夜雨聆风
我做了一个 AI-PBL 教学设计助手:让 AI 不只是“写教案”,而是帮助教师重构课程
我做了一个 AI-PBL 教学设计助手：让 AI 不只是“写教案”，而是帮助教师重构课程
最近，我完成并发布了一个教师内测版智能体：
AIP-TDA3.0-MVP｜AI-PBL教学设计助手教师内测版V3
AI-PBL Teaching Design Assistant for Teacher Pilot Use
这个名字有点长，但它想解决的问题很简单：
应用型大学教师如何借助 AI，把传统讲授式课程，重构为真正面向问题、面向能力、面向证据的 PBL 教学单元？
换句话说，它不是一个“自动写教案工具”，也不是一个“替老师完成教学设计的机器人”。它更像一个教师身边的 AI-PBL 教学设计教练（Teaching Design Coach），帮助教师把课程内容转化为：
- 真实问题（Driving Problem）
- 问题任务（Question Tasks）
- 学习证据（Evidence）
- 评价量规（Rubric）
- AI 使用边界（AI Boundary）
- 教学设计沉淀（DesignHub）
我越来越强烈地感到：AI 时代真正改变教学的，不是“AI 能不能帮我写一份 PPT”，而是它能不能帮助教师重新思考——学生到底应该通过这门课学会解决什么问题。
一、为什么我要做这个智能体？
过去我们做课程设计，常常是从“知识点”开始：
今天讲概念，明天讲方法，后天做练习，最后考试。
这种方式当然有价值，但在应用型大学里，它经常遇到一个尴尬问题：
学生学了很多知识，却不知道这些知识能解决什么真实问题。
尤其是在酒店管理、工商管理、人力资源管理、金融、旅游、数字营销等应用型专业中，学生最需要的不是背诵一套标准答案，而是能够面对真实场景，提出问题、分析证据、设计方案、表达判断。
这正是 PBL（Problem-Based Learning，问题导向学习） 的价值。
但 PBL 也有现实困难：
教师知道 PBL 好，但不知道如何把自己的课程单元改成 PBL。
教师知道要培养能力，但不知道如何设计可观察的任务。
教师知道要评价过程，但不知道 Evidence 和 Rubric 怎么做。
教师知道学生可以用 AI，但又担心 AI 替学生完成作业。
于是，我尝试做了 AIP-TDA3.0-MVP。
它的基本目标是：
帮助教师把“我要讲什么”，转化为“学生要解决什么问题、留下什么证据、如何被评价”。
二、AIP-TDA3.0-MVP 是什么？
AIP-TDA 是：
AI-PBL Teaching Design Assistant
AI 赋能 PBL 教学设计助手
目前发布的是：
AIP-TDA3.0-MVP｜教师内测版V3
其中，MVP（Minimum Viable Product，最小可行产品） 的意思是：
它不是一个完全成熟的平台，而是一个可以运行、可以测试、可以给教师试用、可以继续迭代的原型。
我没有把它设计成一个“万能聊天机器人”，而是采用了一个 Hub + 多智能体（Multi-Agent） 的结构。
它主要包括三个核心节点：
- Design Coach｜教学设计教练
帮助教师生成 AI-PBL 教学设计草稿。 - Governance Lite｜轻量治理检查员
帮助检查教学设计是否存在问题，比如任务是否完整、证据是否清楚、AI 是否越界。 - Feishu Formatter｜飞书结构化助手
把教学设计整理成可复制到飞书多维表的结构化表格。
如果用生活化比喻来说：
-
Design Coach 是“教学设计合伙人”； -
Governance Lite 是“上课前质检员”； -
Feishu Formatter 是“资料打包员”； -
Hub 是“项目调度员”。
这个智能体不是简单地“生成内容”，而是尝试形成一个闭环：
生成设计 → 检查设计 → 结构化沉淀 → 教师再校准
三、它能帮助教师做什么？
以我正在讲授的课程《人工智能导论——及其在酒店管理中的应用》为例，AIP-TDA3.0-MVP 可以帮助我把一个传统技术单元改造成 AI-PBL 单元。
例如第六单元：
酒店订单取消预测 KNN
Hotel Booking Cancellation Prediction with KNN
传统讲法可能是：
先讲 KNN 算法，再讲距离计算，再讲 K 值，再写代码。
但经过 AI-PBL 重构后，课程会先从一个真实问题进入：
ABC 智能酒店接到一笔新订单。收益经理想知道：这笔订单更像过去哪些订单？它更可能取消，还是更可能正常入住？
