Taklif.AI: LLM-Powered Platform for Interest-Based Personalized College Assignments
作者: Zaki Kurdya, Mohammed Zuqlam, Salem Amassi, Shady Telbany, Motaz Saad
分类: cs.AI
发布日期: 2026-05-07
💡 一句话要点
提出Taklif.AI平台，利用大语言模型实现基于学生兴趣与文化背景的个性化作业生成
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 大语言模型 个性化教育 提示工程 教育技术 无服务器架构 智能作业生成
📋 核心要点
- 传统教育作业缺乏个性化，导致学生参与度降低，且易诱发抄袭等学术不端行为。
- Taklif.AI通过结构化提示工程，将学生的课外兴趣与文化背景整合进作业生成流程。
- 初步用户测试表明，84%的参与者认可个性化作业的价值，验证了该系统的实际应用潜力。
📝 摘要（中文）
教育工作者在创建能够兼顾学生多样化兴趣与认知能力的个性化作业时面临巨大挑战。传统的“一刀切”式作业常导致学生参与度下降，并增加抄袭等学术不端行为。为解决此问题，本文提出了Taklif.AI平台，该平台利用大语言模型（LLMs）自动生成针对学生个人兴趣的定制化作业。与仅基于学术表现指标的现有AI教育平台不同，Taklif.AI通过结构化的提示工程流水线及输入输出护栏，将学生的课外兴趣与文化背景融入作业生成过程。系统采用AWS无服务器架构，基于Next.js构建，利用Llama 3.3 70B作为核心模型，并通过LiteLLM实现多模型负载均衡，结合LangChain进行提示编排。初步用户测试显示，84%的参与者认为个性化功能具有显著价值。本文详细阐述了系统架构、提示设计方法及质量保障机制，并探讨了未来的实证评估方向。
🔬 方法详解
问题定义：教育领域长期存在作业设计单一的问题，无法满足学生差异化的认知需求与兴趣偏好，导致学习动力不足及学术诚信风险，现有AI工具多仅关注学术指标，忽略了学生的个性化背景。
核心思路：引入大语言模型作为个性化引擎，将学生的课外兴趣、文化背景作为作业生成的关键变量，通过结构化的提示工程（Prompt Engineering）实现作业内容的定制化，从而提升学生的参与感与学习动机。
技术框架：系统采用AWS无服务器架构，前端基于Next.js开发。核心处理流程包括：利用LangChain进行提示词编排，通过LiteLLM调用Llama 3.3 70B模型，并内置输入输出护栏（Guardrails）以确保生成内容的教育质量与安全性。
关键创新：区别于传统仅基于成绩的个性化，该系统创新性地将“兴趣画像”与“文化语境”作为核心输入，通过多层级提示工程流水线，实现了作业内容与学生个人生活经验的深度融合。
关键设计：系统设计了严格的输入输出护栏机制，以过滤不当内容并确保作业难度符合教学大纲要求；同时利用LiteLLM实现多模型负载均衡，确保在不同并发需求下系统的高可用性与响应效率。
🖼️ 关键图片
📊 实验亮点
在针对68名参与者（65名学生与3名教师）的初步用户接受度测试中，该平台表现优异。84%的参与者明确表示个性化作业功能对学习有益，证明了将学生兴趣与文化背景融入AI生成流程的有效性，为后续大规模实证研究奠定了基础。
🎯 应用场景
该平台适用于K-12及高等教育场景，通过自动生成高度定制化的作业，显著减轻教师负担，同时提升学生的学习兴趣。未来可扩展至自适应学习系统，通过持续收集学生反馈优化生成策略，对推动教育公平与个性化教学具有深远影响。
📄 摘要（原文）
Educators face significant challenges in creating engaging, personalized assignments that accommodate students' diverse interests and cognitive abilities. Traditional one-size-fits-all assignments frequently lead to decreased student engagement and increased reliance on unethical practices such as plagiarism. To address these challenges, we present Taklif.AI, a platform that leverages Large Language Models (LLMs) to automatically generate personalized assignments tailored to individual student interests. Unlike existing AI-powered educational platforms that personalize based on academic performance metrics alone, Taklif.AI incorporates students' extracurricular interests and cultural contexts into the assignment generation process through a structured prompt engineering pipeline with input and output guardrails. The platform employs a serverless architecture on AWS with Next.js, using Llama 3.3 70B as the primary LLM via LiteLLM for multi-provider load balancing and LangChain for prompt orchestration. We describe the system architecture, the prompt design methodology, and the guardrails framework that ensures output quality. Preliminary user acceptance testing with 68 participants (65 students and 3 educators) indicates positive reception, with 84% of participants rating the personalization feature as beneficial. We discuss the platform's current capabilities and limitations, and outline directions for rigorous empirical evaluation of learning outcomes.