Atualmente, a discussão e aplicação de tecnologias de inteligência artificial no ensino de línguas estrangeiras está em pleno andamento, e os grandes modelos de linguagem trazem conveniência e eficiência evidentes para professores e alunos no ensino de idiomas. No entanto, devido à grande quantidade de parâmetros, ao longo tempo de treinamento e à característica de caixa-preta das redes neurais, os grandes modelos de linguagem enfrentam problemas como a lentidão na atualização do conhecimento, insuficiência de conhecimentos especializados e fenômenos de “alucinação” nas respostas, o que implica riscos e incertezas quanto à confiabilidade da geração de conhecimento nas aplicações educacionais. A geração aumentada por recuperação (Retrieval Augmented Generation, abreviado RAG) alivia efetivamente o problema das “alucinações” dos grandes modelos de linguagem por meio da integração de conhecimentos externos, tornando-se uma tecnologia importante para aprimorar a capacidade dos grandes modelos de linguagem. Este artigo constrói um sistema de perguntas e respostas com múltiplos motores e múltiplas estratégias de recuperação de conhecimento, que inclui conhecimentos em rede atualizados em tempo real representados por dados da Internet, conhecimentos estruturados representados por grafos de conhecimento e dados privados não estruturados representados por documentos locais privados do usuário, combinados com a poderosa capacidade dos grandes modelos de linguagem de compreender a linguagem natural e o conhecimento parametrizado já adquirido, aplicado de forma integrada ao sistema de ensino de línguas estrangeiras. O sistema responde às perguntas que professores e alunos encontram durante o processo de aprendizagem exploratória, apresentando características de segurança e confiabilidade, informações de referência completas e precisas e atualização em tempo real. Avaliações objetivas e subjetivas de especialistas verificaram que o sistema possui boa confiabilidade e eficácia.

grandes modelos de linguagem; geração aumentada por recuperação; grafos de conhecimento; bases de conhecimento heterogêneas multisource; perguntas e respostas de conhecimento linguístico estrangeiro