一、项目背景

我们服务的客户是某 K12 连锁教育机构，旗下数十个校区分布在多个城市。项目启动前，排课这件事完全依赖各校区教务用 Excel 手工拼表：每周把老师、教室、班级时间填进一张大表，靠肉眼找冲突，撞课、撞教室、师资连堂过劳是常态，月底调课更是教务的噩梦。总部想统一看一眼各校区课时饱和度，只能等教务上报，且各校区口径不一，横比没有意义。

更深层的问题是学情数据散落。每个校区的测验、作业、错题都各自存着，总部教研拿不到跨校区汇聚的学情，分层教学、个性化练习推送更无从谈起，好的教研经验也只在单个校区内部流转。我们当时定的目标分两层：先把"排课"这件高频痛点用约束求解真正解决，再把各校区学情数据汇聚到总部教研中台，支撑分层教研与个性化学习。我们采用的是统一数据中台能力，将各校区业务系统通过标准化接口接入，作为后续数据打通的基础，总部做口径治理，校区做本地执行与上报。

二、落地场景

落地场景分两条主线。第一条是校区排课引擎：教务在系统里维护师资资质、教室容量、班级课表需求，引擎做多约束求解，输出无冲突课表，并支持"假设变更"预演，改课前先看影响面。第二条是跨校区学情汇聚：各校区测验与作业数据按统一口径（知识点维度、难度维度、得分率）上报到总部教研中台，总部可看区域学情热力，并基于汇聚数据做分层教学与个性化练习推送。教务改动一节课，系统即时做增量冲突检测，影响到的班级、老师、教室一览无余，再决定要不要发布，家长通知与老师考勤也随之联动更新。

三、关键技术挑战与解决思路

挑战一：多约束排课求解（师资/教室/时间）。 排课本质是带硬约束和软约束的约束满足问题（CSP），不是简单排班。我们把硬约束设为：同一师资同段不可重复、教室容量大于等于班级人数、师资科目资质白名单；软约束设为：教师日课时均衡、减少学生换教室次数、连堂优先。求解引擎我们用 OR-Tools 的 CP-SAT，目标函数是软约束惩罚加权和，时间窗口设 30 秒兜底，超时返回当前最优解并标注未满足项。踩坑点：一开始把"教师连续上课不超过 N 节"设成硬约束，结果小规模校区直接无解，改回软约束并加权重后求解率明显回升，课表质量也更自然。

挑战二：跨校区学情数据汇聚与口径。 各校区对"知识点"的命名不统一，A 校区叫"一元二次方程"，B 校区叫"二次方程（一）"，直接汇聚会分裂成两个知识点。我们建了一套知识点本体映射表，把各校区本地标签映射到总部标准知识点树，映射不到的进入待审队列人工补，不让脏标签进主库。上报管道用分批增量加校验和，断点可续传。为避免总部库被高频写爆，汇聚走消息队列削峰，落湖后再做口径归一化，查询走读副本，写入与查询压力彻底解耦。

挑战三：分层教学与个性化练习推送。 汇聚后的学情若直接按总分分层，会掩盖偏科，给数学弱语文强的学生推了语文拔高题毫无意义。我们用知识点维度的得分率向量做聚类，把学员分到"基础巩固 / 能力提升 / 拓展拔高"三层，每层匹配不同的练习题库与讲解资源。推送环节我们接入了我们采用的 AI 私有化部署底座：向量数据库层存储知识点—题目—讲解的嵌入，RAG 知识库层按学员薄弱知识点召回相似题与讲解，由 AI 网关统一鉴权限流后下发到校区端。这里关键是把"召回相关性"与"难度梯度"分开控制，避免给基础层推了拔高题，反而打击学习信心。

挑战四：排课变更影响面评估。 教务常因老师请假要临时调课，如果全量重排会牵动大片课表，引发家长投诉和教务返工。我们做了增量重排：只锁定受影响的时间片与资源，做局部求解，并用影响面分析给出"本次变更波及 X 个班级 / Y 名老师 / Z 间教室"的清单，教务确认后发布。架构上排课结果缓存为不可变版本，每次变更生成新版本并保留 diff，便于回滚与审计，总部也能回溯任意一周的课表演进。

四、效果数据

以下为脱敏示意数据，仅反映趋势量级，非审计级数字：

案例片段（已脱敏）： 排课约束与冲突检测配置（节选）： hard: teacher_no_double_book, room_capacity >= class_size, teacher_qualification(白名单) soft: balance_daily_load(权 3), minimize_room_switch(权 2), prefer_continuous_blocks(权 1) solver: engine=or_tools_cp_sat, time_limit_sec=30, objective=weighted_soft_penalty conflict_detect.on_change: incremental_recheck, scope=[same_room, same_teacher, same_student_group] 影响面：调课 1 节 -> 波及 3 班 / 2 师 / 1 教室，局部重排耗时 0.8s

五、可复用经验总结

第一，排课是约束求解，不是排班。这个项目里最值得强调的认知是：不要把排课当成"把人填进格子"，它是一组带优先级的目标优化。硬约束保底线、软约束提质感，求解器超时返回次优解也比卡死强。先把模型建对，再谈性能与交互，否则再漂亮的界面也排不出能用的课表。

第二，学情先汇聚、再个性化。我们当时顶住"直接上 AI 推题"的催促，先花力气做知识点本体映射与口径归一，否则汇聚层就是一锅粥，个性化推送再花哨也只是精准地推错题。数据底座不正，上层智能全是空中楼阁，这点对做任何跨机构数据打通都适用。

第三，变更要可控、可回滚。排课结果一旦发布就关联家长通知、老师考勤，必须版本化。增量重排 + 影响面清单 + 版本 diff，让教务敢改、总部可审，也把"改一课"的代价从不可预知变成了可量化。

第四，跨校区系统接入别追求一步统一。先标准化接口接入、做增量汇聚与待审队列，把"不一致"显式暴露出来，比强行要求各校区改系统更现实。承认异构长期存在，用映射与待审消化差异，项目推进反而更快。