OpenClaw儿童模式：基于百川2-13B打造家长控制的作业辅导助手

OpenClaw儿童模式：基于百川2-13B打造家长控制的作业辅导助手

1. 为什么需要AI作业辅导助手？

作为两个小学生的家长，我深刻体会到辅导作业的"痛"。每天晚上检查数学题、批改作文、讲解错题的过程，常常让亲子关系变得紧张。更棘手的是，当孩子遇到难题时，我们未必能立即给出专业解答——毕竟离开校园多年，很多知识点已经生疏。

去年尝试过一些在线教育APP，但要么功能单一（只能批改英语作文），要么需要频繁订阅付费服务。更让我担忧的是，这些平台会收集孩子的作业内容进行分析，存在隐私风险。直到发现OpenClaw的本地化部署能力，配合百川2-13B这样的开源大模型，终于找到了相对完美的解决方案。

2. 儿童模式的核心设计思路

2.1 安全边界的划定

在普通模式下，OpenClaw可以自由访问电脑上的任何文件、执行任意脚本——这对儿童使用场景显然过于危险。我的解决方案是创建一个专属的kids-profile配置文件，通过三重限制构建安全围栏：

1. 文件访问白名单：仅允许读取~/Documents/Homework目录下的.pdf/.docx文件
2. 网络请求限制：禁止所有出站请求，除了与本地模型服务的通信（127.0.0.1:5000）
3. 技能权限管控：禁用所有涉及系统操作的技能（如file-manager），仅保留教育类技能

配置文件示例（~/.openclaw/profiles/kids-profile.json）：

{ "security": { "filesystem": { "whitelist": ["~/Documents/Homework/**"], "blacklist": ["*.exe", "*.sh"] }, "network": { "allowedHosts": ["127.0.0.1"], "blockedPorts": [22, 80, 443] } }, "skills": { "allowed": ["math-helper", "essay-review", "dictation-checker"], "blocked": ["*"] } }

2.2 百川模型的针对性优化

百川2-13B-4bits量化版在消费级GPU上表现优异（我的RTX 3090显存占用约9.8GB），但原始模型更偏向通用对话。为了让其更适合教育场景，我做了以下调整：

1. 提示词工程：在system prompt中强调"你是一位有耐心的小学辅导老师，要用简单易懂的语言，逐步引导思考"
2. 温度值调整：将temperature从默认0.7降至0.3，减少答案的随机性
3. 停止词设置：添加[严禁]作为停止词，当模型可能输出不当内容时强制终止

启动参数示例：

python server.py --model baichuan2-13b-chat-4bits \ --temperature 0.3 \ --stop "[严禁]" \ --system-msg "你是一位小学辅导老师，要用简单易懂的语言..."

3. 关键技能实现与效果验证

3.1 数学题分步讲解

安装math-helper技能后，孩子只需将题目拍照存入指定文件夹，AI就会自动识别并生成解题步骤。这里有个有趣的发现：直接让模型解方程效果不好，但要求它"假装自己是小学生，展示思考过程"时，输出反而更符合真实学习场景。

实际对话示例：

[孩子提问] 文件夹里的第三题我不会做：一个长方形的长是宽的2倍，周长是36厘米，求长和宽。 [AI回复] 让我们像侦探一样一步步解决这个问题： 1. 先设宽为x厘米，那么长就是2x厘米（因为长是宽的2倍） 2. 长方形的周长公式是：(长+宽)×2 3. 所以可以列出方程：(2x + x)×2 = 36 4. 先算括号里：3x × 2 = 36 → 6x = 36 5. 最后解出x=6（宽），所以长就是12厘米

3.2 作文批改与建议

essay-review技能会从三个维度分析作文：

• 错别字和语法检查（使用本地词库，不上传网络）
• 结构完整性评估（开头-主体-结尾）
• 创意性建议（避免模板化评价）

为了保护孩子的创作积极性，我特别设置了"三明治反馈法"——先表扬一个优点，然后指出改进点，最后再鼓励。这个逻辑通过skill的post-process脚本实现：

def format_feedback(essay): feedback = generate_critique(essay) # 调用模型原始输出 return f"""你写得真棒！特别是「{feedback['highlight']}」这部分很有创意。 不过要注意：{feedback['suggestion']} 继续加油，下次可以尝试{feedback['improvement']}哦！"""

4. 家长控制功能的实现

4.1 使用时间管控

通过OpenClaw的scheduler模块，可以设定AI助手的工作时段（如工作日18:00-20:30，周末9:00-21:00）。超出时段后，任何请求都会返回："现在是我的休息时间，请明天再来找我吧！"

配置示例：

{ "schedules": { "weekdays": ["18:00-20:30"], "weekends": ["09:00-21:00"], "holidays": true } }

4.2 内容审核中间件

虽然百川模型本身已经过严格安全训练，我还是增加了一个审核层。所有输入输出都会经过本地敏感词库过滤（包含500+条教育场景相关关键词），确保不会出现不当内容。

审核流程伪代码：

def safe_interaction(user_input): if contains_sensitive_words(user_input): return "这个问题我不太明白，可以问问爸爸妈妈吗？" response = generate_response(user_input) if contains_sensitive_words(response): return "这个问题很有趣，不过我们换个话题好吗？" return response

5. 实际使用中的经验与教训

经过三个月的家庭实测，这个方案基本实现了预期目标，但也遇到一些意外情况：

1. 手写体识别问题：初期直接调用OCR识别孩子的手写数学题，准确率只有60%左右。后来改为要求孩子先用手机扫描成PDF再处理，准确率提升到95%
2. 模型"太聪明"的困扰：有次孩子问"怎么快速完成作业"，AI居然给出了"合理偷懒"的建议。之后在system prompt中加入了"必须倡导认真学习的态度"的硬性要求
3. 硬件资源冲突：当模型正在处理复杂作文批改时，如果同时进行数学题解答，显存会溢出。最终通过--max-concurrent 1参数限制了并发请求

最让我惊喜的是，孩子开始主动记录"AI老师没答好的问题"，这反而培养了她的批判性思维。而作为家长，通过查看OpenClaw的日志文件，能清晰了解孩子近期的学习难点，实现更有针对性的辅导。

获取更多AI镜像

想探索更多AI镜像和应用场景？访问 CSDN星图镜像广场，提供丰富的预置镜像，覆盖大模型推理、图像生成、视频生成、模型微调等多个领域，支持一键部署。