错题讲解AI上线记 - 我们把每道题的讲解成本从15分钟压到40秒

一、业务痛点：讲一道题，贵得超乎想象

我们是一个五人小团队，做K12数学练习类应用。产品上线三个月后，用户反馈最集中的功能不是刷题，而是“错题讲解”——学生做错了，想知道为什么错。

最初我们安排了两位兼职老师人工写讲解，很快算了一笔账：

日错题量约2000道，人工模式成本每天上万元，完全跑不通。结论很明确：错题讲解必须AI化，但“能用”和“能上线”之间隔着工程化这道坎。

二、架构设计：三层结构，讲解质量靠流程保证

很多人以为错题讲解就是“把题目丢给大模型”。实测下来直接调用的问题有三个：公式渲染乱、讲解深度不匹配学段、多模型API各自维护太累。我们最终落地三层架构：

┌─────────────────────────────────────┐
│  应用层：拍照/输入题目 → 用户学段/教材版本  │
├─────────────────────────────────────┤
│  业务编排层（核心）                       │
│  1. 预处理：OCR识别 + LaTeX公式还原校验    │
│  2. 知识点标注：轻量模型打标（小模型，便宜）  │
│  3. 讲解生成：强模型 + 分学段提示词模板      │
│  4. 质量校验：答案复核 + 步骤数检查         │
│  5. 失败降级：换模型重试 / 转人工队列       │
├─────────────────────────────────────┤
│  AI API网关层（统一ThisToken.AI接入）      │
│  多模型统一调用 · 统一计费 · 统一监控       │
└─────────────────────────────────────┘

关键决策：不让代码直接依赖任何一家的官方SDK，所有模型调用走统一网关的OpenAI兼容格式。

三、关键实现步骤

第一步：拆任务，按能力分配模型。 知识点打标用便宜的小模型，讲解生成用推理强的模型，答案复核用中等模型。整体调用成本相比“全程用旗舰模型”下降约70%。

第二步：分学段提示词模板。 小学五年级和初三的讲解语气、步骤密度完全不同。我们维护了6套模板，按用户画像注入。

第三步：质量闸门。 讲解生成后强制做答案一致性校验——AI讲解的最后答案必须与题目标准答案一致，不一致直接触发换模型重试，仍失败则进人工队列。这是用户信任的底线。

核心调用代码示意：

from openai import OpenAI

client = OpenAI(
    api_key="your-thistoken-key",
    base_url="https://api.thistoken.ai/v1"  # 统一网关
)

def explain_question(question, grade, kp_tags):
    prompt = PROMPT_TEMPLATES[grade].format(
        question=question, knowledge_points=kp_tags
    )
    resp = client.chat.completions.create(
        model="deepseek-chat",          # 讲解生成用性价比模型
        messages=[{"role": "user", "content": prompt}],
        temperature=0.3
    )
    return resp.choices[0].message.content

def verify_answer(question, explanation, answer):
    # 独立模型复核，防讲解"讲歪"
    check = client.chat.completions.create(
        model="gpt-4o-mini",
        messages=[{"role": "user", "content":
            f"判断该讲解最终答案是否等于{answer}：{explanation}"}]
    )
    return "一致" in check.choices[0].message.content

上线后对比：

四、为什么统一AI网关能降低维护成本

上线前我们也走过弯路：早期直接接了某家官方SDK，结果三个月内遇到两次模型版本调整、一次价格变动，每次都要改代码、回归测试，单次适配花费团队约2-3人天。换成统一网关后：

1. 一套SDK搞定所有模型。 OpenAI兼容格式接入后，切换讲解模型、复核模型只改一个model字符串，不用引入第二套依赖。我们试用了4个模型才找到性价比组合，全程没动架构。
2. 不用逐家注册、逐家对账。 五个模型的账单变成一份，成本监控有统一接口，我们按功能拆分调用统计，每月对账从半天缩到十分钟。
3. 供应商风险被隔离。 某模型调价或限流，降级逻辑在网关层面换模型即可，业务代码零改动——这在教育旺季流量翻倍时救过我们两次。

对五人团队来说，省下的适配工作量约等于每月多出一个人力的开发时间，这才是统一网关的真实价值：不是省钱，是省下了最贵的资源——工程师的注意力。

五、写在最后

错题讲解功能上线后，成了应用内停留时长最高的模块，而它的边际成本几乎可以忽略。教育类AI应用的可行性公式其实很简单：任务拆解到位 + 质量闸门兜底 + 统一网关控成本。

如果你也想快速验证自己的AI功能想法，可以先在 ThisToken.AI 注册一个账号，统一接入多家模型，从第一行调用代码到看到效果，可能只需要十分钟：https://api.thistoken.ai/register

---

想直接跑通示例？访问 https://api.thistoken.ai/register 注册 ThisToken.AI，获取 API Key 后即可开始。