智能教育时代的创新引擎：教育智能体

【摘 要】生成式人工智能和大模型技术的快速发展，正在推动教育领域智能体的构建和实用化，使其成为人工智能教育应用和创新的重要途径和载体。教育智能体能够执行教育任务的设定、规划与实施，与教育用户进行有效交互，并具备自我进化的能力。教育智能体在课堂教学、教育评价和教师教研等典型教育场景中，也逐步展现其重要价值和潜力。

【关键词】教育智能体；大模型；生成式人工智能

【中图分类号】G434 【文献标志码】A

【论文编号】1671-7384（2024）010-005-03

人工智能与智能体

在人工智能领域，智能体又被称为“自主智能体”（Autonomous Agent），是一种能够完成目标任务的自适应系统[1]。自20世纪人工智能学科确立以来，设计与实现智能体就一直是人工智能领域研究者的主要核心目标。智能体的关键特征是其自主性：智能体能够在没有人类直接干预的情况下，根据外部环境的变化和目标任务，自主控制自身行为和内部状态，做出决策并执行相应动作，从而影响甚至改变外部环境。此外，智能体还需要能够与人类开展有效交流和沟通，以达到更好地服务人类的目的。

1.基于传统人工智能的智能体

人工智能领域的智能体，首先需要具备外部环境的感知能力，从而采集必要信息，以了解外部环境的基本情况及其动态变化。基于所采集的外部环境信息，智能体可通过确定性或非确定性逻辑推理等方式，求解目标任务中的具体问题。同时，智能体也可以利用从外部环境采集到的数据，通过机器学习等方式自动归纳出数据中的客观规律，从而提高自身解决目标任务的效果和效率。在此过程中，智能体可以建立记忆与检索机制，支持存储、读取数据与过往经验，从而进一步提升自身性能。在此基础上，智能体通过特定数学模型和算法权衡利弊，针对目标任务做出合理决策，并通过执行机构将决策转化为对外部环境的实际作用和影响，从而最终完成目标任务。

智能体的设计通常基于多种传统人工智能技术，包括但不限于语音识别、计算机视觉、知识表示与推理、机器学习、自然语言处理和机器人技术等。智能体的具体实现可以是软件形态，如手机个人助手、电商推荐系统、在线客服机器人等；也可以是硬件形态，如自动驾驶汽车、工业机器人、服务机器人等。

2.基于多模态大模型的智能体

随着生成式人工智能技术的快速发展，尤其是多模态大模型（以下简称“大模型”）的出现，为智能体的设计和构建带来了新的机遇[2]。大模型指能够处理并解析文本、图像、音频、视频等多模态数据输入的人工智能模型。以GPT-4为代表的大模型通常具有数以千亿计的参数，并在自然语言处理与视音频分析等多任务上表现出卓越性能。近年来，研究者开始尝试构建将大模型作为核心基础支撑的智能体。与传统智能体相比，基于大模型的智能体具有显著的优势和特点，尤其是以下多项核心能力。

（1）多模态感知能力。大模型能够感知图像、语音、文本等多种模态数据，实现单独或综合的感知功能。因此，基于大模型构建的智能体展现出更智能化的多模态感知能力，使其能够更全面地理解所处的外部环境。这些智能体不仅能够进行视觉和听觉的感知，还能将不同模态的信息进行整合，从而实现更接近人类水平的感知能力。

（2）推理与规划能力。大模型具备较强的逻辑推理能力，设计者可以通过设定“提示信息”激发模型进行深层次的思考，形成连贯的“思维链”或系统化的“思维树”[3]。因此，基于大模型的智能体能够将复杂的任务分解为一系列可操作的子任务。通过多步骤的逻辑推理，自主地规划出一系列行为，以实现目标任务的完成，进而高效地探索并实施解决复杂问题的策略。

（3）学习与决策能力。大模型凭借其庞大的参数规模和复杂的人工神经网络架构，通过海量多模态数据的训练，积累了对客观世界的全面了解，这为有效的决策提供了坚实的知识基础。此外，大模型利用“微调”和“检索增强生成”等技术，能够针对特定领域或任务深入学习，掌握关键特征和知识，并减少“幻觉”（即错误或不准确信息）的发生。因此，基于大模型的智能体能够提供更为全面和深入的信息，确保学习和决策过程的质量和可靠性。

