基于知识库进行大学课程重构,一条值得探索的创新之路

2026年4月，清华大学校长李路明在教育部的一次新闻发布会上提出：怎样重新构建课程与知识体系，是高等教育待破解的一大难题。

紧接着，2026年5月，南京大学校长、中国科学院院士谈哲敏发表文章《AI时代大学教育的范式重构与本质坚守：AI教育悖论破解》，其中也提出，AI时代正在更集中地暴露传统教育模式本身的局限……不少学校在讲授AI课程时沿用的仍是工业时代形成的标准化模式，绝大多数教学实践仍聚焦于用技术「赋能」既有体系、提升运行效率，而较少真正触及教育模式的根本重塑……就像「马车拉蒸汽机」：教学内容已进入新时代，教学方式却还停留在旧逻辑里……忽视了AI挑战了「知识是如何生产、如何被理解、又如何被运用的」。

业界大佬们都把研究的重点落在了课程知识体系重构上，这个事儿特别值得说一说。

这事儿不仅跟课程重构有关，也跟教创赛有关。吉林大学田洪鋆教授说过：教创赛的选手们很多都不明白教创赛考核的是啥，教创赛考核的是——课程建设、课程建设、课程建设！重要的事情说三遍。

如果说，上一篇《AI时代，大学教学创新的真问题与新逻辑》是从教学创新视角来讲的，那么这一篇，我们来说说AI时代大学课程建设的底层逻辑。

这是我们不得不面对的一个事实：AI的到来，有可能把大学课程建设的底层原理也“冲击”了一回。

过去，一门大学课程的基本形态是固定的。教师按照教材章节备课，按照教学大纲组织内容，再按照「第一章、第二章、第三章……」的顺序走进课堂。学生则按照教师讲授的顺序学习，课后通过阅读教材、完成作业、准备考试来巩固知识。这种课程形态延续了很多年。

但进入AI时代以后，一个值得认真思考的问题逐渐浮现出来：当知识获取、知识检索、知识整理和知识重组的效率发生巨大变化之后，我们还用过去组织知识的方式来组织一门大学课程，合适吗？

也许，在「AI如何帮我们把传统课程讲得更好」之外，还可以问一个新问题：「能不能借助知识库，把一门大学课程的知识体系重新组织一次？」

通过这半年的实践，我认为是可以的。换言之，重新构建课程与知识体系这件事儿，现在有了一个较为明确的落地路径：知识库。

用知识库重构大学课程知识体系，预期发生的改变可能会是——课程从「教材章节的线性排列」，逐步转向「知识结构的立体组织」；从「教师讲、学生记」，逐步转向「知识提取、问题探究、知识应用与知识创制」；从一套静态的课程材料，逐步变成一个可以不断生长的课程知识生长系统。

下面我来说说我个人对这件事儿的思考和理解。

传统大学教育建立在一个非常重要的前提之上：知识是有限的，而且获取知识的成本很高。需要老师用PCK的方法进行转化演绎。因此，课程需要承担「筛选知识和转化知识」的功能。教师选择重要知识，教材把这些知识组织起来，再按照一定的逻辑顺序和表达策略进行讲授。学生按照课程安排，从前往后学习。

——这就是典型的线性学习模式，它的基本路径是：教材 → 章节 → 知识点 → 教师讲授 → 学生记忆 → 作业与考试。

这种模式并没有失去价值。事实上，对于基础知识的系统化学习而言，线性组织依然非常重要。

但AI带来了一个巨大的变化：知识获取的成本正在快速下降。

过去，学生想深入了解一个概念的原理，需要查教材、查图书馆、查论文、问老师；现在，通过AI可以快速完成资料检索、概念解释、知识比较、案例寻找甚至初步分析。

过去，一个教师准备一门课，需要花费大量时间搜集资料、整理文献、制作课件；现在，AI可以在很短时间内帮助教师完成大量基础性的知识处理工作。

于是，一个新的矛盾出现了：当「找到知识」越来越容易的时候，课程还应该把大量时间花在「传递已经存在的知识」上吗？

这并不是说知识传授不重要。而是，知识传授的方式方法已经发生了显著变化，新的手段和技术出现了。我们可以用更加高效率的方式做到这一点。那么，我们是否应该把工作的重心落在「知识如何生产、如何被理解、如何被运用」这些更高层次的目标上？

因为AI来了以后，学生真正稀缺的，不再只是「知道某个知识点」，而是：

我们需要正视这些变化。AI的到来，线性获取知识的唯一路径已经被打破了，一种更加高效率的、结构化的学习方式开始出现：不是按照知识出现的顺序学习，而是围绕问题重新组织知识；不是简单地积累知识，而是不断提取、重组和应用知识去解决实际问题。

