Leddus Lernplattform - Technische Architektur

Klicken Sie auf Komponenten für detaillierte Informationen

1. System-Gesamtarchitektur
Präsentationsschicht Orchestrierungsschicht (Agents Framework) Geschäftslogik & Validierung Datenschicht Web App (React) Mobile Apps Eltern-Dashboard Admin Portal Agents Framework KI-Orchestrierung Session Manager Context-Komposition Gamification Engine Motivation & Rewards Notification Service Real-time Updates LLM Service GPT-4 Integration CAS Service SymPy/Wolfram Validation Pipeline 3-Layer Validation Analytics Engine Learning Analytics SQL Database Redis Cache Blob Storage Analytics Store
Die Gesamtarchitektur zeigt die vier Hauptschichten des Systems. Die Orchestrierungsschicht mit dem Microsoft Agents Framework koordiniert alle KI-Interaktionen zwischen Frontend und Backend-Services. Die klare Schichtentrennung ermöglicht Skalierbarkeit und Wartbarkeit.
Frontend/UI
Orchestrierung (Agents)
KI-Services
Datenhaltung
Validierung
2. Dynamisches Context-Layer System
Layer 1: System Prompt Rolle, Grundprinzipien, Sicherheitsregeln Layer 2: Schülerprofil Lernstil, Niveau, Sprache, Interessen Layer 3: IB Curriculum Fach, Bewertungskriterien, Lerneinheit Layer 4: Aktuelles Thema Lernziele, Voraussetzungen, Typische Fehler Layer 5: Interaktionsmodus Erklären, Üben, Überprüfen, Vertiefen Layer 6: Session-Historie Letzte Interaktionen, Aktuelle Fehler, Fortschritt Input KI Prompt
Das Context-Layer System komponiert dynamisch einen vollständigen Kontext für jede KI-Interaktion. Der schichtweise Aufbau geht vom allgemeinen System Prompt bis zu spezifischen Session-Details. Das Agents Framework verarbeitet diese Layers zu einem optimierten Prompt.
3. LLM/CAS Hybrid-Pipeline für Mathematik-Aufgaben
Aufgaben-Generierungs-Pipeline 1 Template-Generierung (LLM) Input: Thema, Schwierigkeit, Interessen Output: "Ball mit {v0} m/s bei {angle}°..." 2 Parameter-Wahl (CAS) Wählt mathematisch sinnvolle Werte v0=30, angle=45° → "schöne" Lösung 3 Lösung berechnen (CAS) Vollständige symbolische Lösung Inkl. alle Zwischenschritte 4 Finale Formatierung (LLM) Pädagogische Aufbereitung Sprachliche Politur Kontinuierliche Validierung ✓ Mathematische Korrektheit Multi-CAS Verifikation ✓ Pädagogische Angemessenheit Schwierigkeit, Progression ✓ IB-Konformität Notation, Terminologie ✓ Plausibilität Physikalische Grenzen ✓ Numerische Stabilität Keine Division durch 0 ✓ Edge Cases Sonderfälle abgedeckt
Die Hybrid-Pipeline trennt strikt zwischen LLM (für Sprache/Pädagogik) und CAS (für Mathematik). Diese Architektur garantiert mathematische Korrektheit bei gleichzeitiger pädagogischer Flexibilität.
4. Datenfluss einer Lerninteraktion
Schüler Eingabe/Antwort Session Manager Context-Komposition Intent-Erkennung Agents Framework KI-Orchestrierung Skill-Routing LLM Service GPT-4 CAS Service SymPy/Wolfram Validation Pipeline 3-Layer Check Quality Assurance Gamification XP, Achievements Datenspeicher Profil, Historie Fortschritt Eltern-Dashboard Analytics, Reports
Der Datenfluss zeigt, wie eine Schülereingabe durch das System prozessiert wird. Das Agents Framework orchestriert die Interaktion zwischen LLM und CAS, während die Validation Pipeline die Qualität sicherstellt.
5. Dreischichtige Qualitätssicherung
Pre-Generation Validierung ✓ Topic im Curriculum? ✓ Voraussetzungen erfüllt? ✓ Schwierigkeit passend? ✓ Safety Boundaries? Real-time Monitoring ⚡ Math Statements ⚡ CAS Verifikation ⚡ IB Notation Check ⚡ Response Time Post-Generation Verifikation ✓ Math Korrektheit ✓ Pädagogik Check ✓ Sprache/Stil ✓ Quality Score Finale Ausgabe an Schüler
Die dreischichtige Qualitätssicherung garantiert, dass nur validierte und korrekte Inhalte an Schüler ausgegeben werden. Jede Schicht hat spezifische Prüfkriterien: Pre-Generation (Vorbereitung), Real-time (während der Generierung) und Post-Generation (finale Prüfung).

Hinweis: Diese Diagramme visualisieren die technische Architektur der IB Lernplattform mit dem Microsoft Agents Framework als zentraler Orchestrierungsschicht. Klicken Sie auf Komponenten für detaillierte technische Informationen, Prompts und Implementierungsdetails.