夜雨聆风AI工具太多不知道怎么选？这套"场景-工具-工作流"对照表请收好
📌 导语
2025年超七成职教教师已用AI，但只有6.5%的学校有系统培训计划。本文提供"场景-工具-工作流"对照表、提示词结构化方法、慕课AI工作流四步法，以及扣子/ima智能体搭建指南，帮助职教教师从"听了激动"到"回去真能动"。
# AI工具太多不知道怎么选？这套"场景-工具-工作流"对照表请收好
▶01 / 引言
"听课的时候激动，回家的路上躁动，到了家里一动不动。"
重庆大学教师发展中心付老师这段话，我在无数职教老师的朋友圈里见过类似的话。效果之精准，几乎可以说是一句行业金句。
这不是老师不努力。
2025年《职业教育人工智能应用发展报告》对全国32个省、1303所职业院校（其中高职774所、中职529所）做了大规模调研，结果很有意思——
超七成职教教师已经在定期使用AI工具。
但另一个数字，就很不乐观了：
学校层面制定了系统AI胜任力发展计划的，只有6.5%。
这就是"一动不动"的根源。培训听了很多场，工具下载了一整屏，回到学校，没有人给你一张"按场景选工具"的对照表。
你不是不想用，是不知道从哪下手。
更要命的是，AI工具还在以"每个月出一个新爆款"的速度迭代。
2023年GPT-3.5出来的时候，大家的感觉是"这东西居然可以用了"。以前也有聊天机器人——QQ里就有——但聊几句就聊不下去，水平有限。到了2023年，突然到了"可用级别"。
然后DeepSeek-V3来了，DeepSeek-R1来了，文心一言、豆包、Kimi、智谱清言……每个都说自己"最懂中文""最适合教育场景"。
你刚下载完这个，那个又上热搜了。
2026年4月，教育部等五部门联合印发《"人工智能+教育"行动计划》（教科信〔2026〕1号），明确提出"全过程智能辅助备课、人机协同教学模式"——政策方向已经非常清晰，但落到你自己那门课，还是不知道第一步迈哪只脚。
这篇文章，就是帮你把"听了激动"变成"回去真能动"的那张表。
全文约10000字，覆盖工具选择、提示词设计、工作流搭建、多媒体学习理论、课程大纲编制、智能体建设、AI出题与评价七个模块。每个模块都附带可直接复用的提示词模板和操作步骤。
不用一口气看完。先看第三章的"场景-工具-工作流"对照表——那是全文最实用的那张表。
AI工具场景对照工作流
▶02 / 第一章：先搞懂原理——大模型到底是怎么工作的
1.1 从"70年"到"2023临界点"
人工智能不是新事物，但2023年是临界点。
算起来，人工智能已经将近70年历史。早在上世纪50年代，图灵测试就已经提出来了。但前60年，它基本停留在实验室里，普通人感受不到。
2023年GPT-3.5出来以后，情况突然变了。以前也有聊天机器人——QQ里就有——但聊几句就聊不下去，水平有限。到了2023年，普通人突然发现："这东西居然可以用了。"
这一年的临界点，改变的是可用级别。
人工智能研究有三个层次，理解这个，你才知道自己处于哪个水平。
第一层：感知智能。 让机器能听、能看，模仿人的感知。刷脸门禁就是典型——但它有个问题：侧脸或背过去就识别不了，而人是可以认得出来的。感知智能今天应用已经很广泛，但水平仍然有限。
第二层：认知智能。 模拟人的大脑认知过程，让机器有思维能力。这是今天的重点。 通用大模型（DeepSeek、文心一言、智谱清言、豆包等）的认知水平，已经超过博士。有人说："为啥我问的时候答得不靠谱？"——不是AI不行，是你没用对。问得精准，答得就高级。
