أوضحت X5 Tech كيف طورت خلال 7 أيام خدمة AI للتحضير للامتحانات الدولية

قام فريق ExamLab Bot في المخيم المكثف AI Talent Camp بتجميع خدمة ذكاء اصطناعي وظيفية في غضون أسبوع واحد لمدرسي الاختبارات الدولية. يحول النظام المناهج الدراسية والمواعيد النهائية إلى مسار تعلم شخصي ويقلل وقت إعداد الخطة من 3–4 ساعات إلى حوالي دقيقتين.

ما كانت المشكلة

نشأت الفكرة من ألم محدد جداً لمدرسي IB و A-Level. لقبول طالب جديد، لا يحتاجون إلى مجرد قراءة المنهاج الدراسي—بل يجب عليهم تحويله إلى خطة مفصلة تمتد لمدة 20–30 أسبوعاً، مع الأخذ في الاعتبار موعد الامتحان والجدول الزمني والمواضيع التي تمت تغطيتها بالفعل والمستوى الحالي. إذا تأجل الدرس أو تأخر الطالب، يتعين إعادة حساب الخطة من البداية.

يستغرق حوالي أربع ساعات من العمل الإداري الروتيني لكل طالب، وهذا العمل بالذات، وليس التدريس نفسه، هو ما يحد من النمو. نتيجة لذلك، لا يقوم العديد من المدرسين بإنشاء مسارات شخصية كاملة: يقوم البعض بالتدريس بالحدس، والبعض يستخدم نموذجاً واحداً للجميع، والبعض يرفض ببساطة الطلاب الجدد. بالنسبة لقطاع تكلف فيه الدروس الخاصة مع خبير من الدرجة الأولى 30,000–40,000 روبل شهرياً، يمثل هذا خسارة مباشرة في الإيرادات.

قرر فريق ExamLab Bot أتمتة الطبقة التنظيمية المتكررة بالذات: بناء الخطط وإدارة القيود وتحديثات التقدم ومراقبة الأهداف.

كيف بنوا MVP

على مدار سبعة أيام، قصر الفريق بتعمد الأهداف على وظيفتين أساسيتين: بناء مسار شخصي لهدف الطالب والموعد النهائي والمستوى، ثم تعديله مع تقدم الطالب وتقديم المدرس للملاحظات. اختاروا روبوت Telegram كواجهة لتجنب قضاء الوقت في تطوير واجهة ويب ثقيلة. أصبح Google Sheets التمثيل الوظيفي للخطة، وتمت مزامنة الجدولة من خلال Google Calendar. نتيجة لذلك، بدلاً من 3–4 ساعات من الإعداد اليدوي، يستغرق توليد الخطة حوالي دقيقتين.

• يحدد المدرس أو المسؤول الهدف والموعد النهائي والمستوى والوقت المتاح والأولويات
• يقوم الروبوت بإنشاء خطة تعلم مفصلة لكامل الفترة
• يتم حفظ الخطة في Google Sheets وإضافة الأحداث إلى Google Calendar
• عند تغيير التقدم، تعيد الذكاء الاصطناعي حساب المسار دون إعادة البناء من الصفر

من الناحية التقنية، تم بناء الخدمة حول مخطط متعدد الوكلاء. يقوم أوركسترا Python بتنسيق الوكلاء بأدوار مختلفة: أحدهما يتعامل مع الاستراتيجية وتوزيع الوقت، والآخر يتعامل مع تفاصيل الدروس والواجبات والاختبارات، والثالث يتعامل مع المعالجة الدفعية للبرامج الطويلة، وطبقة منفصلة تتحقق من البنية والتواريخ واكتمال التغطية. استخدمت المكدس Python 3.11+ و asyncio و aiogram و SQLAlchemy و PostgreSQL و API OpenRouter. تخلوا عن LangChain و LangGraph لصالح استدعاءات API المباشرة: هذا يجعل من الأسهل التحكم في المطالبات ومنطق إعادة المحاولة وسرعة التطوير.

"منتج حد أدنى قابل للعمل مع خط أنابيب نظيف أكثر قيمة من محاولة احتضان كل شيء."

لماذا انتهوا في أسبوع واحد

تم هيكلة المخيم المكثف نفسه كدورة منتج قصيرة، وليس كاختراق هاكاثون نموذجي مع عروض توضيحية من أجل العروض التوضيحية. يوماً بعد يوم، مر الفريق من الاكتشاف وصياغة المشكلة من خلال تقييم المخاطر والإثبات الحي إلى MVP والملاحظات من المستخدمين والعرض النهائي. كان المرشدون يذكرون باستمرار أن الهدف ليس عرضاً أنيقاً على المسرح، بل أساساً لمنتج ذكاء اصطناعي حقيقي يمكن تطويره بشكل أكبر. أجبر هذا على اتخاذ قرارات معمارية سريعة والتخلص من الميزات غير الضرورية والتركيز على السيناريوهات الوظيفية بدلاً من الأفكار المذهلة.

يؤكد مؤلفو المشروع بشكل خاص أن السرعة لم تأتِ من سحر أدوات الذكاء الاصطناعي بحد ذاتها. تغيرت الواجهة وسيناريوهات التفاعل مع المدرسين وحتى اختيار قطاع المستخدمين الأولي عدة مرات خلال الأسبوع. أثبت الرهان على إصدار حد أدنى قابل للعمل والاختبار السريع على السيناريوهات الفعلية أنه أكثر فائدة من محاولة تصميم النظام المثالي مقدماً. الخطوة التالية هي الاختبار بيتا المغلق مع 10–15 مدرساً، يليه توسيع عروض الاختبارات وإضافة التحضير لامتحان الشهادة الثانوية الروسية (ЕГЭ).

ما تعنيه هذه الحالة

يوضح حالة ExamLab Bot أنه في مجال EdTech الآن، تعمل منتجات الذكاء الاصطناعي الضيقة ذات مقاييس القيمة الواضحة بشكل أفضل. هنا، كان هذا المقياس هو الوقت: تحولت ساعات الإعداد اليدوي إلى دقائق، واكتسب المدرسون فرصة لتوسيع نطاق ممارستهم دون زيادة العبء الإداري. هذا درس مهم للفرق الأخرى أيضاً: الواجهات البسيطة والتكاملات المباشرة والتحقق المتكرر من المستخدمين غالباً ما توفر أكثر من مجموعة تقنية معقدة وقائمة ميزات طويلة.