Проекты - AI-движок для онлайн-образования
Модульный движок, на котором работает AI-тьютор: ведёт диалог со студентом, проверяет домашние работы, помнит учебный прогресс и даёт аналитику преподавателю.
- Формат
- Коммерческий проект · NDA
- Тип системы
- AI-движки и платформы
- Отрасли
- EdTech, онлайн-образование, корпоративное обучение
Как это работает
Движок, на котором работает AI-тьютор: ведёт диалог, проверяет домашние и помнит прогресс студента.
- 1Студент задаёт вопрос
- 2Тьютор + память + методика
- 3Ответ, проверка ДЗ, аналитика
Запрос
Ответ системы
Проект под NDA. Архитектура и подход описаны в общих чертах; названия клиента, данные и детали реализации не раскрываются.
Задача
Онлайн-школе нужен был не отдельный чат-бот, а основа, на которой можно быстро собирать и развивать AI-возможности продукта: тьютора, проверку домашних работ, персонализацию. Готовые «обёртки над API» этого не дают — они не держат состояние студента, плохо масштабируются и непредсказуемы в проде.
Что мы построили
Движок с чёткими слоями (domain / application / infrastructure) и набором
независимых модулей. Каждый модуль решает свою задачу и может развиваться отдельно.
AI-тьютор
Ведёт учебный диалог со студентом по программе курса.
Проверка домашних работ
Оценивает ответы и даёт развёрнутую обратную связь.
Долгосрочная память
Запоминает прогресс и сложные темы студента между сессиями.
Аналитика обучения
Сводит сигналы по студентам и темам для преподавателя.
Методики и инструкции
Поведение тьютора задаётся методологией, а не хардкодом.
Конвейер заданий
Асинхронная обработка задач и интеграций под нагрузкой.
Архитектура
Ядро движка
domain · application · infrastructure
Стек технологий
- Python
- FastAPI
- DDD-слои
- Async-обработка (taskiq)
- Мульти-LLM
- Трейсинг / наблюдаемость
- PostgreSQL
- Redis
Метрики системы
- независимых функциональных областей
- 6 модулей
- смена провайдера без переписывания логики
- мульти-LLM
- обработка задач под нагрузкой
- async
- наблюдаемость на каждом шаге
- трейсинг
Что показывает этот проект
- Продуктовый, а не демо-уровень. Модульная архитектура с разделением слоёв — движок выдерживает рост числа фич без превращения в «спагетти».
- Состояние и память. Долгосрочная память студента — то, чего нет у простых ботов; именно она открывает персонализацию.
- Наблюдаемость и устойчивость. Трейсинг и асинхронная обработка делают поведение предсказуемым в проде.
- Мульти-LLM. Провайдер модели — деталь конфигурации, а не часть бизнес-логики.