TutorTrace 是一个面向 AI 辅助编程教育的行为数据集和抽象管线。它通过捕获 IDE 低层遥测（约 180K 事件）并实时计算 27 项指标，将学习者的行为上下文转化为可量化的片段（13,633 段）。基于这些数据，我们构建了一个行为分类体系，分别描述首次 AI 查询前、连续查询之间以及整个会话的学习活动，使系统能够不仅响应学习者的提问，还能依据其前置操作做出适配。课堂实验表明，引入行为感知提示后，完全独立完成的查询间隔比例从 50.0% 降至 20.7%。此外，利用 TutorTrace 进行两项预测任务：在未来 60 秒内是否会发起查询（AUROC=0.726）以及即将到来的查询是引导型还是依赖型帮助（AUROC=0.717），展示了下游应用价值。
博主点评：该工作展示了将细粒度 IDE 行为转化为实时可用特征的可行性，为大规模自适应 AI 导师提供了重要思路。