•  栏目 研究性文章

LLM大模型在考研助手小程序开发中的应用

作者

期: 第 1 卷第 3 期 (2025 年): 《工程与技术创新》（Journal of Engineering and Technology Innovation，JETI）
关键词:
检索增强生成（RAG），提示工程，低秩自适应（LoRA），多模态交互

摘要

近年来，考研竞争日益激烈，考生在信息整合、个性化指导及高效备考等方面面临严峻挑战。大型语言模型（LLM）虽凭借强大的语言理解与生成能力迅速成为技术焦点，但其在垂直教育场景中的深度适配仍有待挖掘。为此，本研究提出一种基于LLM的智能考研辅助系统，通过融合多源异构数据与前沿AI技术，为考生提供精准化、动态化的备考支持。系统构建过程中，研究团队整合了历年真题、院校政策及备考经验等海量数据，搭建了结构化与非结构化混合知识库，并引入LoRA轻量化微调与RAG检索增强技术，显著提升了模型对考研场景的适应能力。针对学科差异，设计定制化提示模板优化生成风格，例如数学学科强调逻辑推演，英语学科注重语言规范。此外，系统支持文本与图片多模态输入，结合OCR识别与上下文关联问答功能，可解析用户上传的真题图片并生成分步解题指导。通过微信小程序实现轻量化部署后，系统能够动态推荐学习资源，并通过多轮对话模拟真实师生互动，帮助考生高效攻克备考痛点。本研究的实践表明，AI技术在教育垂直领域的深度应用具有广阔前景。系统不仅为考生提供了低成本、高灵活性的智能工具，也为教育科技融合创新提供了可复用的技术框架。未来研究将进一步探索模型在复杂场景中的鲁棒性优化，并推动其在更多教育环节的落地应用。

如何引用

潘耀杨. (2025). LLM大模型在考研助手小程序开发中的应用. 工程与技术创新, 1(3). 取读于 从 https://www.sci-open.net/index.php/JETI/article/view/927
ACM（计算机协会会议） ACS（美国化学会） APA（美国心理学会） ABNT（巴西技术标准协会） 芝加哥（作者-日期） 哈佛格式 IEEE（电气电子工程师协会） MLA（现代语言协会） Turabian（注释-书目） 温哥华格式
下载引用

参考

张强,高颖,任豆豆,等.融合DeepSeek-R1和RAG技术的先秦文化元典智能问答研究[J/OL].现代情报,1-20[2025-06-02].

张强,高颖,任豆豆,等.融合DeepSeek-R1和RAG技术的先秦文化元典智能问答研究[J/OL].现代情报,1-20[2025-06-02].

刘雪颖,云静,李博,等.基于大型语言模型的检索增强生成综述[J/OL].计算机工程与应用,1-31[2025-06-02].

孙宇辰,许倩倩,王子泰,等.基于自适应低秩表示的多任务AUC优化算法[J].计算机学报,2024,47(11):2678-2690.

杜秀丽,司增辉,左思铭,等.基于截断核范数低秩分解的自适应字典学习算法[J].数据采集与处理,2020,35(04):603-612.

周洁,王东毅,代沁泉,等.生成式AI对话中的提示词策略有效性探究[J/OL].数据分析与知识发现,1-17[2025-06-02].

赵宇翔,景雨田,宋士杰,等.AIGC赋能的提示素养：生成式AI时代的人智交互能力重构[J].情报资料工作,2025,46(03):14-25.

作者简介

版权

未提供许可协议