【摘 要】生成式人工智能和大模型技術(shù)的快速發(fā)展，正在推動教育領(lǐng)域智能體的構(gòu)建和實用化，使其成為人工智能教育應(yīng)用和創(chuàng)新的重要途徑和載體。教育智能體能夠執(zhí)行教育任務(wù)的設(shè)定、規(guī)劃與實施，與教育用戶進行有效交互，并具備自我進化的能力。教育智能體在課堂教學、教育評價和教師教研等典型教育場景中，也逐步展現(xiàn)其重要價值和潛力。

【關(guān)鍵詞】教育智能體；大模型；生成式人工智能

【中圖分類號】G434 【文獻標志碼】A

【論文編號】1671-7384（2024）010-005-03

人工智能與智能體

在人工智能領(lǐng)域，智能體又被稱為“自主智能體”（Autonomous Agent），是一種能夠完成目標任務(wù)的自適應(yīng)系統(tǒng)[1]。自20世紀人工智能學科確立以來，設(shè)計與實現(xiàn)智能體就一直是人工智能領(lǐng)域研究者的主要核心目標。智能體的關(guān)鍵特征是其自主性：智能體能夠在沒有人類直接干預的情況下，根據(jù)外部環(huán)境的變化和目標任務(wù)，自主控制自身行為和內(nèi)部狀態(tài)，做出決策并執(zhí)行相應(yīng)動作，從而影響甚至改變外部環(huán)境。此外，智能體還需要能夠與人類開展有效交流和溝通，以達到更好地服務(wù)人類的目的。

1.基于傳統(tǒng)人工智能的智能體

人工智能領(lǐng)域的智能體，首先需要具備外部環(huán)境的感知能力，從而采集必要信息，以了解外部環(huán)境的基本情況及其動態(tài)變化?；谒杉耐獠凯h(huán)境信息，智能體可通過確定性或非確定性邏輯推理等方式，求解目標任務(wù)中的具體問題。同時，智能體也可以利用從外部環(huán)境采集到的數(shù)據(jù)，通過機器學習等方式自動歸納出數(shù)據(jù)中的客觀規(guī)律，從而提高自身解決目標任務(wù)的效果和效率。在此過程中，智能體可以建立記憶與檢索機制，支持存儲、讀取數(shù)據(jù)與過往經(jīng)驗，從而進一步提升自身性能。在此基礎(chǔ)上，智能體通過特定數(shù)學模型和算法權(quán)衡利弊，針對目標任務(wù)做出合理決策，并通過執(zhí)行機構(gòu)將決策轉(zhuǎn)化為對外部環(huán)境的實際作用和影響，從而最終完成目標任務(wù)。

智能體的設(shè)計通?；诙喾N傳統(tǒng)人工智能技術(shù)，包括但不限于語音識別、計算機視覺、知識表示與推理、機器學習、自然語言處理和機器人技術(shù)等。智能體的具體實現(xiàn)可以是軟件形態(tài)，如手機個人助手、電商推薦系統(tǒng)、在線客服機器人等；也可以是硬件形態(tài)，如自動駕駛汽車、工業(yè)機器人、服務(wù)機器人等。

2.基于多模態(tài)大模型的智能體

隨著生成式人工智能技術(shù)的快速發(fā)展，尤其是多模態(tài)大模型（以下簡稱“大模型”）的出現(xiàn)，為智能體的設(shè)計和構(gòu)建帶來了新的機遇[2]。大模型指能夠處理并解析文本、圖像、音頻、視頻等多模態(tài)數(shù)據(jù)輸入的人工智能模型。以GPT-4為代表的大模型通常具有數(shù)以千億計的參數(shù)，并在自然語言處理與視音頻分析等多任務(wù)上表現(xiàn)出卓越性能。近年來，研究者開始嘗試構(gòu)建將大模型作為核心基礎(chǔ)支撐的智能體。與傳統(tǒng)智能體相比，基于大模型的智能體具有顯著的優(yōu)勢和特點，尤其是以下多項核心能力。

