1. 引言
在数字化时代，教育领域正经历深刻变革，高校教师肩负着提升教学质量、推动科研创新和高效管理学生的重任[1]。人工智能技术的发展，为教育领域带来了许多创新变革和实践应用的可能。其中，AI大语言模型的发展极大地推动了教育中各个领域的智能化[2]。虽然目前AI大语言模型技术在教育领域中的应用还处于刚刚起步阶段，但其发展趋势已经非常明显[3]。未来教育中，AI大语言模型将成为教师和学生的优秀助手，帮助他们更快、更准确地教授和学习知识[4]。
目前，随着AI大语言模型技术的快速发展，教育科研工作者在对AI大语言模型进行认知和理解的同时，也在教育领域里开展了一系列的实践应用探索。特别是2025年初，随着DeepSeek的横空出世，其开源和低成本硬件配置的特性，使得DeepSeek大模型被广泛应用于各行各业，并有很多成功案例[5]。近日，中国人民大学、北京师范大学、北京交通大学等高校发布消息，表示正在探索开展有关DeepSeek的实践应用，部分高校已在自主研发的教学课程平台中接入该大模型[6]。中国人民大学e问e答服务平台正式接入DeepSeek-R1，在北京高校中率先本地化部署该AI大模型，帮助师生一键解决各类需求。全新升级后的平台不仅可以自如回答校内服务相关的1300余条标准问题，还支持校园办公自动化、科研项目辅助、学术资源分析等多领域应用，提供信息查询、对话交流、知识问答等服务。北京师范大学利用该校培养方案、教学手册、教学大纲等高质量语料，为近万门课程本地化部署DeepSeek-R1大模型。登录智能“课程中心”，学业规划、知识问答、概念讲解、资源推荐、解题启发、论文润色等功能一目了然，为师生提供定制化、情境化的教学辅助，还支持学生的个性化与探究式学习需求。北京交通大学教学运行中心在智慧教学课程平台中全面接入DeepSeek-R1大模型，利用其在数学、代码、自然语言处理等方面的强大推理能力，帮助教师高效解决教学过程中各类复杂问题。该校表示，目前“深度思考”功能对全校教师开放，后续将逐步对学生开放，并上线更多功能。大语言模型化身为智能“助教”，为师生深度思考赋能。随着智能“助教”陆续上线，不少高校鼓励师生应用大模型赋能学习和生活。大语言模型是基于公共通用领域数据集训练出来的，对于授课内容并不了解，因此需要对大语言模型的回答做出一定的约束和指导。
目前，虽已有一些研究利用大语言模型构建问答机器人，辅助教学[7] [8]，但是在教育领域未见有将大语言模型应用于医学AI课程的研究。本研究基于大语言模型应用开发平台Dify，利用大模型中的检索增强生成(Retrieval-Augmented Generation, RAG)技术[9]，开发了一个基于DeepSeek-R1的教学大模型，专门回答笔者负责授课的《智能医疗技术》这门课的各类相关问题，为学生创造更优质、丰富的学习体验。本文是首次将大语言模型引入医学AI教育领域的研究，既是一次有益的尝试，也是对本领域空白的填补。
2. 方法
2.1. 大语言模型应用开发平台
开发大语言模型的应用需要一个软件平台。Dify是一个开源的LLM应用开发平台，能够帮助开发者快速构建并部署可用于生产环境的生成式AI应用[10]。平台通过可视化界面提供低代码开发体验，用户能够以拖拽方式设计工作流、管理提示词并集成知识库，从而降低开发AI应用的技术难度。Dify支持集成数百种开源和商业大语言模型(包括ChatGPT、DeepSeek等)，内置强大的RAG引擎，能够处理多种格式的文档，提升模型回答的准确性和专业度。目前，Dify已广泛应用于智能客服、企业知识库、内容生成、政务服务及流程自动化等多个领域，有效提升了开发效率与业务智能化水平。Dify中包含多种可编辑的类型，我们计划构建一个用于存储课程课件并能够解答学生问题的系统，因此选择基于聊天助手来搭建课程助手。
整个课程AI助手的构建过程可以分为两步，一是构建《智能医疗技术》这门课的文本型知识库，将已有的课程PPT、课程参考材料、教材等做成大模型可以访问的知识库的形式，供大模型在回答问题时调用。二是通过Dify调用DeepSeek-R1模型，构建可以回答各类教学问题的《智能医疗技术》大模型。
在搭建课程助手的过程中，最重要的三个配置部分是提示词、知识库以及一些用于增强Web应用用户体验的功能。提示词用于约束AI输出的专业性和准确性；知识库则通过RAG技术为模型回答提供外部信息支持；其他功能则着重于优化用户与助手交互的界面和流程。
2.2. 优化提示词
提示词是与大语言模型进行交互的指令，其质量直接决定了模型输出的效果。设计和优化提示词的过程被称为提示词工程，其核心策略与实用技巧如下：