这时，KNN 不再是一个抽象算法，而变成一个管理问题的工具。
学生要思考：
-
哪些订单特征会影响取消风险？ -
什么是 Feature（特征）？ -
什么是 Label（标签）？ -
K 值为什么会影响预测结果？ -
标准化（Standardization）为什么重要？ -
模型判断高风险后，酒店能不能直接取消订单？ -
AI 结果如何转化为前厅确认、收益管理和房态控制建议？
这就从“学算法”变成了“用算法理解酒店管理问题”。
这正是我希望 AIP-TDA3.0-MVP 能帮助教师完成的转变。
四、它不是让 AI 替老师，而是让老师更像设计师
我一直认为，AI 时代教师的角色不是被替代，而是升级。
教师不再只是知识讲授者，而要成为：
- 学习任务设计者（Learning Task Designer）
- 问题情境创设者（Problem Scenario Designer）
- 证据链设计者（Evidence Designer）
- 评价量规设计者（Rubric Designer）
- AI 使用边界的把关者（AI Boundary Keeper）
AIP-TDA3.0-MVP 的价值，不是帮老师“省掉思考”，而是帮老师把思考结构化。
比如，当教师输入一个课程单元后，智能体会尝试生成：
- Course Fit｜课程定位
这个单元适合什么学生、什么学时、培养什么能力。 - Driving Problem｜驱动问题
用真实场景提出核心问题。 - Sub-question Chain｜子问题链
把复杂问题拆成递进式问题。 - PBL Phases｜PBL阶段
设计问题构建、探究分析、方案优化等阶段。 - Question Tasks｜问题任务
每个阶段学生要完成什么任务。 - Evidence｜证据产出
学生必须提交什么可评价材料。 - Rubric｜评价量规
如何区分不同质量水平。 - AI Moments｜AI使用节点
哪些环节可以用 AI，哪些环节不能让 AI 替代学生。
这套结构对教师很重要。因为没有结构，AI 生成的东西很容易“看起来很好，实际上不好用”。
五、为什么我特别强调 Evidence 和 Rubric？
在 PBL 中，最容易出现的问题是：课堂很热闹，但学习是否真正发生，很难判断。
所以我特别强调两个词：
Evidence｜证据
Rubric｜评价量规
Evidence 是学生学习过程留下的“痕迹”。
比如：
-
问题定义表； -
数据字段说明； -
K 值对比记录； -
标准化前后结果说明； -
最近邻样本解释； -
管理行动建议卡； -
模型局限反思。
Rubric 是判断这些证据质量的尺子。
我常说：
没有 Evidence 的 PBL，很容易变成热闹的讨论课；
没有 Rubric 的 PBL，很容易变成凭感觉打分。
AIP-TDA3.0-MVP 希望帮助教师在设计阶段就想清楚：
学生最后交什么？
教师如何看出学生真的学会了？
什么样的表现算基础？什么样的表现算优秀？
AI 在其中是脚手架，还是已经越界成了“代工作业员”？
六、为什么还要有 Governance Lite？
很多老师一听 “Governance（治理）” 就觉得是技术部门的事。
其实在 AI-PBL 教学里，治理很简单：
给 AI 生成的教学设计做一次“上课前体检”。
我在 AIP-TDA3.0-MVP 中设置了一个 Governance Lite｜轻量治理检查员，主要检查：
- Evidence Completeness｜证据完整性
学生有没有明确产出？ - Rubric Alignment｜量规对齐
评分标准是否真的评价了目标能力？ - Answer Leakage Risk｜答案泄漏风险
AI 有没有替学生把作业做完？ - AI Boundary｜AI 使用边界
AI 是辅助，还是越界替代？ - Question Type Control｜问题类型控制
问题任务是否使用统一类型，如 Clarifying、Probing、Evaluating、Creative、Behavioural、Reflective。
|
|
|
|
|---|---|---|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
|
- Anchor Validity｜锚点有效性
智能体是否真的依据知识库，而不是“看起来像引用”。 - Gate Status｜门控状态
用 PASS / WARNING / BLOCKED 告诉教师这份设计能不能进入下一步。
我给教师解释时常用一个比喻：
