使用GLM-4.7-Flash进行Python入门教学辅助系统开发
教Python入门这件事，我做了好几年。最头疼的就是学生问的那些问题：“老师，这个循环怎么写？”“这个错误是什么意思？”“接下来该学什么？”每个问题都要重复回答，效率低不说，还容易漏掉细节。
最近试了用GLM-4.7-Flash来搭建一个Python教学辅助系统，效果比我想象的好。这个模型在代码能力上确实有两把刷子，特别是对新手友好的解释和指导。今天就跟大家分享一下，怎么用这个模型来构建一个能自动生成代码示例、诊断错误、推荐学习路径的教学系统。
1. 为什么选择GLM-4.7-Flash做教学助手
刚开始选模型的时候，我也对比过几个选项。最后选了GLM-4.7-Flash，主要是看中它这几个特点：
代码能力够强：在SWE-bench测试里拿了59.2分，比同级别的其他模型高出一大截。这意味着它写代码、改代码的能力比较靠谱，不会教学生一些奇怪的东西。
轻量好部署：31B参数的规模，在本地跑起来压力不大。我的开发机是RTX 4090，24GB显存完全够用。就算用MacBook Pro，36GB内存也能跑得动。
完全免费：这是最实在的一点。教学系统往往要服务很多学生，如果每个请求都要花钱，成本就太高了。GLM-4.7-Flash完全免费，用起来没有心理负担。
上下文够长：200K的上下文长度，意味着它能记住比较长的对话历史。学生可以连续问好几个问题，它都能基于之前的对话给出连贯的回答。
实际用下来，我发现它特别适合教学场景的地方在于：解释得比较清楚。同样是讲“Python列表推导式”，有些模型会直接扔一段代码了事，但GLM-4.7-Flash会拆开来讲，先说什么情况用，再讲怎么写，最后给个例子。这种讲解方式，对新手特别友好。
2. 系统架构设计：三个核心功能怎么实现
我设计的这个教学辅助系统，主要解决三个问题：代码示例生成、错误诊断、学习路径推荐。下面分别说说每个功能是怎么实现的。
2.1 代码示例生成：不只是给代码，还要讲清楚
新手学编程，最需要的就是看得懂的代码例子。但直接给代码往往不够，他们还需要知道“为什么这么写”。
我设计了一个代码生成模块，它的工作流程是这样的：
- 学生描述需求（比如“我想写一个计算斐波那契数列的程序”）
- 系统分析学生的描述，判断他们的知识水平
- 生成适合当前水平的代码示例
- 附带详细的注释和解释
用GLM-4.7-Flash来实现这个功能，代码其实挺简单的：
import requests import json class CodeExampleGenerator: def __init__(self, base_url="http://localhost:11434"): self.base_url = base_url self.model = "glm-4.7-flash" def generate_example(self, topic, difficulty="beginner", language="python"): """生成代码示例""" # 构建提示词，告诉模型要生成教学用的代码 prompt = f"""请为Python初学者生成一个关于{topic}的代码示例。 要求： 1. 难度级别：{difficulty} 2. 编程语言：{language} 3. 代码要简洁明了，每行都有注释 4. 在代码后面加上文字解释，说明代码的工作原理 5. 如果可能，给出一个实际的应用场景 请按照以下格式返回： 代码部分： ```python # 你的代码解释部分： （用通俗易懂的语言解释代码）"""
# 调用GLM-4.7-Flash response = requests.post( f"{self.base_url}/api/chat", json={ "model": self.model, "messages": [{"role": "user", "content": prompt}], "stream": False } ) if response.status_code == 200: result = response.json() return result["message"]["content"] else: return f"生成失败：{response.text}" def generate_with_context(self, student_query, previous_examples=None): """基于上下文生成代码示例""" context = "" if previous_examples: context = f"之前我们已经讨论过：{', '.join(previous_examples)}。" prompt = f"""{context}学生问：{student_query}
请根据学生的提问，生成合适的代码示例。 如果你是老师，你会怎么教这个知识点？ 请用新手能理解的方式解释。"""
# 调用模型（代码同上，省略重复部分） # ...这个模块用下来，我发现几个实用的技巧： **提示词要具体**：不能只说“生成斐波那契数列代码”，要告诉模型“为初学者生成，每行加注释，后面加解释”。 **考虑学生水平**：同样的主题，给完全新手和有点基础的学生，生成的代码应该不一样。新手需要更多注释和更简单的实现。 **保持一致性**：如果学生之前学过相关概念，生成新代码时可以引用之前的例子，帮助建立知识连接。 ### 2.2 错误诊断：从报错信息到解决方案 学生最常问的就是：“老师，这个错误是什么意思？”传统的做法是老师看报错信息，然后解释。现在可以让GLM-4.7-Flash来做这件事。 错误诊断模块的核心思路是： 1. 解析错误信息（Python的traceback） 2. 定位问题所在的行和可能的原因 3. 给出具体的修改建议 4. 提供修改后的正确代码 实现代码长这样： ```python class ErrorDiagnoser: def __init__(self, base_url="http://localhost:11434"): self.base_url = base_url self.model = "glm-4.7-flash" def diagnose_error(self, error_message, student_code=None): """诊断Python错误""" prompt = f"""你是一个Python老师，正在帮助学生调试代码。 学生遇到了这个错误： {error_message} """ if student_code: prompt += f""" 这是学生的代码： ```python {student_code}请分析：
- 错误的具体原因是什么？