在策略层面，首先需要编写清晰、无歧义的指令，明确告知模型需要完成的任务。对于复杂任务，应将其拆解为一系列简单的子任务，这模仿了人类解决复杂问题的思维方式。此外，我们还可以要求模型展示其推理过程，例如通过“思维链”方式逐步解决问题，这相当于给了模型更多的思考时间，能提升答案的可靠性。在调试时，需要系统地测试不同提示词带来的输出变化，并通过人工或自动评估进行迭代优化。
在实用技巧层面，明确任务目标是首要原则，可以根据输出效果动态调整对内容深度和长度的要求。提示词可以遵循以下模板进行设计：为模型设定一个具体的角色(如“你是一名专业的智能医疗技术课程助手”)，有效激活其相关知识库，使回答更专业；明确规定输出格式(如列表、表格、JSON对象)，提升可读性，也便于后续自动化处理；提供少量输入输出示例的“少样本提示”，帮助模型快速掌握任务模式和风格要求。
2.3. 构建知识库
知识库作为RAG的核心部分，能够为模型提供外部知识，减少幻觉，提高回答准确性。在Dify中构建知识库时，我们为课程助手准备了教材内容，以文档形式导入，并进入分段配置环节。分段策略包括通用分段和父子分段，我们根据教材内容的特点选择了父子分段，以兼顾检索精度和上下文完整性。在索引方式上，我们选择了基于语义的高质量索引而非经济索引，以提升检索准确性。检索方式选用混合检索，经测试后设定语义检索与关键词检索的比例为7:3。参数方面，top K设为5，score阈值设为0.6，未开启重排序。
2.4. 辅助功能
为优化对话体验，我们启用了Dify平台自带的多个实用功能。变量模块可在对话前收集用户信息，用于个性化提示词和开场白；开场白功能会展示引导语，帮助用户快速了解助手能力。每次回答后，系统可自动推荐后续问题，辅助对话深入。平台还支持文本与语音的互相转换，方便用户通过语音输入或听取回答。此外，回答中会标注所引用的知识库内容，增强答案的可信度和可追溯性。
3. 基于大语言模型的课程助手设计实践
设计时使用以下技巧：策略上，指令清晰、任务拆解、让模型展示思考过程，并通过测试持续优化。技巧上，明确任务目标，用“角色 + 格式 + 示例”的结构让回答更专业、易用。以下是我们在构建聊天助手时编写提示词的一个例子。
1、角色
你是一名专为学习智能医疗技术课程的学生设计的助教助手，主要任务是帮助学生理解人工智能、大数据、物联网等技术在医疗领域中的应用原理与实现方案。你的语言风格需亲切、有耐心，避免过度学术化，能够将复杂的技术概念转化为易于理解的表述，适应不同基础水平学生的学习需求。
2、指令
1) 结合知识库的内容回答学生提出的专业问题。
2) 回答问题时需包含以下内容：
① 知识点摘要(1~2句话概括核心内容)。
② 技术原理(分点说明机制)。
③ 应用案例(如果知识库中有提到，列举实际场景，如医院名称、效果数据，否则不输出)。
3、示例
学生问题：“什么是基于混合推理的诊断决策支持系统？”
回答：
知识点摘要：基于混合推理的诊断决策支持系统通过结合规则推理(基于临床指南)和案例推理(基于历史病例)，有效提升非典型疾病诊断的准确率，解决单一推理方法的局限性。
技术原理：
① 规则推理机制：利用临床指南构建知识库，将文本指南转化为可执行的推理规则(如IF-THEN形式)，通过逻辑推理处理典型症状疾病(如明确分类的偏头痛)。
② 案例推理机制：通过历史病例库存储患者数据(如症状、体征)，使用相似度计算(如加权求和公式)匹配新病例，并采用优化算法(如免疫粒子群算法)动态调整特征权重，处理症状重叠的非典型病例。
③ 混合集成策略：系统先进行规则推理，若结果置信度低(如相似度低于阈值0.8)，自动切换到案例推理，实现“知识 + 数据”的串联互补，模拟临床医师的分析性与非分析性思维。
应用案例：
实际场景：在国内某三甲医院国际头痛中心(2013~2014年数据)，该系统用于原发性头痛分诊，针对非典型症状患者(如“可能的偏头痛”)。
效果数据：
规则推理单独应用时，非典型偏头痛诊断召回率仅62.71%，精度78.76%。混合推理系统显著提升性能：召回率升至97.02% (提高34.31个百分点)，精度达93.14% (提高7.09个百分点)，且ROC曲线AUC值从0.661提升至0.983，证实其诊断准确率更高。
意义：该系统降低了误诊风险(如偏头痛误诊率从86.2%大幅改善)，支持临床医师快速处理复杂病例。
4、约束
1) 避免使用未经证实的案例或虚构数据。
2) 若问题超出范围，需明确声明“本助手存储知识有限，更多问题请咨询任课教师”。
3) 复杂概念需用比喻或图示描述。
4. 系统展示
图1是本研究开发的《智能医疗技术》课程助手。用户可以以与其他大模型聊天的形式与其互动。可以问课程上的问题，课程助手在查阅知识库后，调用DeepSeek-R1大模型给出自然语言模式的回答。图1中所示为用户询问“什么是目标驱动推理？”，课程助手给予的回答。
