课启智造 LessonForge AI：基于 Python + Vue 3 的多 Agent 教学微课开发平台

项目主页：https://github.com/Mutant-z/Lessonforge-Ai 在线体验：http://103.236.93.56:60810

一句话简介：课启智造 LessonForge AI 是一个面向教师与教学团队的多 Agent 教学内容生产平台——从一句课程设想或一组参考资料出发，协同生成教学设计、PPT 课件、学习任务单、课后练习、视频脚本与教师逐字稿，并支持在线修订、质量检查、版本追踪和可编辑文件导出。

它是做什么的

它不是把一个 Prompt 包装成"生成按钮"的玩具。LessonForge AI 围绕真实备课流程构建了一套可持续迭代的内容生产系统：先通过对话澄清需求——自动抽取课程主题、学习者特征、教学目标、课时安排和约束条件，持续记录字段来源、系统假设与需求冲突，确认无误后才创建正式项目。

项目创建后会形成一份统一的课程蓝图，再为每一类产物初始化专属 Agent（独立的 Agent Profile、Prompt、模型配置与任务工作台）。六类内容 Agent 采用共享项目记忆架构，可以并行启动，并在运行时按需读取其他 Agent 的最新成果——PPT 里引用的教学目标、任务单里的练习题、逐字稿里的讲解口径都从同一份蓝图派生，不会各写各的。

产出不是一次性的一锤子买卖：生成的内容支持对话式修订（编辑、结构重组、时长调整、上下文同步、纯 QA 等意图），可限定章节或页面范围，带锁定、Diff、版本恢复与人工确认机制。最终交付的是可继续编辑的文件：PPTX、DOCX、Markdown、视频、字幕，以及包含校验清单的 ZIP 课程包。

技术栈

• 前端：Vue 3.5 + TypeScript 5.7 + Vite 6 + Pinia + Element Plus，教师控制台、需求对话、任务工作台、Agent 执行时间线、内容编辑与视频中心都是独立页面
• API 与业务层：Python 3.11+ / FastAPI / Pydantic v2 / Structlog，强类型请求与响应，REST + SSE 双通道
• Agent 编排：LangGraph + LangChain + 自研 Agent Core 与工具注册表，课程蓝图状态图、多角色协作、工具调用循环、Handoff、返修路由和执行预算控制
• 数据层：SQLAlchemy 2 Async + SQLite + Alembic，项目、产物、版本、任务、事件、Checkpoint、模型配置和项目记忆全部落库
• 文档与课件：python-pptx / python-docx / PyPDF / CairoSVG / LibreOffice / Poppler，负责资料解析、PPT/DOCX 生成、模板填充、页面渲染与视觉检查
• 多媒体：FFmpeg / imageio-ffmpeg / 可配置媒体 Provider，图片、视频、音频转写、字幕和媒体合成
• 工程化：Docker Compose、Nginx、Pytest、Vitest、vue-tsc

几个值得说的设计

1. 状态图 + 任务调度 + Agent Loop 的混合编排。课程蓝图用 LangGraph StateGraph 管状态流转，项目级任务由支持并发和输入契约的调度器执行，复杂产物则进入通用 Agent Loop——在限定步数、Token 预算和工具权限内多轮"决策 → 工具调用 → 结果回喂 → 完成/Handoff"。确定性流程走状态图，开放式编辑任务交给 Agent 自由发挥，两层各取所长。

2. 强类型 Artifact，而不是不可控的长文本。核心产物全部经过 Pydantic Schema 校验；教学设计进一步拆成稳定的 pedagogical_core 加可动态调整的章节树，下游 Agent 只读统一投影。页面、章节、目标等对象都有稳定 ID，局部修改、引用追踪、跨版本对齐因此成为可能——Agent 的输出只有通过结构校验、领域规则和发布门禁后才会形成新版本。

3. 带来源与版本的共享项目记忆。项目记忆不是简单拼接历史对话，而是把需求、蓝图、资料、产物、教师决策和 QA 结论存成带来源、可信级别与版本号的结构化条目。装配上下文时按任务挑选高价值信息并执行字符预算；对大型兄弟产物生成可缓存的语义摘要，摘要失败自动回退到确定性裁剪，不阻塞主任务。

4. 可观测、可恢复的长任务。Generation Run、Pipeline Run、Agent 步骤、工具调用和事件都会落库，前端通过 SSE 看执行时间线，服务端支持 Last-Event-ID 游标续传。流水线在安全边界写 Checkpoint，暂停、恢复、取消、重试，甚至应用重启后未完成任务都能继续。

5. 面向真实编辑场景的人机协作。系统会区分生成、局部编辑、结构重组、润色、同步上下文、纯质量检查等意图并记录作用域；锁定路径保护已确认内容，Diff 呈现实际变化；遇到候选版式这类高影响决策时，运行时会暂停等待教师选择。发布结果明确区分 applied / no_change / rejected，失败的修改永远不会覆盖正式版本。

6. PPT 从"内容大纲"走到"可用文件"。PPT 流水线由叙事、模板分析、页面内容、视觉规划、布局、媒体、编辑、视觉 QA 和修订等多个角色组成：内置多套 16:9 成品模板，用角色与槽位映射保留原模板设计；动态布局引擎做几何计算，实际页面经 LibreOffice / Poppler 渲染后再检查溢出、遮挡、可读性和内容覆盖，问题进入有限轮次的定向返修。

7. 模型与媒体能力解耦，开箱即可跑通。内置 mock Provider，不配 API Key 就能走通主要内容生产链路；真实模型支持 OpenAI-compatible 或 Anthropic 协议，按文本、视觉、图片、视频、语音分类，各任务可分别绑定主模型、视觉模型和媒体模型。

8. 可追溯的课程交付包。导出层直接消费已审核的结构化 Artifact 而不是重新向模型提问；ZIP 里除了可编辑文件，还带蓝图、版本信息、来源版本和 Manifest（记录文件大小与 SHA-256），交付完整性和产物来源都能检查。

部署与测试

docker compose up --build -d 一条命令起全套（后端 + 前端 + 数据库 + 渲染所需系统依赖，LibreOffice / Poppler / FFmpeg 都已打进镜像），SQLite 数据库、上传文件和生成产物持久化在 storage/ 目录；docker compose 之外也支持脚本化本地开发（.venv/bin/pytest、npm test、npm run build 覆盖 Agent Loop、工具权限、Artifact Schema、项目记忆、任务恢复、PPT 布局与视觉 QA 等关键路径）。

当前边界也说明一下：扫描版 PDF 暂未内置 OCR，复杂 PPT 动画/宏不在生成范围内，SQLite + 异步任务面向本地开发与单机部署——规模化生产建议迁移到独立数据库和分布式队列。

项目还在持续迭代，欢迎到 Demo 体验一把，有问题也可以去 GitHub 提 issue。