第三层：具身智能。 既有大脑，还能行动，比如机器人。今年春晚宇树科技火了，但让机器人在教室走一圈都不容易——有台阶要判断怎么迈，需要大量学习。目前争议较多，比如智能驾驶。
OpenAI曾经给人工智能的发展设想了五个阶段，目前我们正处在第二到第三阶段之间：
2025年Manus引起轰动，原因就在这里：你给它一个目标，它主动分解任务、调用工具、完成闭环。不需要你一步步指挥。
有人看了以后说："牛马累死了，以后可能要饿死了。"很多工作确实可能被替代——但这不是这篇文章要讨论的焦虑，我们要讨论的是：作为职教教师，你怎么用好它。
1.2 大模型底层逻辑——它在"接龙"，不是"真懂"
要用好AI工具，先得搞懂它到底是怎么工作的。搞清楚这个，你才不会用错、用偏、还不知道为什么结果不对。
大模型的底层逻辑，通俗说就是根据前文，预测下一个字。
它不是像人一样理解含义，而是学了海量文本的统计规律——哪个字后面跟哪个字的概率最高，它就选哪个。
这个原理，学术界叫"下一个词预测"（Next Token Prediction），所有今天你用的通用大模型，全部建立在这个原理之上。
这个原理决定了它有三个绕不开的硬伤——理解了这三个硬伤，你就知道该怎么选工具、怎么设计提示词了。
第一个硬伤：幻觉问题。
大模型的"接龙"是根据统计概率来的，它没有"真假"的概念，只有"哪个词接上去最顺"的概念。
早期有个经典案例：有老师问AI"武汉市长是谁"，结果AI硬生生答成了"江大桥"——因为"武汉市长江大桥"在训练语料里出现太多次，它按概率硬接出来了。
不是它故意骗你，是它的工作方式本身就是"猜下一个字"。
第二个硬伤：知识截止日期。
预训练是有时间节点的。大模型在发布之前，用某个时间节点之前的互联网语料做了训练，节点之后的事，它没学过。
比如DeepSeek某个版本，学到的是2024年4月以前的材料，2024年5月之后发生的事，它不知道，就会硬编。
你问它"2025年职业教育有什么新政"，它答出来的内容，要打个问号。
第三个硬伤：私有数据盲区。
知网、万方的论文，是付费私有数据，大模型没法学到。你让它帮你写文献综述，它会编——因为它没读过那些论文，但它会根据"文献综述通常怎么写"的统计规律，接出一篇看起来像模像样的文字。
这也是为什么，直接让裸大模型帮你写学术论文，风险极高。
1.3 两大解法——RAG和调用工具
三大硬伤讲完了。那怎么办？
不是不用AI了，而是用对方法——大模型有两个核心解法，对应解决上面三个硬伤。
解法一：RAG（检索增强生成）
RAG的思路很简单：先给大模型一个专属知识库，让它先从知识库里找相关内容，再组织语言回答你。
它不是靠着预训练那点旧知识硬答，而是先查资料，再说话——精准度自然大幅提升。
这就是为什么今天你用的各种"智能体"——扣子、豆包智能体、元助教——底层逻辑全都是RAG。
知识库里有什么，它就能基于什么回答；知识库里没有的，它不会硬编（理论上），而是告诉你"知识库中没有相关内容"。
所以：选AI工具的时候，优先选能接知识库的——这是判断一个AI工具"能不能用于教学"的第一条标准。
解法二：调用工具
大模型的专长是"接龙"，但有些事它干不好：计算、实时搜索、执行代码。
解决方法是：让它在需要的时候，先调用工具，再把结果整合进来回答你。
需要计算一道题——它先调个计算程序，算出结果，再组织语言解释给你听。
需要最新信息——它先调搜索引擎，把搜索结果读一遍，再整合回答。
这就是为什么，能联网搜索的AI，比不能联网的靠谱得多——它不是靠"接龙"硬编最新信息，而是先去网上查了再答。
搞懂这两个解法，你现在已经超过80%的AI工具使用者了。