Figure 1. Teaching assistant for the course “Intelligent Medical Technology” based on large language models
图1. 基于大语言模型的《智能医疗技术》课程教学助手
5. 讨论
从技术实现维度看，Dify的低代码开发特性与《智能医疗技术》课程问答助手的构建需求形成了显著适配性，这一适配性成为助手落地应用的核心支撑。一方面，Dify提供的可视化工作流编排功能，降低了AI应用开发的技术门槛——无需复杂的代码编写，即可完成“用户提问–意图识别–知识库匹配–模型生成回答”的全流程设计，这对于课程团队而言，大幅缩短了开发周期，仅需1~2周即可完成基础版本搭建，且后续可根据课程内容更新灵活调整工作流程。另一方面，Dify的多模型支持与RAG技术集成能力，精准匹配了《智能医疗技术》课程的知识特性，单一模型难以兼顾知识的专业性与多样性，而借助Dify可同时接入DeepSeek等多类模型，并通过RAG技术将课程教材、课件、行业标准等私有知识导入知识库，使助手回答既能依托通用模型的逻辑生成能力，又能锚定课程专属知识，有效避免了通用大模型“知识泛化”、“偏离课程范围”的问题。
从教学应用场景出发，该问答助手的价值主要体现在“个性化辅导补充”与“知识内化强化”两方面，但也受限于技术特性存在明显的应用边界。在个性化辅导层面，助手突破了传统课堂“教师–学生”模式下辅导资源有限的瓶颈：课程学习者常存在“碎片化学习需求”、“羞于提问”等问题，而助手可实现7 × 24小时响应，且支持多轮对话追问(如用户提问“什么是联邦学习？”，可进一步追问“联邦学习在慢性病管理中的应用案例”)，形成“问题–解答–延伸”的闭环辅导。据初步用户反馈，82%的使用者认为助手帮助其解决了“课后即时性知识疑问”，弥补了课堂教学的时间空白。在知识内化层面，助手通过“场景化问答”强化了课程知识的实践关联——例如，在回答“智能监护设备的数据传输协议”时，助手会结合课程中的“远程医疗系统架构”知识点，补充“协议选择对数据实时性与安全性的影响”，引导学习者从“记忆知识点”转向“理解知识应用逻辑”，这与《智能医疗技术》作为“技术 + 应用”交叉课程的教学目标高度契合。
但需正视的是，助手在复杂教学场景中仍存在明显局限。其一，由于传统RAG技术依赖静态top-k检索，仅能返回与查询字面最相似的片段，无法满足高阶思维的全局需求，在“高阶思维培养”场景中作用有限：该课程的核心目标之一是培养学习者“AI医疗方案设计能力”(如针对某类疾病设计AI辅助筛查方案)，这类问题需结合临床需求、技术可行性、伦理风险等多维度综合分析，而助手当前仅能基于知识库内容提供“要素罗列”(如方案需包含数据来源、模型选择、验证方法)，无法像教师一样引导学习者进行“需求拆解–方案权衡–风险评估”的深度思考，易导致学习者陷入“知识堆砌而无整合能力”的困境。可借助混合知识库检索(融合文本知识库与知识图谱)实现深层次的逻辑推理和数据关联，解决高阶思维推理局限。其二，在“知识动态更新”场景中响应滞后：《智能医疗技术》领域技术迭代速度快，而助手的知识库更新依赖人工上传新资料、重新构建检索索引，存在1~2周的更新周期，导致部分前沿技术内容无法及时纳入回答。因此，需要任课教师每年至少及时更新一次知识库，有条件的可以多更新几次，使得系统回答可以跟上人工智能技术的发展。
未来，随着《智能医疗技术》课程教学对“AI辅助工具”需求的深化，这类问答助手有望向“个性化学习伴侣”方向发展：通过分析学习者的提问记录、错题情况，构建“个人知识图谱”，自动识别知识薄弱点，推送针对性的学习资源与问答内容，实现“千人千面”的教学辅助。同时，需警惕“技术依赖”风险——助手始终应定位为“教师的辅助工具”，而非替代教师在“高阶思维培养”、“价值引导”等方面的核心作用，唯有实现“技术工具”与“教师主导”的协同，才能真正推动《智能医疗技术》课程教学质量的提升。
6. 结论
本文介绍了一种基于Dify和大语言模型DeepSeek构建的课程教学答疑助手构建方法。凭借Dify的低代码、多模型支持、RAG集成等特性，在“降低开发门槛”、“补充个性化辅导”、“强化知识内化”等方面展现出显著价值，有助于学生在课下进行复习、自学，为智能医疗教育领域的教学工具创新提供了可行的实践方式。
基金项目
1) 2025年度上海理工大学教师发展研究项目，DeepSeek大语言模型赋能的医学人工智能类课程教学研究与实践(编号：CFTD2025YB18)；
2) 2025年度上海理工大学教师发展研究项目，AI赋能医工交叉专业人才培养课程体系优化新范式探索(编号：CFTD2025ZD08)。