AI 教育打中痛點：Lumen 50 秒生成私人課程的技術架構

多數 AI 教育產品做錯一件事：佢哋用 LLM 嚟做「內容包裝」，而唔係「內容生產」。將教科書塞入 GPT、加個 quiz generator、包裝成「AI 學習平台」——結果你得到嘅係一個識得講嘢嘅 PDF，唔係一個真係會教你嘢嘅系統。真正嘅痛點唔係「內容缺乏」，而係「從模糊目標到結構化課程嘅 gap」：你話「我想學好 SQL」，市面上有幾千個課程，邊個適合你嘅程度、時間預算、學習風格？傳統 LMS 要你逐個 syllabus 睇，AI 平台要你揀 pre-built course，兩者都假設你已經知道自己要乜。

Lumen 行另一條路。你要做嘅只係打字入去——「我想學好 Postgres 效能調校，20 個鐘內要實戰用到」——50 秒後你就有一個私人課程，四個 module、十幾課、每課有 quiz、有 project。唔係 template 填空，而係由一個 custom multi-agent orchestrator 由零生成，內容 scope 到你的時間預算、難度到你講嘅 level、練習對應你嘅學習目標。呢種「從一句話到完整課程」嘅能力，先係 AI 喺教育嘅 killer use case。

六站 pipeline：點解唔用 LangChain

Lumen 嘅作者做咗一個好 conscious 嘅決定——成個 agentic layer 唔用 LangChain 或其他 framework。初睼好似有啲 counter-intuitive，畢竟 LangChain 呢類工具正正就係為咗 orchestrate LLM calls 而存在。但睇真啲，理由好合理：呢度需要嘅唔係通用 abstraction，而係一個 tightly scoped、每個 step 都有明確 contract 嘅 pipeline。

Authoring orchestrator 行六個 stages——researcher → outliner → critic → reviser → lesson-drafter → final-critic——每個 stage 嘅 input/output 都有獨立嘅 Pydantic schema，唔係自由流動嘅「chain」。Researcher 階段唔 call LLM，淨係用 Tavily 做 web search 加上 catalog 入面相似課程嘅 metadata，組合成 context bundle。Outliner 用呢個 bundle draft 一個完整嘅 course outline，包含 module 結構、每課嘅 learning objective、estimated duration。然後 critic 會用三個維度（coverage、learning arc、scope）評分，0 到 5，低過 mean 4.0 就觸發 reviser 重改。呢個 critic-reviser loop caps 喺 3 次 revision 或 6 次 LLM calls，邊個先到就停。

為咗唔用 LangChain？因為呢個 pipeline 嘅控制流係 deterministic 嘅——「如果 critic score < threshold → 行 reviser，否則 forward」——呢種邏輯用 plain Python 寫仲乾淨過用 framework 嘅 conditional router。而且每個 stage 嘅失敗 handling 唔同：researcher 可以 gracefully degrade（無 web results 都仲有 catalog data），但 outliner 失敗就要 retry with different temperature。Framework 嘅 abstraction 往往將呢啲 nuance 磨平咗，變相你要 fight the framework。

RAG tutor：唔係就咁問 ChatGPT

課程生成只係一半。另一半係點樣教。Lumen 嘅 tutor 係一個 course-scoped RAG system，背後有五個 sub-agents：retriever、web_searcher、code_runner、quiz_generator、concept_explainer。每個 turn，orchestrator 決定要 call 邊個 sub-agent，有 hard cap 限制 tool-call rounds。

Retrieval 嘅設計係亮點。Embeddings 用 Cloudflare Workers AI 行 bge-small-en-v1.5（384-dim），存入 pgvector。Scope 控制靠一個 ACL clause——你只能 retrieve 自己課程嘅 chunks，clone 嘅課程有獨立嘅 visibility boundary，唔會有 data leak。呢個聽落基本，但好多 AI 教育產品喺呢度出事：佢哋將所有課程內容塞入一個 vector store，然後靠 metadata filtering 做 scope control，但 metadata 係可以 bypass 嘅。Lumen 嘅做法係將 ACL 直接嵌入 retrieval query，唔係事後 filter。

