大型语言模型（LLM）在计算机科学教育中的应用日益增多，但即使是最强大的模型也存在教学局限：往往过早泄露答案，且难以聚焦学习者当前的调试目标。为此，本文提出 SocraticRepair，一种基于规划的苏格拉底式辅导框架，专注于程序调试和概念误解的修复。该框架在 Python 编程领域实现，首先对四个已预处理的编程数据集进行多轮对话合成，生成合成的教学对话；随后在这些对话上微调 Qwen2.5‑Coder‑7B‑Instruct，使模型能够在每一步生成教学计划、提问以及提示，形成逐步引导的 Socratic 交互。评估采用预定义的独立指标，包括步骤引导度、提问质量以及提前泄露答案的比例，并与通用 LLM 进行基准对比。实验结果显示，SocraticRepair 在逐步支架和问题质量上显著优于基线，同时显著降低了提前给出完整解答的情况。然而，可靠的教学计划生成仍是当前的主要挑战，需要进一步研究以提升计划的连贯性和针对性。
点评