前的回應:
武田信玄是日本戰國時代的大名，外號甲斐之虎，其中它最出名的戰術是風林火山，取自孫子兵法 : 風: 機動林: 隱蔽火: 迅猛山: 堅固並且他們的騎兵是出了名的強，但可以在他死後，整個武田家就慢慢的衰退

Query: 
我想總結今日的學習

Answer: 

**你今天學習了什麼**: 
武田信玄（本名武田晴信），16 世紀中葉掌管甲斐國（今山梨），是戰國時代有名的大名與將領，
用「風林火山」作為作戰原則——風（迅速）、林（隱蔽）、火（猛烈）、山（固守），強調機動與突襲。與上杉謙信在川中島多次交鋒，是戰國時期最著名的宿敵之一。  


**你的產出**: 
武田信玄是日本戰國時代的大名，外號甲斐之虎，其中它最出名的戰術是風林火山，取自孫子兵法 : 風: 機動林: 隱蔽火: 迅猛山: 堅固並且他們的騎兵是出了名的強，但可以在他死後，整個武田家就慢慢的衰退",
(重點注意: 同學生之前的回應一樣)

**回饋**: 
整理條理清楚、重點到位,

**課後思考的問題**: 
1) 信玄在哪場戰役中具體運用「風林火山」？2) 甲州法度哪些條文改變農民日常？

**時間**: 
2025-09-25T10:00:00Z

你今天好棒 ! 棒 !

## Verification（結果品質）
- 回傳結果需包含以下欄位
 - 你今天學習了什麼: (不超過 500 字)
 - 你的產出: 你要檢查你的產出是否包含學生的回應與產出的教材內容，如果沒有，請重新產出
 - 回饋: (不超過 100 字)
 - 課後思考的問題: (不超過 100 字)
 - 時間: (用 ISO 8601 格式)

## Additional Requirements（額外要求）
- 請以繁體中文回答。
- 每段回答不要超過 500 個字。
- 結尾附上「Confidence: low/medium/high」。

🚀 Step 3. 嘗試結果

效果事實上還不錯，但如果之後前端可以做成 Markdown 版本，那會看起來整個更有格式感。

🤔 在實作碰到的問題

我本來 learning (上一篇文章)那個的 prompt 中有個 step 1 就是會先確認學生的背景，可以我發現很容易產生以下的情境 :

學生已回答背景。
AI 進行 step 2.
學生回答問題。
然後它很常會再問一次學生的背景。

## Instructions（明確的指令）

#### Step 1. 接收問題（Student → Tutor）
首先你會先確認學生的背景 : 
- 尋問他的相關背景
- 尋問他對這個問題領域的熟悉成度，請他回答低、中、高。

需注意重點: 如果已經問過了，則直接進行下一步。

#### Step 2. Step 2. 知識注入（Tutor → Student）

我發現就算有用 checkpoint 他還是會忘記之前學生的對話，所以事實上它只能要來當上下文，但是不太適合當狀態判斷來決定要不要讓 LLM 跳過這個流程。

所以我想了一下，可能接下來要實作的是，會在 state 中記錄一些學生有回答過的東西，例如以這個範例來看大約是 :

{
  background: '我是初學者，熟悉度為中'
}

然後接下來再建立 system prompt，如果有這個值，則直接跳過 step 1. 概念有點如下的 {isHandleStep1} 與 {background}，然後產生 system prompt 時，再用這個變數來帶 true 或 false，不知道會不會比較好，明天來實作看看。

## Context:
學生背景: {background}

## Instructions（明確的指令）

#### Step 1. 接收問題（Student → Tutor）
是否尋問這題: {isHandleStep1}
首先你會先確認學生的背景 : 
- 尋問他的相關背景
- 尋問他對這個問題領域的熟悉成度，請他回答低、中、高。

需注意重點: 如果已經問過了，則直接進行下一步。

#### Step 2. Step 2. 知識注入（Tutor → Student）