（1）多模態(tài)感知能力。大模型能夠感知圖像、語音、文本等多種模態(tài)數(shù)據(jù)，實現(xiàn)單獨或綜合的感知功能。因此，基于大模型構(gòu)建的智能體展現(xiàn)出更智能化的多模態(tài)感知能力，使其能夠更全面地理解所處的外部環(huán)境。這些智能體不僅能夠進行視覺和聽覺的感知，還能將不同模態(tài)的信息進行整合，從而實現(xiàn)更接近人類水平的感知能力。

（2）推理與規(guī)劃能力。大模型具備較強的邏輯推理能力，設(shè)計者可以通過設(shè)定“提示信息”激發(fā)模型進行深層次的思考，形成連貫的“思維鏈”或系統(tǒng)化的“思維樹”[3]。因此，基于大模型的智能體能夠?qū)碗s的任務(wù)分解為一系列可操作的子任務(wù)。通過多步驟的邏輯推理，自主地規(guī)劃出一系列行為，以實現(xiàn)目標任務(wù)的完成，進而高效地探索并實施解決復雜問題的策略。

（3）學習與決策能力。大模型憑借其龐大的參數(shù)規(guī)模和復雜的人工神經(jīng)網(wǎng)絡(luò)架構(gòu)，通過海量多模態(tài)數(shù)據(jù)的訓練，積累了對客觀世界的全面了解，這為有效的決策提供了堅實的知識基礎(chǔ)。此外，大模型利用“微調(diào)”和“檢索增強生成”等技術(shù)，能夠針對特定領(lǐng)域或任務(wù)深入學習，掌握關(guān)鍵特征和知識，并減少“幻覺”（即錯誤或不準確信息）的發(fā)生。因此，基于大模型的智能體能夠提供更為全面和深入的信息，確保學習和決策過程的質(zhì)量和可靠性。

（4）多角色交互能力。大模型具備在多輪對話中理解和捕捉上下文信息的能力，能夠解析對話情境和用戶意圖，并據(jù)此生成邏輯連貫且恰當?shù)幕貜?。因此，基于大模型?gòu)建的智能體能夠與人類用戶、外部環(huán)境以及其他智能體更有效地開展交互。在人機交互方面，智能體能夠與人類用戶協(xié)同工作，同時提供高質(zhì)量的用戶體驗。在與其他智能體的交互中，不同的智能體能夠根據(jù)各自的角色和功能，進行有效辯論和協(xié)作，共同推動復雜任務(wù)的高效完成。

（5）記憶與進化能力。大模型能夠利用人工智能系統(tǒng)的外部記憶和檢索機制，有效地存儲和調(diào)用專業(yè)知識。因此，基于大模型的智能體通過對外部記憶和專業(yè)知識進行反思和總結(jié)，能夠?qū)崿F(xiàn)類似于人類的自主思考和自我改進。這種自我進化能力不僅增強了智能體的適應(yīng)性和靈活性，而且為其持續(xù)優(yōu)化提供了可能，并在不斷變化的外部環(huán)境和完成復雜任務(wù)的過程中保持其優(yōu)勢和效率。

面向教育領(lǐng)域的智能體

人工智能與教育的深度融合，催生了專為教育領(lǐng)域設(shè)計的智能體，即教育智能體。由于教育場景的多樣性以及服務(wù)對象的復雜性，教育智能體的構(gòu)建需滿足教育領(lǐng)域自身的特殊需求，并展現(xiàn)出與其他垂直領(lǐng)域智能體不同的專業(yè)化特征和功能[4]。

