GPT-OSS 驱动的在线编程课 AI 助教：3 天打造追问式对话 API
4 / 0 / 创建于 3周前
幂简集成 的个人博客
在过去两周，我用 GPT-OSS 开源模型 搭建了一个 “追问式对话 API”，并把它应用在在线编程课程的场景中，效果非常接近一个真正的 AI 助教。本文完整记录了从需求分析到部署上线的全过程。
一、需求背景
在线编程课程的痛点：
学生提出的问题重复度高，老师精力有限
常见答案缺少“追问能力”，学生没能真正理解
商业化 API 成本高，不适合大规模课程
基于 开源权重的 GPT-OSS，我们可以：
零成本运行（替代收费 API）
实现 追问式对话（更贴近人类答疑）
支持 本地部署（保护隐私数据）
二、技术方案
核心流程：
数据准备
收集课程中常见问答数据，并转化为 JSON 格式。模型加载与调优
from transformers import AutoTokenizer, AutoModelForCausalLM
model = AutoModelForCausalLM.from_pretrained("gpt-oss")
tokenizer = AutoTokenizer.from_pretrained("gpt-oss")
def ask(question: str):
inputs = tokenizer(question, return_tensors="pt")
outputs = model.generate(**inputs, max_length=512)
return tokenizer.decode(outputs[0], skip_special_tokens=True)
- API 构建（FastAPI）
from fastapi import FastAPI
app = FastAPI()
@app.post("/qa")
def qa(user_input: str):
return {"answer": ask(user_input)}
三、关键优化点
追问式对话：通过保留上下文历史，让模型持续回答学生的追问。
性能调优：
使用 LoRA 微调，在 1k 条课程数据上快速适配
控制响应延迟 < 800 ms
部署：基于 Docker 和 Uvicorn，便于快速扩展
四、效果展示
代码调试场景
学生提问：
Python 列表和集合有什么区别？AI 助教回答：给出差异点，并提供示例代码。
学生追问：
什么时候应该用集合？AI 助教继续：解释应用场景（去重、集合运算）。
面试准备场景
输入：
请解释哈希表和红黑树的区别AI 助教输出：结构对比 + 应用场景，类似一份简洁的面试参考答案。
五、总结与展望
基于 GPT-OSS，我们在 3 天内就构建了一个可落地的 AI 助教 API：
符合在线编程教育的场景需求
提供低成本、可控的本地化解决方案
支持多轮追问，帮助学生真正理解问题
👉 完整实现代码与部署文档 已整理到 官网文章，有兴趣的同学可以参考并尝试。
本作品采用《CC 协议》，转载必须注明作者和本文链接
关于 LearnKu
粤公网安备 44030502004330号