- 错误发生在哪一行？
- 如何修复这个错误？
- 给出修复后的完整代码
- 解释为什么这样修改
请用新手能理解的语言回答。""" else: prompt += "请解释这个错误是什么意思，以及通常如何避免这种错误。"
# 调用模型 response = requests.post( f"{self.base_url}/api/chat", json={ "model": self.model, "messages": [{"role": "user", "content": prompt}], "stream": False } ) if response.status_code == 200: return response.json()["message"]["content"] return "诊断失败" def common_errors_database(self): """常见错误数据库，提高诊断准确性""" common_errors = { "NameError: name 'x' is not defined": { "cause": "变量在使用前未定义", "solution": "在使用变量前先给它赋值", "example_before": "print(x)\nx = 5", "example_after": "x = 5\nprint(x)" }, "IndentationError": { "cause": "缩进不一致，可能是混用了空格和制表符", "solution": "统一使用4个空格进行缩进", "example_before": "def foo():\n\tprint('hello') # 制表符\n print('world') # 4个空格", "example_after": "def foo():\n print('hello')\n print('world')" } # 可以继续添加更多常见错误 } return common_errors实际测试中，这个模块对常见错误的诊断准确率很高。特别是那些经典的Python错误，比如缩进问题、变量作用域问题、类型错误等，GLM-4.7-Flash都能给出很准确的解释。 有个小技巧：我会把常见的错误和解决方案先存起来，形成一个小的知识库。这样遇到常见错误时，可以直接从知识库里拿答案，速度更快，也减轻模型的负担。 ### 2.3 学习路径推荐：个性化学习计划 每个学生的学习进度都不一样，有的快有的慢。学习路径推荐模块就是用来解决这个问题的。 这个模块的工作方式是： 1. 记录学生的学习历史（学了哪些主题，掌握程度如何） 2. 分析学生的薄弱环节 3. 推荐下一步该学什么 4. 提供学习资源和练习题目 ```python class LearningPathRecommender: def __init__(self, base_url="http://localhost:11434"): self.base_url = base_url self.model = "glm-4.7-flash" self.student_progress = {} # 存储学生学习进度 def recommend_next_topic(self, student_id, completed_topics): """推荐下一个学习主题""" # 更新学生学习进度 self.student_progress[student_id] = completed_topics # 构建Python学习路径 python_learning_path = [ "变量和数据类型", "基本运算符", "条件语句", "循环语句", "列表和元组", "字典和集合", "函数定义", "模块和包", "文件操作", "异常处理", "面向对象编程", "常用内置模块" ] # 找出学生还没学的主题 remaining_topics = [t for t in python_learning_path if t not in completed_topics] if not remaining_topics: return "恭喜！你已经学完了Python基础，建议开始学习：数据科学基础或Web开发入门" prompt = f"""学生已经学习了这些Python主题：{', '.join(completed_topics)}。 接下来应该学什么？ 请考虑： 1. 知识的连贯性（先学基础，再学进阶） 2. 学生的接受能力 3. 实际应用价值 请从这些主题中选择最合适的一个：{', '.join(remaining_topics[:5])} 并解释为什么推荐这个主题，以及如何学习这个主题。""" response = requests.post( f"{self.base_url}/api/chat", json={ "model": self.model, "messages": [{"role": "user", "content": prompt}], "stream": False } ) if response.status_code == 200: return response.json()["message"]["content"] return "推荐失败" def generate_practice_exercise(self, topic, difficulty="medium"): """生成练习题""" prompt = f"""请为Python主题“{topic}”生成一个练习题。 难度：{difficulty} 要求： 1. 题目描述清晰 2. 提供输入输出示例 3. 给出解题思路提示（不要直接给答案） 4. 如果可能，提供多个难度级别的变体 格式： 题目：[题目描述] 示例输入：[示例] 示例输出：[示例] 提示：[解题思路提示]""" # 调用模型生成练习题 # ...这个模块的关键在于个性化。不是所有学生都按同样的顺序学，有的学生可能对数据分析感兴趣，可以早点引入NumPy、Pandas；有的想学Web开发，可以早点讲Flask、Django。
3. 整合成完整系统：Web界面和API服务