更重要嘅係透明度。每個 tutor response 都會顯示佢引用咗邊個 lesson 嘅邊個 chunk，仲有 similarity score。喺 UI 你可以㩒「show me how you got this」，睇返 planner steps、tool calls、retrieval audit trail。呢種 level 嘅 observability 喺教育產品特別重要——學生唔係淨係要答案，佢哋要理解個答案點嚟，先至真正學到嘢。

Public evals：將 AI 產品嘅可信度變成競爭優勢

Lumen 嘅 eval 系統係我認為最值得留意嘅部分，尤其是對獨立開發者嚟講。多數 AI 產品嘅 eval 係內部分數，show 俾 investor 睇，唔會公開。Lumen 將佢哋嘅 golden eval suites 放上 production site 俾任何人睇——三個 suites：30-item tutor eval、10-item authoring eval、10-item ingest eval，每個 item 由 LLM-as-judge 打 0 到 5 分。仲要連 weak scores 都 keep 住，唔係淨係 show 靚仔嗰 part。

呢個做法有幾個層面嘅智慧。第一，對用户嚟講，見到一個 platform 公開佢嘅 eval results，仲要 show 埋邊啲位做得唔好，呢個 signal 嘅可信度高過任何「我們使用先進 AI 技術」嘅 marketing copy。第二，對開發者嚟講，golden evals 喺 CI 入面行——每個 PR 會跑一個 3-item smoke suite——確保 regression 唔會 silent slip through。第三，呢個 eval harness 係 extensible 嘅，你可以加自己嘅 adversarial probes。對於一個 open source project 嚟講，呢個設計令社群貢獻者可以客觀證明佢哋嘅改進，唔使靠 subjective 嘅「我覺得好咗」。

仲有一個細節值得提：每個 LLM call 嘅 tokens、cost、latency 全部 log 落 llm_calls table。呢個唔淨係 monitoring 咁簡單——佢令成個 system 嘅 cost model 完全透明。你知道每個課程生成用咗幾多 tokens、幾多錢。對於要 self-host 嘅用户或者 BYOK 用戶，呢個數字直接影響佢哋嘅營運成本，唔係一個 black box。

俾獨立開發者嘅啟示

Lumen 嘅 stack 對獨立開發者特別有參考價值：Python 3.13 + FastAPI + async SQLAlchemy 2，frontend 用 Next.js 15 + React 19 + Tailwind 4，全部行 Docker Compose，production 用 Groq free tier + Cloudflare Workers AI + 一部 AWS t4g.small 就跑到。呢個係 intentional 嘅設計決定——作者唔係要做一個需要大額 infrastructure budget 嘅平台，而係一個個人開發者可以 self-host、可以理解成個 codebase 嘅系統。

BYOK（Bring Your Own Key）係另一個聰明嘅 move。平台預設用 Groq 嘅免費 tier，但用户可以帶自己嘅 OpenAI、Anthropic、Mistral 或 Groq key，key 用 envelope encryption 存儲，唔會暴露喺 log 或 export 入面。呢個設計令平台嘅使用成本完全 predictable——用户俾嘅係 platform subscription（如果係 hosted version），AI cost 係佢自己條數。

由產品角度睇，Lumen 示範咗一件事：AI 教育嘅 future 唔係更大嘅 model 或更多嘅 training data，而係 better orchestration + transparency。一個 well-designed multi-agent system 配公開可驗證嘅 evals，比任何黑盒「AI 老師」都更有說服力。如果你正喺度 build AI 產品——唔理係教育定其他領域——Lumen 嘅 approach 值得參考：custom orchestration over frameworks、built-in observability、同 public evals 作為信任機制。呢三樣嘢加埋，就係點解一個 open source project 可以同資金雄厚嘅 competitors 競爭嘅原因。