用多智能体AI为残障学生生成个性化过渡计划

Trinity 的核心使命是让残障学生真正掌握自己的升学与职业规划。传统的个性化教育计划（IEP）由家长、教师和专家共同填写，流程繁琐且缺乏学生主体参与。Trinity 改变了这一模式：学生通过对话向 AI 表达自己的兴趣与目标，系统随即生成一份涵盖高等教育、就业、独立生活与社区参与四个维度的过渡计划，全程符合 IDEA 法规要求。这种以学生为中心的设计理念，使规划过程从被动填表转变为主动探索。

随着接入学区数量增加，原有的单一大语言模型架构暴露出明显局限。将学生信息采集、职业探索、合规审查和计划撰写全部压缩在同一个提示词上下文中，导致任何一个环节的失误都可能污染整个会话，产生幻觉或不准确的推荐内容。与此同时，为残障学生推荐院校和职业培训项目需要同时过滤地理位置、残障支持服务、项目费用和职业匹配度等多个维度，通用检索工具无法在低延迟条件下可靠完成这一任务。

为解决上述问题，g/d/n/a 为 Trinity 设计了六智能体分层架构。一个编排智能体（Orchestrator Agent）负责读取学生对话、选择执行路径并汇总最终输出；其下分别设有院校智能体（覆盖逾 3 万条记录知识库）、就业智能体（逾 1000 个职业路径）、职业培训智能体（逾 5000 条项目记录）、社区活动智能体以及独立生活技能智能体。各智能体专注于各自领域，共享同一份学生档案，由 DynamoDB 维护会话状态，最终由专属整合步骤将各智能体输出拼装为内部一致的过渡计划。

Trinity 的工作流程分为两个阶段。第一阶段，学生完成四段式信息采集对话后，编排智能体将请求路由至对应的主智能体，返回五至十条经过上下文过滤的排序推荐选项。第二阶段进入计划生成环节，系统将推荐结果整合为结构化的正式过渡计划文档。这种推荐与生成分离的流水线设计，既保证了检索的精准性，也确保了最终文档的合规性与可读性。

在无障碍访问与数据安全方面，Trinity 同样做出了系统性设计。Amazon Polly 将 AI 回复转为语音输出，Amazon Transcribe 将学生语音转为文字输入，使听障或阅读困难学生无需改变后端逻辑即可正常使用。身份认证通过 Amazon Cognito 与 Canvas LTI 1.3 联合登录实现学校单点登录。Amazon Bedrock Guardrails 提供内容过滤与幻觉抑制，字段级加密、严格的基于角色的访问控制以及自动化数据留存策略则从底层满足 HIPAA 和 FERPA 合规要求，确保特殊教育学生记录的隐私安全。

要点

• 单一大语言模型难以同时处理合规审查、个性化检索和计划生成等复杂任务，分层多智能体架构是规模化落地的关键选择。
• Trinity 将推荐阶段与计划生成阶段解耦，有效提升了检索精准度与最终文档的合规一致性。
• 无障碍设计（语音输入输出）与数据合规（HIPAA/FERPA）需从架构底层同步构建，而非事后叠加。
• Amazon Bedrock 的多模型能力与 Guardrails 内容过滤机制，为教育类高合规场景的 AI 落地提供了可靠基础。
• Trinity 首年已覆盖美国十余个州并启动国际扩展，验证了无服务器多智能体架构在教育 SaaS 场景中的规模化可行性。