下一步，就是怎么跟它说话——提示词。
提示词CO-STAR结构化
▶03 / 第二章：用好大模型的三条铁律
2.1 提示词要结构化，给材料别只给指令
工具选对了，还要用得对。很多老师的问题出在这里——
提示词随手一写，AI答非所问，然后得出结论："这个AI不好用。"
不是AI不行，是你的提示词不行。
铁律一：提示词要结构化。
这六个字，价值千遍万遍。
很多老师写提示词，就是一句话："帮我写一份课程大纲。"——太粗糙了，AI只能猜你想要什么。
圈内常用的一个结构化框架，叫CO-STAR，六个字母，对应六个要素：
- C（Context，背景）
：这件事发生在什么场景？是开学第一次课，还是期末复习？ - O（Objective，目标）
：你希望AI帮你完成什么？是生成大纲，还是出一套试题？ - S（Style，风格）
：要学术严谨，还是口语活泼？写给专家看，还是写给学生看？ - T（Tone，语气）
：要正式，还是亲切？是批评指正，还是鼓励引导？ - A（Audience，对象）
：输出内容给谁看？同行教师，还是高职学生？ - R（Response，格式）
：要表格、列表，还是段落？要Markdown格式，还是直接能粘贴进Word？
背景给得越充分，AI接得越精准。
这不是玄学，是工程。
铁律二：给材料，别只给指令。
大模型可能听不懂你的语境，或者它的训练语料里根本没有你的专业内容。
你把格式模板、参考文献、往届优秀作业丢给它，让它按这个转化，输出质量会好很多。
比如你要AI帮你设计出一套"数控机床"课程的试题——你只说"帮我出试题"，它只能凭训练语料硬编，编出来的跟你的课程目标可能完全对不上。
但如果你把课程大纲、教学进度表、往届试题一起丢给它，让它"基于这些材料出一套期中试题"——出来的结果，质量差好几个层级。
2.2 多轮对话 + 选对模型 + 老板思维
铁律三：多轮对话做语义对齐。
人和机器最大的区别是语境。同一句话在不同语境里，意思截然不同。
跟AI只聊一轮就走，相当于跟人只说半句话就走——它接的内容，大概率不是你想要的。
聊三五轮，确保你们在一个频道上，它才接得更准。
具体做法：第一轮先给背景，第二轮补充要求，第三轮纠正偏差，第四轮锁定输出格式。几轮下来，AI基本摸准你的语境了。
用AI还有一个常见误区：什么都用最高级模型。
大模型分两类，用错了既浪费钱又浪费时间。
指令型大模型（DeepSeek-V3、普通版GPT等）——适合格式化生成任务：数据清洗、写报告、写代码、翻译、提取论文概要、简单问答。这类任务你自己大概知道思路，指挥它去干就行。
推理型大模型（DeepSeek-R1、o1等）——适合你自己也把控不了的复杂问题：因果推理、跨领域知识整合、抽象概念理解。让它帮你推理，但代价是幻觉更高、耗时更长，没必要事事都用。
一个很实用的技巧：让AI帮你写提示词。
你先用大白话把需求描述一遍，让AI帮你整理成"需求+目标+任务"的结构化提示词，再基于这个让AI输出最终内容。人机配合，效率翻倍。
最后说四个注意事项，都是踩过坑总结出来的：
第一，记忆力有限。 一个话题反复问三五轮可以，再问就新开窗口。因为它会把前面所有对话都作为下一次输入，提示词越来越长，处理能力有限，越答越差。
第二，幻觉一直存在。 它不是真理解，是模拟理解，关键内容一定要人工核查。
第三，马太效应。 你强它强，你弱它弱。你自己对任务把握程度高，它才更好。这个时代不是"不用学习了"，而是要学，而且水平要更高。
第四，讨好型人格。 你的提示词里如果隐含了错误前提，它会顺着你的错误往下接，给你"想听的答案"。这很危险。
