Interact-LLM：大语言模型作为语言学习认知导师的实验框架

丹麦奥胡斯大学INTERACT-LLM项目推出的开源代码库，旨在探索大语言模型（LLM）在语言学习场景中作为认知导师的潜力。该项目包含推理引擎、终端聊天机器人、对齐漂移实验等核心组件，为语言学习研究者、AI教育开发者、AI安全研究者等群体提供可复用的实验工具，推动LLM与认知导师理念的结合应用。

INTERACT-LLM是丹麦奥胡斯大学跨学科团队发起的项目，核心假设为：LLM不仅可作为信息提供者，还能通过设计交互模式扮演认知导师角色，帮助学习者构建知识、纠正错误、提供反馈。传统语言学习软件侧重词汇语法练习，缺乏关键的交互与反馈环节；而认知导师理念源于教育心理学，强调苏格拉底式提问、即时反馈和脚手架支持，结合LLM的开放域对话能力，有望创造更具适应性和个性化的学习体验。

Interact-LLM代码库包含两大核心部分：

1. 推理引擎与终端聊天机器人（interact_llm模块）：实现LLM推理引擎与终端交互界面，当前支持西班牙语导师角色。通过提示工程和上下文管理策略，满足教育场景需求（跟踪知识状态、识别误解、针对性反馈）；终端界面便于研究者观察调试。
2. 实验脚本集合（scripts目录）：含特定论文相关实验设置，如与《Almasi & Kristensen-McLachlan (2025)》关联的对齐漂移实验（研究LLM长期交互中行为对齐漂移问题），实验代码与分析代码分离（分析代码存于INTERACT-LLM/alignment-drift-llms仓库）。

项目技术特点包括：

• 依赖管理：采用uv工具+Makefile实现自动化环境配置，一键执行make setup即可安装依赖、创建虚拟环境。
• 模型支持：兼容Llama-3.1-8B-Instruct等开源LLM，通过Hugging Face Token（存于tokens/hf_token.txt，未纳入Git）访问 gated模型。
• 跨平台兼容：在Python3.12.3上开发测试，支持macOS 15.3.1和Ubuntu24.04，保障研究复现性。

项目遵循严谨学术方法：

• 版本标签与论文关联：语义化版本标签（如vX.X.X-alignment-drift）与特定论文绑定，确保结果可追溯。
• 代码与分析分离：实验代码（推理/交互逻辑）与分析代码（统计/可视化）分属不同仓库，实现关注点分离、降低安全风险、提升复用性。
• 可复现性承诺：每个实验目录含详细README，指导结果复现。

Interact-LLM对以下群体具有参考价值：

• 语言学习研究者：可直接使用/修改框架测试教学假设；
• AI教育应用开发者：借鉴提示工程与上下文管理方法；
• AI安全研究者：利用对齐漂移实验工具研究LLM行为稳定性；
• 计算语言学学者：获取LLM在语言学习领域的实证数据。

项目当前状态与注意事项：

• 早期开发：代码仅供内部使用，未达生产就绪，API和结构可能频繁变化；
• 功能限制：功能较有限，通用性与可配置性待提升；
• 模型依赖：实验结果受所用LLM影响，需注意结果解释；
• 伦理考量：需遵循伦理审查程序（数据隐私、算法偏见等）。 未来计划：将模型支持迁移至Gemma4 27B，持续优化性能。