（4）多角色交互能力。大模型具备在多轮对话中理解和捕捉上下文信息的能力，能够解析对话情境和用户意图，并据此生成逻辑连贯且恰当的回复。因此，基于大模型构建的智能体能够与人类用户、外部环境以及其他智能体更有效地开展交互。在人机交互方面，智能体能够与人类用户协同工作，同时提供高质量的用户体验。在与其他智能体的交互中，不同的智能体能够根据各自的角色和功能，进行有效辩论和协作，共同推动复杂任务的高效完成。

（5）记忆与进化能力。大模型能够利用人工智能系统的外部记忆和检索机制，有效地存储和调用专业知识。因此，基于大模型的智能体通过对外部记忆和专业知识进行反思和总结，能够实现类似于人类的自主思考和自我改进。这种自我进化能力不仅增强了智能体的适应性和灵活性，而且为其持续优化提供了可能，并在不断变化的外部环境和完成复杂任务的过程中保持其优势和效率。

面向教育领域的智能体

人工智能与教育的深度融合，催生了专为教育领域设计的智能体，即教育智能体。由于教育场景的多样性以及服务对象的复杂性，教育智能体的构建需满足教育领域自身的特殊需求，并展现出与其他垂直领域智能体不同的专业化特征和功能[4]。

1.教育任务设定

教育智能体需要能够针对目标教育任务设定教育场景、教育需求与教育角色等关键信息。教育场景的设定为教育智能体提供教育任务的背景和环境信息，如以学生为主体的项目式学习场景或传统课堂教学场景信息；教育需求的设定为教育智能体提供教育任务的具体目标和描述信息，如为项目式学习提供驱动问题或开展教师课堂教学能力评价；教育角色设定为教育智能体赋予教育任务中需扮演的特定角色信息，如学生同伴或教研专家等角色。

2.教育任务规划

在已设定的教育任务引导下，教育智能体需要实现任务自主规划。首先，教育智能体可以充分利用大模型的推理与规划能力，根据教育任务中设定的场景和需求信息，自主构思并设计初步解决方案。在此基础上，教育智能体针对所生成的整体方案，将其分解为多个可实现的子任务。教育智能体需要持续对各子任务的实际实施效果进行监控并接收教育用户反馈。如果没有达到目标或预期效果，教育智能体需要对解决方案和子任务进行动态调整，以确保教育任务的达成。

3.教育任务实施

针对所规划的各个子任务，教育智能体可以首先基于大模型自身的学习与决策能力进行有效解决。对于超出智能体直接处理能力范围的子任务，教育智能体需要主动调用外部第三方工具或联网查询知识库等进行解决。例如，针对数学等需要精确计算的学科问题，教育智能体可以主动接入第三方计算工具，以确保计算的准确性和效率。为了提供最新的教育资源和数据，教育智能体还可以通过网络访问专业的教育资源公共服务平台，获取所需信息。

4.教育用户交互与自我进化

在完成目标任务的过程中，教育智能体可以与人类用户、其他智能体以及教育环境开展交互，并在此过程中不断自我进化。在与人的互动中，智能体能够洞察不同教育用户和角色的需求，提供个性化和多模态的人机交互体验；在与其他智能体协作时，通过讨论和辩论等多样化方式，共同推进教育任务的完成；在与教育环境互动时，教育智能体能够感知并响应环境变化，对教学设置进行优化。此外，教育智能体还能在各种互动后，借助其记忆与进化机制，进行自我反思和持续改进。

5.教育知识库构建

教育任务的达成，通常需要高准确度与可解释性，从而提升教育用户的信任度。因此，教育智能体在规划和执行教育任务时，经常需要依赖专业的教育知识和数据。为了满足这些要求，需要为教育智能体构建本地专业教育知识库，同时涵盖用户的个性化信息。教育智能体可以采用“检索增强生成”等技术，高效地利用本地教育知识库中的信息资源，将其融入生成的答案或解决方案中，从而提高输出教育信息的准确性和可靠性。此外，通过不断与本地知识库的互动，教育智能体能够持续学习和适应，扩展其知识边界，提升其处理各种教育任务的能力。这种持续的学习和适应过程，有助于智能体更好地理解教育内容，提供更加个性化和有针对性的教育服务。