1.教育任務(wù)設(shè)定

教育智能體需要能夠針對目標教育任務(wù)設(shè)定教育場景、教育需求與教育角色等關(guān)鍵信息。教育場景的設(shè)定為教育智能體提供教育任務(wù)的背景和環(huán)境信息，如以學生為主體的項目式學習場景或傳統(tǒng)課堂教學場景信息；教育需求的設(shè)定為教育智能體提供教育任務(wù)的具體目標和描述信息，如為項目式學習提供驅(qū)動問題或開展教師課堂教學能力評價；教育角色設(shè)定為教育智能體賦予教育任務(wù)中需扮演的特定角色信息，如學生同伴或教研專家等角色。

2.教育任務(wù)規(guī)劃

在已設(shè)定的教育任務(wù)引導下，教育智能體需要實現(xiàn)任務(wù)自主規(guī)劃。首先，教育智能體可以充分利用大模型的推理與規(guī)劃能力，根據(jù)教育任務(wù)中設(shè)定的場景和需求信息，自主構(gòu)思并設(shè)計初步解決方案。在此基礎(chǔ)上，教育智能體針對所生成的整體方案，將其分解為多個可實現(xiàn)的子任務(wù)。教育智能體需要持續(xù)對各子任務(wù)的實際實施效果進行監(jiān)控并接收教育用戶反饋。如果沒有達到目標或預期效果，教育智能體需要對解決方案和子任務(wù)進行動態(tài)調(diào)整，以確保教育任務(wù)的達成。

3.教育任務(wù)實施

針對所規(guī)劃的各個子任務(wù)，教育智能體可以首先基于大模型自身的學習與決策能力進行有效解決。對于超出智能體直接處理能力范圍的子任務(wù)，教育智能體需要主動調(diào)用外部第三方工具或聯(lián)網(wǎng)查詢知識庫等進行解決。例如，針對數(shù)學等需要精確計算的學科問題，教育智能體可以主動接入第三方計算工具，以確保計算的準確性和效率。為了提供最新的教育資源和數(shù)據(jù)，教育智能體還可以通過網(wǎng)絡(luò)訪問專業(yè)的教育資源公共服務(wù)平臺，獲取所需信息。

4.教育用戶交互與自我進化

在完成目標任務(wù)的過程中，教育智能體可以與人類用戶、其他智能體以及教育環(huán)境開展交互，并在此過程中不斷自我進化。在與人的互動中，智能體能夠洞察不同教育用戶和角色的需求，提供個性化和多模態(tài)的人機交互體驗；在與其他智能體協(xié)作時，通過討論和辯論等多樣化方式，共同推進教育任務(wù)的完成；在與教育環(huán)境互動時，教育智能體能夠感知并響應(yīng)環(huán)境變化，對教學設(shè)置進行優(yōu)化。此外，教育智能體還能在各種互動后，借助其記憶與進化機制，進行自我反思和持續(xù)改進。

5.教育知識庫構(gòu)建

教育任務(wù)的達成，通常需要高準確度與可解釋性，從而提升教育用戶的信任度。因此，教育智能體在規(guī)劃和執(zhí)行教育任務(wù)時，經(jīng)常需要依賴專業(yè)的教育知識和數(shù)據(jù)。為了滿足這些要求，需要為教育智能體構(gòu)建本地專業(yè)教育知識庫，同時涵蓋用戶的個性化信息。教育智能體可以采用“檢索增強生成”等技術(shù)，高效地利用本地教育知識庫中的信息資源，將其融入生成的答案或解決方案中，從而提高輸出教育信息的準確性和可靠性。此外，通過不斷與本地知識庫的互動，教育智能體能夠持續(xù)學習和適應(yīng)，擴展其知識邊界，提升其處理各種教育任務(wù)的能力。這種持續(xù)的學習和適應(yīng)過程，有助于智能體更好地理解教育內(nèi)容，提供更加個性化和有針對性的教育服務(wù)。

教育智能體的應(yīng)用

教育智能體的研發(fā)尚處于起步階段，但其在課堂教學、教育評價和教師教研等典型教育場景中，已經(jīng)開始展現(xiàn)出巨大的應(yīng)用潛力和重要作用。