单个功能模块做好后，需要把它们整合成一个完整的系统。我选择用Flask来搭建Web界面，这样学生可以通过浏览器访问。
from flask import Flask, request, jsonify, render_template import json app = Flask(__name__) # 初始化各个模块 code_gen = CodeExampleGenerator() error_diag = ErrorDiagnoser() path_recommender = LearningPathRecommender() @app.route('/') def index(): """教学系统主页""" return render_template('index.html') @app.route('/api/generate_code', methods=['POST']) def generate_code(): """生成代码示例API""" data = request.json topic = data.get('topic', '') difficulty = data.get('difficulty', 'beginner') if not topic: return jsonify({"error": "请提供主题"}), 400 result = code_gen.generate_example(topic, difficulty) return jsonify({"code_example": result}) @app.route('/api/diagnose_error', methods=['POST']) def diagnose_error(): """诊断错误API""" data = request.json error_msg = data.get('error_message', '') student_code = data.get('code', '') if not error_msg: return jsonify({"error": "请提供错误信息"}), 400 result = error_diag.diagnose_error(error_msg, student_code) return jsonify({"diagnosis": result}) @app.route('/api/recommend_path', methods=['POST']) def recommend_path(): """推荐学习路径API""" data = request.json student_id = data.get('student_id', 'default') completed = data.get('completed_topics', []) result = path_recommender.recommend_next_topic(student_id, completed) return jsonify({"recommendation": result}) @app.route('/api/chat', methods=['POST']) def chat_with_tutor(): """与教学助手对话""" data = request.json message = data.get('message', '') history = data.get('history', []) if not message: return jsonify({"error": "请提供消息"}), 400 # 构建对话历史 messages = [] for h in history[-5:]: # 只保留最近5条历史 messages.append({"role": "user", "content": h.get("user", "")}) messages.append({"role": "assistant", "content": h.get("assistant", "")}) messages.append({"role": "user", "content": message}) # 调用GLM-4.7-Flash response = requests.post( "http://localhost:11434/api/chat", json={ "model": "glm-4.7-flash", "messages": messages, "stream": False } ) if response.status_code == 200: result = response.json() return jsonify({"response": result["message"]["content"]}) return jsonify({"error": "对话失败"}), 500 if __name__ == '__main__': app.run(debug=True, port=5000)前端界面我用简单的HTML和JavaScript实现，重点是要让界面清晰易用。新手最怕复杂的界面，所以设计上尽量简洁：
