传统规则引擎式学习工具（伪代码）
class TraditionalTutor:
    def answer(self, question):
        if question in self.Q_AND_A_DICT:
            return self.Q_AND_A_DICT[question]   直接返回预设答案
        else:
            return "抱歉，我没学过这道题"

 知识图谱：知识点关联示例
knowledge_graph = {
    "nodes": ["勾股定理", "直角三角形", "平方根", "三角函数"],
    "edges": [
        ("勾股定理", "依赖", "直角三角形"),
        ("勾股定理", "应用", "平方根"),
        ("直角三角形", "衍生", "三角函数")
    ]
}
 当学生问“为什么a²+b²=c²”时：
 1. RAG从KG中检索到“勾股定理”节点及其关系
 2. LLM基于这些结构化信息生成讲解
 3. 同时可告知学生：“这与平方根运算相关”

┌─────────────────────────────────────────────┐
│         AI学习助手玩具知识体系               │
├─────────────────────────────────────────────┤
│  ┌─────────────┐      ┌─────────────────┐  │
│  │ 知识图谱(KG) │      │  RAG + LLM      │  │
│  │  结构层      │─────▶│   检索与生成层   │  │
│  │ “知识的骨架” │      │ “知识的血肉”    │  │
│  └─────────────┘      └─────────────────┘  │
└─────────────────────────────────────────────┘

"""
极简AI学习助手玩具 - 核心实现
基于RAG + 知识图谱的问答系统原型
"""

import numpy as np
from typing import List, Dict, Tuple

class SimpleVectorStore:
    """简易向量数据库（模拟RAG检索）"""
    def __init__(self):
        self.documents = []
        self.embeddings = []
    
    def add_document(self, content: str, embedding: List[float]):
        self.documents.append({"content": content, "embedding": embedding})
    
    def search(self, query_embedding: List[float], top_k: int = 2) -> List[str]:
         简化的余弦相似度计算
        scores = []
        for doc in self.documents:
            sim = np.dot(query_embedding, doc["embedding"]) / (
                np.linalg.norm(query_embedding)  np.linalg.norm(doc["embedding"])
            )
            scores.append((sim, doc["content"]))
        scores.sort(reverse=True, key=lambda x: x[0])
        return [content for _, content in scores[:top_k]]


class KnowledgeGraph:
    """简易知识图谱（存储知识点关联）"""
    def __init__(self):
        self.nodes = set()
        self.edges = {}   node -> list of (relation, target)
    
    def add_knowledge(self, concept: str, relations: List[Tuple[str, str]]):
        self.nodes.add(concept)
        if concept not in self.edges:
            self.edges[concept] = []
        self.edges[concept].extend(relations)
    
    def get_related(self, concept: str) -> List[str]:
        """获取相关知识点（关系推理）"""
        if concept not in self.edges:
            return []
        return [target for _, target in self.edges[concept]]


class AILearningToy:
    """AI学习助手玩具核心类"""
    
    def __init__(self):
        self.vector_store = SimpleVectorStore()   RAG检索层
        self.knowledge_graph = KnowledgeGraph()   知识图谱层
        self._init_knowledge_base()
    
    def _init_knowledge_base(self):
        """初始化知识库：示例数据"""
         添加RAG检索文档
        docs = [
            "勾股定理：在直角三角形中，两直角边的平方和等于斜边的平方。",
            "平方根运算：若x² = a，则x = ±√a，其中√a表示a的算术平方根。",
            "正弦定理：a/sinA = b/sinB = c/sinC = 2R"
        ]
        for doc in docs:
             实际应用中使用text-embedding模型生成向量
            mock_embedding = np.random.randn(128).tolist()
            self.vector_store.add_document(doc, mock_embedding)
        
         构建知识图谱
        self.knowledge_graph.add_knowledge("勾股定理", [("依赖", "直角三角形"), ("应用", "平方根")])
        self.knowledge_graph.add_knowledge("平方根", [("相关", "指数运算")])
    
    def answer(self, user_input: str) -> str:
        """核心回答流程：RAG检索 + 知识图谱推理 + LLM生成"""
        print(f"\n[用户] {user_input}")
        
         步骤1: 生成问题向量（实际使用embedding模型）
        query_embedding = np.random.randn(128).tolist()
        
         步骤2: RAG检索相关文档
        retrieved_docs = self.vector_store.search(query_embedding)
        print(f"[RAG检索] 找到相关文档: {len(retrieved_docs)}条")
        
         步骤3: 知识图谱关系推理
        related_concepts = self.knowledge_graph.get_related("勾股定理")
        print(f"[知识图谱] 相关知识点: {related_concepts}")
        
         步骤4: 模拟LLM生成答案（实际调用GPT-4o/Claude等）
        answer = self._generate_answer(user_input, retrieved_docs, related_concepts)
        print(f"[AI助手] {answer}")
        return answer
    
    def _generate_answer(self, query: str, docs: List[str], related: List[str]) -> str:
        """模拟LLM生成步骤（实际使用大模型API）"""
         构建增强上下文
        context = f"""
        检索到的相关知识：{docs}
        相关知识点关联：{related}
        """
         模拟生成（实际场景调用LLM）
        return f"根据学习资料，{docs[0] if docs else '该知识点'}。你还想了解{related}吗？"


 运行示例
if __name__ == "__main__":
    toy = AILearningToy()
    response = toy.answer("什么是勾股定理？")
    
     输出:
     [用户] 什么是勾股定理？
     [RAG检索] 找到相关文档: 2条
     [知识图谱] 相关知识点: ['直角三角形', '平方根']
     [AI助手] 根据学习资料，勾股定理：在直角三角形中，两直角边的平方和等于斜边的平方。你还想了解['直角三角形', '平方根']吗？