Governance 不是给老师找麻烦，而是像红黄绿灯。绿灯可以走，黄灯先修一修，红灯必须停下来。
这很重要。因为 AI 越强，越需要边界。
AI 可以帮学生找路，但不能替学生走路；可以帮学生磨刀，但不能替学生下厨。
七、为什么暂时不直接连接飞书 API？
AIP-TDA3.0-MVP 目前设置了 Feishu Formatter｜飞书结构化助手。
它不是直接读取或写入飞书，而是先把教学设计整理成：
Feishu-ready Tables｜飞书可录入表格
例如：
-
Courses｜课程表 -
Lessons｜课次表 -
Scenarios｜案例表 -
Question_Tasks｜问题任务表 -
Rubrics｜评价量规表 -
AuditEvents｜治理检查记录表 -
Iteration_Log｜迭代记录表
为什么不一上来就做 API 自动写入？
因为教师讲座和内测阶段，真正重要的是让老师理解教学价值，而不是被权限、Token、字段 ID、飞书 API 搞得头大。
我现在采用的策略是：
先 Feishu-ready，再 Feishu-connected。
先让内容适合进入飞书，再让系统自动进入飞书。
这一步看似保守，但更稳。
在教育技术应用中，最怕的不是功能少，而是功能太多、老师用不起来。
八、它目前适合哪些教师使用？
AIP-TDA3.0-MVP 特别适合应用型大学教师，尤其是以下几类课程：
-
酒店管理； -
人力资源管理； -
金融； -
市场营销； -
旅游管理； -
电子商务； -
健康服务管理； -
数字媒体； -
创新创业； -
人工智能通识与专业融合课程。
只要教师面对的问题是：
我有一个传统课程单元，想把它改造成问题驱动、任务驱动、证据驱动的教学设计。
这个智能体就可以提供帮助。
它尤其适合应用型课程，因为应用型课程最需要解决的问题不是“知识讲没讲完”，而是：
学生能不能用知识解决真实问题？
九、我现在如何使用它？
以《人工智能导论—及其在酒店管理中的应用》为例，我已经为它建立了第一批课程知识库，包括：
- Course Profile｜课程画像卡
- AI + Hotel Domain Knowledge｜AI 与酒店管理领域知识
- ABC Smart Hotel Cases｜ABC 智能酒店案例库
- Lesson Cards｜课次知识卡
- Final PBL Project Guide｜期末小组项目任务卡
比如：
第六单元是 KNN 与酒店订单取消预测。
第七单元是 决策树与 PMS 可解释判断。
期末项目则要求学生围绕 ABC 智能酒店真实问题，完成一个体现课程 AI 知识点的小组项目。
这意味着，AIP-TDA3.0-MVP 不再只是一个通用 PBL 助手，而开始具备课程级理解能力。
它知道这门课的学生是谁，课程主线是什么，酒店管理场景是什么，PBL 项目如何推进，评价标准是什么。
当然，它还在内测阶段。它会犯错，也会跑偏，也需要教师二次校准。但这正是内测的意义：让工具在真实教学中长大。
十、我对应用型大学教师的一点建议
我越来越觉得，AI 时代的教师不能只问：
AI 能不能帮我写教案？
更应该问：
AI 能不能帮助我重新设计学习？
应用型大学最需要培养的，不是“标准答案的熟练工”，而是：
-
真实问题的发现者； -
复杂情境的分析者； -
AI 工具的驾驭者； -
证据链的建构者； -
管理方案的表达者； -
有边界意识的行动者。
这也是我做 AIP-TDA3.0-MVP 的初衷。
它不是一个完美系统，而是一个开始。
一个从“AI 帮我生成内容”走向“AI 帮我重构教学”的开始。
结语：教师真正要升级的，不是工具，而是教学设计能力
AIP-TDA3.0-MVP 目前只是教师内测版。
但它已经让我看到一种可能：
未来的教师，不一定要成为程序员，但必须学会与 AI 协作设计学习。
未来的课程，不一定都要变成技术课，但必须能够让学生在真实问题中使用技术。
未来的 AI 教学工具，也不应该只是“写稿机器”，而应该成为教师的课程重构伙伴。
我希望 AIP-TDA3.0-MVP 能成为这样一个小小的起点。
如果说传统教学更像“把知识端上桌”，那么 AI-PBL 更像“带学生一起进厨房”。
菜谱可以由 AI 帮忙整理，工具可以由 AI 提供支持，火候可以由数据辅助判断。
但最后，真正决定这道菜有没有味道的，仍然是教师的教育判断、学生的真实参与，以及课堂中人与人之间的温度。
这也是我始终相信的一点：
AI 可以生成内容，但教育必须生成成长。
AI can generate content, but education must generate growth.