这意味着，传统的线性知识表达顺序，是可以被打乱变成并行获取的。从第一章、第二章、第三章……变为可以调用解决问题的理论、原理、方法、工具、流程、模版、案例等。

这种新模式的出现，意味着，AI时代的学习，已经在从「线性学习」走向「结构化学习」了。

传统大学课程有一个非常明显的特征：课程内容是预先设计好的，学习路径也是预先设计好的。

例如，一门《管理学》课程可能按照：第一章 管理概论、第二章 管理思想、第三章 组织、第四章 领导、第五章 控制……依次展开，学生需要按照这个顺序学习。

这种结构对于课程管理非常方便，但对于真实的知识学习而言，却未必是最高效的。因为人的学习往往不是这样发生的。一个学生真正产生兴趣的，可能是一个问题：为什么有些组织规模越大，管理效率反而越低？

为了回答这个问题，他可能需要同时调用组织理论、领导理论、激励理论、组织行为学甚至经济学中的相关知识。

也就是说：真实的问题不会按照教材章节来提问。而AI进一步强化了

这种变化。今天，一个学生可以直接向AI提出一个问题，然后不断追问：「为什么？」「有没有反例？」「这个理论能不能解释另外一个案例？」「如果换一种情境呢？」「不同学者的观点有什么区别？」「如果我是管理者，应该怎么做？」

这种学习过程，本质上是一种对话式、问题驱动式、动态重组式学习。它不再是：章节A → 知识点A1 → 知识点A2 → 章节B → 知识点B1，而更接近：问题 → 调取知识 → 建立联系 → 比较分析 → 形成判断 → 应用验证 → 产生新问题。

两种学习方式之间的差异越来越明显。

传统课程强调的是：我应该按照什么顺序把知识讲完？而AI时代的课程更值得追问：学生面对一个真实问题时，需要调用哪些知识？这些知识之间是什么关系？怎样帮助学生完成从知识理解到问题解决的跃迁？

这意味着，课程设计的基本单位可能需要发生变化。过去的课程设计单位是「章节」，未来值得探索的课程设计单位，可能更多是：问题、概念、关系、方法、案例、任务和成果。

而知识库，恰恰为这种课程重构提供了一个技术基础。

为什么知识库能够改变学习方式？

关键并不只是「把很多资料放到一个库里」。如果只是把PDF、PPT、论文和网页全部上传进去，那仍然只是一个「资料仓库」，真正发挥作用的是背后的知识处理过程。

从某种意义上说，AI时代的知识管理，本质上正在做两件事情：

这是我培训时经常跟老师们念叨的一句话：「存进去」到「用起来」的关键心法，是提炼萃取！

比如，一篇论文可能包含：一个概念、一种理论、一个研究方法、一个案例、一组数据、一个结论；一本教材可能包含：定义、原理、模型、方法、案例和练习；一份政策文件可能包含：政策要求、改革方向、实施原则和评价标准。

如果只是阅读，它们彼此是分散的。但进入知识库之后，可以围绕一个具体主题进行提炼萃取，形成新的知识结构：概念 → 理论 → 方法 → 案例 → 问题 → 应用 → 创新。

这实际上完成了一次知识重构。因此，知识库真正的价值不是：「我存了多少资料」，而是：「我能不能从资料中提取出知识，并把这些知识重新组织成可以解决问题的结构」

这也是为什么知识库不能停留在「存」这个层面的原因，它最终应该走向：提取、理解、关联、应用和创制。

从这个角度看，知识库其实可以成为课程重构的「底层基础设施」。

如果把知识库真正用于课程建设，就需要改变传统课程「知识点罗列」的方式，采用提炼萃取的方法，把课程知识重新组织成新的结构。这个结构可以简单归结为三个层次：

这是课程的知识基础。包括：基本概念、核心理论、基本原理、经典模型、学术观点、学科发展脉络。这一层解决的是：学生必须知道什么。但如果课程只有这一层，学生很容易停留在「知道」。

实践知识是把理论与真实问题连接起来。包括：方法、工具、操作流程、案例、情境、问题解决方案、实践经验。这一层解决的是：学生如何把学到的知识用于真实问题。

例如，学习「SWOT分析」，就不能只让学生记住四个字母分别代表什么。更重要的是让学生面对一个真实场景：如何收集信息？如何判断优势与劣势？如何识别机会与威胁？如何从分析结果形成战略方案？知识由此从「理论」进入「行动」。

这是传统课程中经常被忽视的一层。学生不仅要学习已有理论，也应该进一步思考：这个理论能不能被重新组合？这个方法能不能解决一个新的问题？能不能提出自己的模型？能不能形成新的方案？

