当一家教育科技公司开始认真讨论技术架构时，通常意味着它已经跨过了“把课程搬上线”的初级阶段。大酱教育科技（上海）有限公司的产品矩阵，从自适应学习系统到智能组卷引擎，底层逻辑其实是一套基于微服务与数据中台的双层架构。今天不谈那些花哨的“AI赋能”口号，只拆解几个关键模块的真实设计思路。

核心引擎：不是所有“智能”都叫自适应

很多平台把“根据错题推题”称为自适应，但真正的难点在于知识图谱的粒度。大酱教育科技（上海）有限公司的教研团队将知识点拆解到**三级粒度**——例如“三角函数”会细分为“图像变换”和“恒等变形”，每个叶子节点附带难度系数与认知维度标签。推荐引擎采用多臂老虎机算法（Thompson Sampling），在冷启动阶段用探索率0.15平衡新题试错，随着交互数据累积，探索率逐步衰减至0.03。

数据管道：从行为日志到学情画像的48小时延迟

课程产生的大量点击、停留时长、答题轨迹，通过Kafka实时接入，经过Flink清洗后存入ClickHouse。这里有个值得注意的细节：为了降低特征计算的复杂度，团队对原始日志做了**预聚合处理**——按学生ID和知识点ID组合，每10分钟生成一次行为摘要。这使后续的画像更新延迟控制在2小时以内，而传统批处理方式通常需要隔天才能产出报告。测试数据显示，这套管道支持同时处理**2.1万并发**的在线测评任务，P95响应时间稳定在860毫秒。

实操层面，教师端看到的“班级薄弱点热力图”并非简单统计错误率，而是用IRT（项目反应理论）估算每个学生的潜在能力值θ，再反向计算班级层面的知识点掌握概率。这比单纯统计错误数更抗噪——某个难题全班都错，不代表该知识点薄弱，可能只是题目过难。

• 学习路径生成：基于Dijkstra最短路径算法，在知识图谱中寻找从当前能力点到目标能力点的最短学习序列
• 作业布置逻辑：按遗忘曲线（艾宾浩斯间隔重复）动态调整题目出现周期，而非随机抽取
• 报告解读：自动生成自然语言评语，并附上同校同年级的百分位对比，而非简单标注“优秀/良好”

对比实测：传统网校 vs 大酱数字化产品的效果差异

我们调取了2024年秋季学期某合作学校的实验数据。两个平行班（各45人）使用不同平台学习数学，为期16周。传统网校组采用视频课+固定题库，大酱组使用本套系统。最终结果：

知识点掌握率（基于标准测试折算）：传统组平均提升12.3%，大酱组提升29.7%——差距主要来自“薄弱点定向推送”功能，它让无效刷题量减少了41%。平均学习时长方面，大酱组每天少学22分钟，但单元测验得分反而高8.6分。这印证了一个判断：技术架构的意义不在于堆砌功能，而在于让数据真正驱动决策。

当然，架构迭代并非一帆风顺。早期版本中，知识图谱更新依赖人工标注，导致新题上线延迟达3天。后来改成基于BERT的语义匹配自动挂载，虽然仍有5%的误挂率，但整体效率提升了7倍。目前系统每周自动处理约1.2万道新增题目，人工复核量压缩到800道以内。

回到本质，数字化教学产品的技术架构最终要回答一个朴素问题：能否让师生在更短时间里获得更准确的反馈。大酱教育科技（上海）有限公司的这套体系，至少在数据处理链路和算法取舍上给出了可验证的答案。至于未来会不会引入大模型做更深度的答疑交互，团队正在产线环境小范围测试，但那是另一个值得单独展开的话题了。