The article discusses the design and development of an intelligent support software module for an educational web platform. The problem of the lack of methodological support during the independent work of schoolchildren is described. The technical implementation of integration with YandexGPT is presented, including the logic of system prompt generation for various scenarios (hints and error analysis), request routing architecture (on the Django and Vue.js stack), and methods for preventing the direct provision of answers.

Keywords: software engineering, artificial intelligence, YandexGPT, web development, Django, Vue.js, educational technology, prompt engineering.

Введение

Одной из главных проблем самостоятельной работы школьников 5–9-х классов является резкое возрастание когнитивной нагрузки и объема учебного материала. При решении домашних заданий по математике учащиеся часто сталкиваются с нехваткой «опоры на метод», они не понимают, с чего начать решение задачи, и не обладают развитым метаязыком для формулирования конкретного вопроса преподавателю. В результате самостоятельная работа без своевременной обратной связи сводится либо к бессистемным попыткам угадать решение, либо к поиску готовых ответов.

Предоставление готового ответа закрывает задачу формально, но не формирует у ученика образовательного навыка. При таком подходе не отрабатываются критически важные этапы: декомпозиция задачи, сверка шагов с теорией и проверка осмысленности результата.

Внедрение искусственного интеллекта в образовательную веб-платформу решает задачу методически корректного сопровождения. ИИ настроен как тьютор, чья цель удерживать познавательную самостоятельность ученика. Наводящие вопросы и дозированные эвристические подсказки помогают восстановить ход рассуждений, опираясь на теорию урока, что способствует переносу навыка на аналогичные задачи.

Основная часть

Адаптивные ролевые модели и промпт-инжиниринг

Для обеспечения корректного педагогического поведения нейросети (на базе Yandex Cloud) программный модуль предусматривает два основных режима взаимодействия, переключение между которыми происходит автоматически в зависимости от этапа выполнения задания.

Первый режим «Тьютор». Он активируется в процессе решения задачи. Системная инструкция жестко ограничивает модель в выдаче прямых ответов, фокусируя её на генерации наводящих вопросов. Для предотвращения галлюцинаций в модель передается строго ограниченный набор инкапсулированных данных: теория урока, условие задачи, история диалога и скрытое от ученика эталонное решение. Шаблон системного промпта выглядит следующим образом:

«Ты опытный, добрый репетитор по математике. Твоя цель помочь ученику понять тему, но НЕ решать задачу за него. КОНТЕКСТ УРОКА (ТЕОРИЯ): [текст]. ЗАДАЧА, которую решает ученик: [условие]. ЭТАЛОННОЕ РЕШЕНИЕ (Только для тебя, не показывай его ученику!): [решение]. ИНСТРУКЦИЯ: 1. Если ученик просит ответ откажи мягко и дай подсказку. 2. Используй методы решения только из контекста урока. 3. Отвечай кратко, по делу, можно использовать эмодзи. 4. Задавай наводящие вопросы. 5. ВАЖНО: Все математические формулы пиши строго в формате LaTeX»...

Второй режим «Анализ ошибок». Он применяется после отправки решения, если оно оказалось неверным. В данном случае целью ИИ является верификация ответа пользователя, выявление конкретной ошибки и объяснение верного алгоритма. Для этого режима используется следующий промпт:

«Ты добрый учитель математики. Ученик решил задачу НЕПРАВИЛЬНО. Твоя цель: вежливо объяснить ошибку и показать верный ход мыслей. 1. Не ругай ученика. 2. Сравни ответ ученика с правильным. 3. Объясни, почему его ответ неверен (если это очевидно) или покажи, как прийти к верному ответу. 4. Используй LaTeX для формул. 5. Будь кратким (не более 3–4 предложений)».

Техническая реализация и архитектура системы

Взаимодействие ученика с ИИ интегрировано в клиентскую часть на базе фреймворка Vue.js 3. Архитектура серверной части реализована на базе фреймворка Django. Обработка запросов выстроена с упором на экономию ресурсов (LLM Routing) и защиту от злоупотреблений:

1. Интеллектуальный роутинг: Для сложных или первичных запросов используется модель yandexgpt/latest. Если в базе уже есть контекст диалога, а сообщение ученика короткое, запрос перенаправляется в экономичную модель yandexgpt-lite/latest.
2. Кэширование: Первичные подсказки к задаче кэшируются. При наличии истории диалога кэш отключается для поддержания уникального контекста беседы.
3. Троттлинг: Настроено ограничение частоты запросов к API (не более 5 запросов в минуту) для защиты системы от перегрузки.

Результаты

Разработанный модуль интеллектуальной поддержки прошел тестирование на практике, продемонстрировав высокую эффективность заложенных алгоритмов (Guardrails) в обоих режимах работы.

В режиме «Тьютор» система успешно удерживает познавательную активность учащегося. Рассмотрим пример сессии при решении уравнения методом введения новой переменной. В ответ на просьбу о помощи ИИ не выдает готовые корни, а предлагает первый шаг:

«Понимаю, что это может быть сложно, но давайте попробуем разобраться вместе! Давайте начнём с замены переменной. Пусть t = √(x² — 3x + 26). Тогда t² = x² — 3x + 26. Теперь подставим это в исходное уравнение и посмотрим, что получится. Можете попробовать сделать это самостоятельно?»

После уточняющих вопросов ученика ИИ описывает логику обратной замены, что приводит к самостоятельному нахождению верного ответа (рис. 1).

Рис. 1. Интерфейс модуля в режиме «Тьютор» и «Анализ ошибок»

В режиме «Анализ ошибок» модуль осуществляет ретроспективный разбор неверного ответа. Вместо сухой констатации факта ошибки, ИИ вежливо указывает на этап, где было допущено нарушение логики, и демонстрирует эталонный ход рассуждений с использованием LaTeX-рендеринга для наглядности математических выражений. Это позволяет учащемуся самостоятельно провести работу над ошибками без привлечения преподавателя.

Заключение

Разработанный программный модуль интеллектуальной поддержки успешно решает задачу персонализации образовательного процесса. Использование адаптивных ролевых моделей и продуманный промпт-инжиниринг позволили создать безопасную среду, в которой ИИ выполняет функции как тьютора, так и проверяющего учителя. Реализованная на серверной стороне архитектура интеллектуальной маршрутизации обеспечила баланс между высоким качеством ответов и экономией вычислительных ресурсов. Внедрение подобных программных решений открывает новые перспективы для автоматизации рутинной работы преподавателя и повышения качества самостоятельной подготовки школьников.

Литература :

1. Документация Yandex Cloud: YandexGPT API [Электронный ресурс]. URL: https://yandex.cloud/ru/docs/yandexgpt/ (дата обращения: 06.04.2026).
2. Официальная документация фреймворка Django [Электронный ресурс]. URL: https://docs.djangoproject.com/ (дата обращения: 06.04.2026).
3. Роберт И. В. Теория и методика информатизации образования (психолого-педагогический и технологический аспекты). — М.: БИНОМ. Лаборатория знаний, 2014. — 398 с.
4. Марголис А. А. Искусственный интеллект и педагогика: возможности и риски // Психологическая наука и образование. 2020. Т. 25. № 4. С. 138–146.
5. Официальная документация фреймворка Vue.js [Электронный ресурс]. URL: https://vuejs.org/guide/introduction.html (дата обращения: 06.04.2026).
6. Kasneci E. et al. ChatGPT for good? On opportunities and challenges of large language models for education // Learning and Individual Differences. 2023. Vol. 103. P. 102274.
7. White J. et al. A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT // arXiv preprint arXiv:2302.11382. 2023.