这样，课程就不再只是「把知识教完」，而是让学生经历：理解 → 应用 → 创造 这个过程。我相信，这才是AI时代大学课程真正应该追求的学习深度。

如果要把上述的思路真正落地，课程知识库就可以按照下面这个思路来建设了。可以把一门课程的知识库建设划分为几个基本区域。一个比较实用的结构是：

素材区 → 提取区 → 应用区 → 成果区

这是我花半年时间研究知识分类史，总结提出的知识库「四区分类法」。四个区域的各自功能如下：

提取区可以理解为课程知识加工车间。面对同一批资料，不再只是让AI总结全文，而是从不同角度进行提炼。例如可以围绕：

通过这些问题进行结构化提取。这样，同一份材料就不再只是「一份文献」，它可以被拆解成多个可以进入课程知识体系的知识单元。

通过问题、政策、理论、思想、方法、模型、人物、事件、工具、案例等多角度提取方式，课程知识库可以进一步把它们改造成：问题库 + 概念库 + 理论库 + 方法库 + 模型库 + 案例库 + 工具库 + 资源库。

例如一门《管理学》课程：素材区里可能有500篇论文、20本书、100个案例。经过提取以后，就可以变成：

这样，课程知识就从「资料」变成了可以被调用的知识单元。这就是知识库真正开始产生价值的地方。

提取完成以后，再回到课程。这里就不再按照资料来源分类，而是按照「我要教什么、我要解决什么问题、我要设计什么任务」来重新组合知识。

例如《管理学》这门课：「如何让学生理解组织变革？」这个教学问题，系统可以自动调用：理论 + 模型 + 案例 + 数据 + 方法 + 问题，形成一个教学单元。

传统课程组织的基本单位通常是：章节 → 知识点。例如：第一章 组织理论，第二章 组织结构，第三章 组织文化，第四章 组织变革。这种方式本质上是在按照知识的学科结构组织课程，而课程知识库的应用区提供了另外一种可能：问题 → 知识 → 任务。例如：

这样，课程就从「我要讲哪些知识」逐渐转向：「我要让学生解决哪些问题」。哪一种知识组织策略更优？我相信高下立判。

这里其实是课程知识库真正产生「课程重构价值」的关键一步。

• 素材区解决的是「我有什么」，

• 提取区解决的是「我知道什么」，

• 应用区解决的是更重要的问题：「这些知识现在能够拿来做什么？」

课程因此从「章节驱动」逐渐转变为「问题和任务驱动」，知识的价值从「知识存在」走向「知识可用」。我相信，这是回应教育部长提出的加速实现从「知识传授」向「能力培养」转变的一条可行之路。

这样，课程形成了一个完整闭环：资料进入知识库 → AI提取知识 → 教师重构课程 → 学生围绕问题学习 → 学生调用知识完成任务 → 形成新的学习成果 → 优秀成果再次进入知识库。

这时候，课程知识库就不再是静态的，它开始「生长」。这套机制跑通以后，你的课程知识库就会变成一个不断生长的知识流动态系统。

这里尤其需要强调一点，基于知识库进行课程重构，并不是：原来的课程不变，然后增加一个AI工具。如果只是让AI帮助教师写教案、制作PPT、生成题目，那么本质上仍然是传统课程，只是生产工具发生了变化。真正的课程重构，需要至少发生三层变化：

从「教材章节」转向「知识结构」。不再只是问：这门课有多少章？而要问：这门课有哪些核心概念、理论、方法、问题和实践？

从「教师讲授」转向「问题驱动」。不再只是：今天老师讲什么？而要变成：今天学生要解决什么问题？为了完成这个问题，需要调用哪些知识？

从「知识复述」转向「知识应用与创制」。评价学生时，不只是问：你记住了什么？还应该进一步问：你能解决什么问题？你能创造什么？

这样，知识库才真正成为课程改革的基础设施，而不仅仅是一个AI工具。

回过头来看，AI对大学教育带来的最大变化，也许并不是「教师可以更快地做PPT了」。

更深层的变化在于：知识的获取方式变了，知识的组织方式变了，知识的调用方式变了，知识的生产方式也正在发生变化。

在这样的背景下，大学课程如果仍然主要依赖：教材 → 章节 → 知识点 → 讲授 → 考试 这一条线性路径来教学，势必会越来越难以跟上AI发展的节奏。

知识库为我们提供了一种值得探索的新可能：

于是，课程的基本逻辑开始发生变化：

这也许正是基于知识库进行大学课程重构最值得探索的地方——知识库不是课程的附属工具，而有可能成为课程新的底层基础设施。

未来，一门真正意义上的「AI课程」，可能不再是一套固定的PPT、一份教材和一份教学大纲，而是一个「由知识库、问题、任务、智能体、学习过程和学生成果共同构成的动态知识系统」。

从这个意义上说，大学课程改革可能正在迎来一个新的起点：不是给旧课程加上AI，而是借助AI重新思考——一门大学课程究竟应该怎样组织知识、组织学习，以及组织知识的创造。

*上述思考，仅为个人观点，不一定对，仅供高校同仁参考！

（全文完）