1.課堂教學

在課堂教學場景中，教師與智能體可以形成協(xié)作伙伴關(guān)系，共同推進教學活動的實施。智能體在課堂中承擔多樣化角色和功能，為教師提供多維度支持。例如，在項目式學習教學模式下，學習者依賴于教師及同伴的持續(xù)性支持，以實現(xiàn)項目目標。教育智能體在此過程中能夠擔任“助教”及“同伴”角色，與教師和學習者協(xié)作，全面參與項目式學習的各個階段。這包括個性化問題的提出、項目方案的協(xié)作設(shè)計，以及項目成果的共同創(chuàng)造。此外，教育智能體能夠自動識別個體學生在協(xié)作過程中的情緒狀態(tài)，并提供相應(yīng)的情感支持和交互反饋。教育智能體支持下的人機協(xié)同教學，不僅可以提高教學效率，還可以促進學生的主動探究和團隊合作，對未來課堂教學發(fā)揮支撐作用。

2.教育評價

在教育評價中，教育智能體可以利用其多模態(tài)感知能力和記憶功能，促進評價模式從經(jīng)驗依賴的主觀性向數(shù)據(jù)驅(qū)動的客觀性轉(zhuǎn)變，從而提升教育評價的客觀性與公平性。如在項目式學習的作品評價與展示階段，教育智能體能夠利用其記憶模塊中存儲的小組協(xié)作過程性信息，對項目實施過程進行細致的過程性評價。同時，教育智能體也可以從“教師”和“同伴”的不同視角，實施教師評價與同伴互評。教育智能體還可以根據(jù)個性化驅(qū)動問題與項目方案，預先生成相應(yīng)的過程性與結(jié)果性評價量規(guī)。

3.教師教研

在教育智能體的輔助下，教師能夠與教育智能體共同備課和開展教研活動。教育智能體首先可以為教師提供包括教學方案與多模態(tài)教學材料在內(nèi)的教學資源，并模擬和展示課堂情境，輔助教師利用外部工具和資源對備課材料進行迭代優(yōu)化，以創(chuàng)建更符合學生實際需求的教學內(nèi)容。在教師利用這些教學資源完成教學活動后，教育智能體能夠依據(jù)其感知和記憶的課堂實施情況，對教師教學能力的客觀維度進行量化分析，并提供詳盡的分析報告。在教研活動中，教育智能體還能扮演多種學科背景的專家角色，執(zhí)行聽課和評課任務(wù)，對教學過程進行多維度分析和Yz0bNqwJpiKr+im0O2gt6g==評價。教師可以與教育智能體進行互動討論甚至辯論，以改進自身的教學方法，并進一步優(yōu)化教學過程。

結(jié)論與展望

構(gòu)建智能體一直是人工智能領(lǐng)域的長期追求目標。教育智能體的開發(fā)需深入理解教育資源、學習者特征及教學過程，并得到教育理論及學習科學理論的堅實支撐。教育智能體應(yīng)具備持續(xù)學習和自我完善的能力，通過與教育利益相關(guān)方的互動，實現(xiàn)自主進化和多智能體間的有效交互。同時，教育智能體的設(shè)計和應(yīng)用需全面考慮其對教育的深遠影響及潛在挑戰(zhàn)。設(shè)計者應(yīng)注重提升教育智能體的可靠性和可信度，確保其提供無偏見、公平的教育服務(wù)，并深思其對學習者價值觀和倫理觀的塑造作用。

參考文獻

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.

盧宇，余京蕾，等. 多模態(tài)大模型的教育應(yīng)用研究與展望[J]. 電化教育研究，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.

盧宇，余京蕾，等. 基于大模型的教育智能體構(gòu)建與應(yīng)用研究[J]. 中國電化教育，2024（7）： 99-108.

作者單位：北京師范大學教育學部教育技術(shù)學院