教育智能体的应用

教育智能体的研发尚处于起步阶段，但其在课堂教学、教育评价和教师教研等典型教育场景中，已经开始展现出巨大的应用潜力和重要作用。

1.课堂教学

在课堂教学场景中，教师与智能体可以形成协作伙伴关系，共同推进教学活动的实施。智能体在课堂中承担多样化角色和功能，为教师提供多维度支持。例如，在项目式学习教学模式下，学习者依赖于教师及同伴的持续性支持，以实现项目目标。教育智能体在此过程中能够担任“助教”及“同伴”角色，与教师和学习者协作，全面参与项目式学习的各个阶段。这包括个性化问题的提出、项目方案的协作设计，以及项目成果的共同创造。此外，教育智能体能够自动识别个体学生在协作过程中的情绪状态，并提供相应的情感支持和交互反馈。教育智能体支持下的人机协同教学，不仅可以提高教学效率，还可以促进学生的主动探究和团队合作，对未来课堂教学发挥支撑作用。

2.教育评价

在教育评价中，教育智能体可以利用其多模态感知能力和记忆功能，促进评价模式从经验依赖的主观性向数据驱动的客观性转变，从而提升教育评价的客观性与公平性。如在项目式学习的作品评价与展示阶段，教育智能体能够利用其记忆模块中存储的小组协作过程性信息，对项目实施过程进行细致的过程性评价。同时，教育智能体也可以从“教师”和“同伴”的不同视角，实施教师评价与同伴互评。教育智能体还可以根据个性化驱动问题与项目方案，预先生成相应的过程性与结果性评价量规。

3.教师教研

在教育智能体的辅助下，教师能够与教育智能体共同备课和开展教研活动。教育智能体首先可以为教师提供包括教学方案与多模态教学材料在内的教学资源，并模拟和展示课堂情境，辅助教师利用外部工具和资源对备课材料进行迭代优化，以创建更符合学生实际需求的教学内容。在教师利用这些教学资源完成教学活动后，教育智能体能够依据其感知和记忆的课堂实施情况，对教师教学能力的客观维度进行量化分析，并提供详尽的分析报告。在教研活动中，教育智能体还能扮演多种学科背景的专家角色，执行听课和评课任务，对教学过程进行多维度分析和Yz0bNqwJpiKr+im0O2gt6g==评价。教师可以与教育智能体进行互动讨论甚至辩论，以改进自身的教学方法，并进一步优化教学过程。

结论与展望

构建智能体一直是人工智能领域的长期追求目标。教育智能体的开发需深入理解教育资源、学习者特征及教学过程，并得到教育理论及学习科学理论的坚实支撑。教育智能体应具备持续学习和自我完善的能力，通过与教育利益相关方的互动，实现自主进化和多智能体间的有效交互。同时，教育智能体的设计和应用需全面考虑其对教育的深远影响及潜在挑战。设计者应注重提升教育智能体的可靠性和可信度，确保其提供无偏见、公平的教育服务，并深思其对学习者价值观和伦理观的塑造作用。

参考文献

Franklin S， Graesser A. Is it an Agent， or just a Program？： A Taxonomy for Autonomous Agents[C]//International workshop on agent theories， architectures， and languages. Berlin， Heidelberg： Springer Berlin Heidelberg， 1996： 21-35.

卢宇，余京蕾，等. 多模态大模型的教育应用研究与展望[J]. 电化教育研究，2023，44（6）： 38-44.

Wei J，Wang X，et al.Chain-of-thought Prompting Elicits Reasoning in Large Language Models [J].Advances in Neural Information Processing Systems，2022，35：24824-24837.

卢宇，余京蕾，等. 基于大模型的教育智能体构建与应用研究[J]. 中国电化教育，2024（7）： 99-108.

作者单位：北京师范大学教育学部教育技术学院