<!DOCTYPE html> <html> <head> <title>Python教学助手</title> <style> .container { max-width: 800px; margin: 0 auto; padding: 20px; } .tab { margin-bottom: 20px; } .tab button { padding: 10px 20px; margin-right: 10px; } .tab-content { display: none; padding: 20px; border: 1px solid #ddd; } .active { display: block; } textarea, input { width: 100%; padding: 10px; margin: 10px 0; } button { padding: 10px 20px; background: #007bff; color: white; border: none; } </style> </head> <body> <div class="container"> <h1>Python教学助手</h1> <div class="tab"> <button onclick="showTab('code')">代码示例</button> <button onclick="showTab('error')">错误诊断</button> <button onclick="showTab('path')">学习路径</button> <button onclick="showTab('chat')">对话助手</button> </div> <div id="code" class="tab-content"> <h3>生成代码示例</h3> <input type="text" id="topic" placeholder="输入想学的主题，如'列表推导式'"> <button onclick="generateCode()">生成示例</button> <div id="codeResult"></div> </div> <!-- 其他标签页内容类似，省略 --> </div> <script> function showTab(tabName) { // 显示选中的标签页 document.querySelectorAll('.tab-content').forEach(tab => { tab.classList.remove('active'); }); document.getElementById(tabName).classList.add('active'); } function generateCode() { const topic = document.getElementById('topic').value; fetch('/api/generate_code', { method: 'POST', headers: {'Content-Type': 'application/json'}, body: JSON.stringify({topic: topic}) }) .then(response => response.json()) .then(data => { document.getElementById('codeResult').innerHTML = `<pre>${data.code_example}</pre>`; }); } </script> </body> </html>4. 实际使用效果和优化建议
这个系统搭建好后，我让几个刚开始学Python的学生试用了一下。他们的反馈挺有意思：
代码示例生成：大部分时候生成的质量不错，注释详细，解释清楚。但有时候会生成过于复杂的例子，对新手不太友好。后来我改进了提示词，明确要求“为完全新手生成最简单的实现”，效果就好多了。
错误诊断：对常见错误的诊断很准确，解释也容易懂。但遇到一些复杂的、涉及多个文件的错误时，诊断就不太准了。这时候还是需要人工介入。
学习路径推荐：学生觉得推荐的内容挺合理的，特别是能根据他们已经学过的内容来推荐下一步，感觉比较个性化。
基于这些反馈，我做了几个优化：
增加难度控制：在代码生成时，让学生可以选择难度级别（新手、中级、高级），这样生成的代码更符合他们的水平。
添加反馈机制：每个回答后面加个“这个回答有帮助吗？”的按钮，收集学生的反馈，用来优化模型的表现。
引入知识图谱：把Python的知识点组织成图谱，这样推荐学习路径时更有逻辑性，知道哪些知识点是前置条件。
缓存常用回答：把常见问题的回答缓存起来，比如“Python怎么安装”、“第一个程序怎么写”这些，提高响应速度。
5. 部署和性能考虑
在实际部署时，有几个点需要注意：
硬件要求：GLM-4.7-Flash在RTX 4090上跑得很流畅，生成速度也快。如果用CPU跑，建议至少有32GB内存，不然速度会比较慢。
并发处理：如果同时有很多学生使用，需要考虑并发问题。可以用多个Ollama实例，或者用vLLM来部署，提高并发处理能力。
模型更新：Ollama会定期更新模型，记得保持版本更新。特别是v0.15.1版本对GLM-4.7-Flash做了优化，修复了一些问题。
监控和日志：记录学生的使用情况，哪些功能用得最多，哪些问题最常问。这些数据对优化系统很有帮助。
6. 总结
用GLM-4.7-Flash搭建Python教学辅助系统，整体体验还不错。最大的优点是免费和代码能力强，特别适合教学这种对成本敏感、对准确性要求高的场景。
这个系统不能完全替代老师，但可以作为很好的辅助工具。学生可以随时问问题，得到即时的回答；老师可以从重复性的答疑中解放出来，专注于更复杂的教学问题。
如果你也在教编程，或者想为自己搭建一个学习助手，不妨试试这个方案。从简单的代码生成开始，慢慢添加更多功能，最终形成一个完整的教学辅助系统。GLM-4.7-Flash的能力足够支撑这样一个系统，而且完全免费，试错成本很低。
实际用下来，我觉得最有价值的是错误诊断和学习路径推荐这两个功能。错误诊断能及时解决学生的困惑，避免他们卡在一个问题上太久；学习路径推荐则能帮助学生更有条理地学习，不会东一榔头西一棒子。
当然，系统还有改进空间，比如增加更多编程语言的支持、集成在线代码运行环境、添加项目实战指导等。但这些都可以慢慢来，先把核心功能做好，再逐步扩展。
获取更多AI镜像
想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。