核心结论：用好AI，要有"老板思维"。
你不一定亲自干每一件事，但你要知道什么是好的、需要多少步骤、找哪个工具干、最终质量行不行。
以前做慕课，从写稿、做PPT、录制、出题到上线，没半年搞不定。现在一个人就是千军万马——但前提是，你自己要懂这门课。
智能体扣子ima
▶04 / 第三章：按场景选工具——一张表搞定
3.1 别再问"你用什么AI"了
别再问"你用什么AI"了。
正确问法是："你要在哪个教学场景用AI？"
这是整篇文章最重要的一句话。
场景定了，工具组合自然就出来了。盲目追热点下载工具，和十年前盲目追"慕课平台哪个好"没有任何区别——工具很多，适合的才管用。
我把手上的培训讲稿、自己的实操经验、以及职教老师们反馈最多的场景，整理成了一张表。
这张表的核心逻辑只有一条：每个场景只选一个主力工具，最多配一个备用，不要贪多。
学习资源类型 → 工具推荐对照表
这张表，建议你收藏。后面每个工具的具体用法，我会在相应章节展开。
但先说一句很重要的话：
多媒体资源 ≠ 多媒体学习效果。
3.2 一个人就是千军万马——慕课工作流完整拆解
工具选对了，怎么串起来形成工作流，才是真正的效率所在。
我去年利用业余时间做了两门慕课，每门从写稿到上线只用了一个月。以前这套流程没半年搞不定，秘诀就是把不同AI工具按工作流串起来。
具体操作，一步一步说清楚：
第一步：自己写课程大纲Word文档。
十章内容，每章几节，每节几个知识点，每个知识点讲到什么程度——这一步必须是我自己做，AI替代不了。你自己要对课程全貌有把握，这是"老板思维"的第一步。
第二步：让三个大模型分别写讲稿。
写一份结构化提示词，分别发给DeepSeek、Kimi、文心一言，让它们各写一份2000字讲稿（约十分钟视频量）。
为什么要三个？取优整合——A这笔比喻好，B这个概念解释得清楚，C这段结构更合理。三份稿子合成一份，比我写得还好，用词更专业。
第三步：同步生成配套资源。
讲稿定了，同时让AI做三件事：
做PPT（用Kimi + AIPPT，给讲稿自动生成） 做思维导图（用智谱清言智能体，把讲稿丢进去自动生成） 出测试题（让大模型基于讲稿内容出单选、判断、简答）
第四步：人工审核。
研究生只负责一件事：审题目、看有没有出错。以前需要团队分工协作的事，现在一个人就是千军万马。
但这里有个绝对前提：你自己要懂这门课，能把握得了。
如果你自己都不知道内容靠不靠谱，AI写出来你也不敢用。特别是教学这种事，不能有明显错误。
这就是"老板思维"——你不一定亲自干每一件事，但你要知道什么是好的、需要多少步骤、找哪个工具干、最终质量行不行。
3.3 曲线救国——用中间语言生成复杂图形
工具表里有一条你可能注意到了：DeepSeek不擅长直接生成流程图、时序图、矢量图。
这是大模型的天然限制——它擅长"接龙"写文字，但不擅长精确控制图形坐标和布局。
但有个很实用的曲线救国方法：
让AI写Mermaid语法或Markdown，再复制到支持的工具里自动生成图形。
具体怎么做？
第一步：给AI下指令——"帮我用Mermaid语法画一个课程结构的流程图，包含'课程目标→模块一→模块二→考核方式'四个节点。"
第二步：AI输出一段Mermaid代码（纯文字）。
第三步：把这段代码，复制进支持Mermaid渲染的工具（比如Typora、Notion、或者在线Mermaid编辑器），图形自动生成。
效果非常好，而且可以反复修改——你让AI改代码，重新渲染就行，比手动画图快十倍。
除了Mermaid，还可以让AI写Markdown表格、时间轴、组织结构图——思路是一样的：AI负责文字逻辑，渲染工具负责图形呈现。
第三章小结
这一章给你的核心工具是两张表：
第一张：教学场景→AI工具选择对照表（见第一节），收藏备用。
第二张：慕课AI工作流四步表（见第二节），照着做，一个人能干以前一个团队的活。
前提只有一个：你自己要懂这门课。
多媒体学习梅耶理论
▶05 / 第四章：多媒体≠多媒体学习——梅耶的三条铁律
4.1 爱迪生100年前就栽过的坑
前面花了大篇幅讲"怎么用AI做资源"。
但有一个问题，绝大多数老师不会问自己：做了一堆资源，真的管用吗？
很多老师默认："我花了这么大劲做图片、视频、音频，学生学了效果肯定好。"
这个结论，不一定成立。
历史上，几乎每一次新媒体技术出现，都有人说过类似的话。
爱迪生发明电影的时候说："未来十年不需要老师了，教室放电影就行。"
后来电视进入教室，也有人说"革命性提升教学效果"。
再后来计算机多媒体课件来了，同样的论调又响了一遍。
但研究结果很扎心：多媒体教学并没有显著好于"黑板+粉笔"。
花了大功夫做的多媒体课件，效果跟一块黑板差不多——问题出在哪？
答案来自一个人：理查德·梅耶（Richard E. Mayer），美国加州大学圣塔芭芭拉分校的心理学教授。
他花了近30年做了一个课题——多媒体学习认知理论（Cognitive Theory of Multimedia Learning）——专门研究"什么样的多媒体才能真正促进学习"。
他的结论分两部分。先看理论基础——三条核心假设：
第一条：双通道假设。
人类信息加工有两条通道：视觉通道和听觉通道。一条负责眼睛看到的东西，一条负责耳朵听到的东西。两条通道既要各自工作，又要协同配合。
第二条：容量有限假设。
每条通道的容量是有限的。一次性灌太多信息进去，通道就堵了——学生看到的、听到的，大多数进不去。
第三条：主动加工假设。
学生必须主动选择、主动整合、主动提取信息，学习才有效。不是"给了资源＝学习了"，而是"学生加工了＝学习了"。核心动作发生在学生大脑里，不在你的PPT上。
理解了这三条假设，你就知道为什么"做了资源≠管用"了。
因为关键的变量不是资源本身的丰富程度，而是学生大脑里的加工过程。
4.2 你的PPT可能一直在帮倒忙
理论说完了，看实操原则。
梅耶从三条假设出发，推导了十几条多媒体教学设计原则。挑最核心、最容易踩坑的三条来讲：
原则一：一致性原则。
眼睛看到的信息，和耳朵听到的信息，必须是同一类内容。
反例是什么？PPT上放了一堆装饰性图片——好看的风景、搞笑的配图、精美的边框——学生眼睛盯着图走神了，耳朵里听的却是你在讲的完全不同的内容。
这不是多媒体学习，是干扰。
梅耶的研究很明确：无关的图片、声音、动画，减分，不加分。
原则二：空间临近原则。
相关的文字和图，要放在一起。
反例：PPT上左边是一段文字说明，右边的图片在下一页才出现。学生的眼睛在文字和图之间跳来跳去，认知负荷加倍了。
正确做法：图下面直接加说明文字，或者箭头标注。图文越近，理解越快——这是有实验数据支撑的，不只是"感觉上更好"。
原则三：时间临近原则。
解说的声音和对应的画面，要同步出现。
反例：先放一张图等几秒，再开口解说；或者先说了一堆话，PPT半天不翻——画面和声音之间存在时间差，学生的双通道配合就断了。
正确做法：画面一出，同期声跟上。这在录微课视频时尤其重要——不要先出画面再配音，要同步。
三条原则一句话总结：给学生看的东西和听的东西，要相关、要靠近、要同步。
最后讲一个最常见的坑——PPT审美陷阱。
很多老师花大量时间找模板、配图、调动画。做的PPT美术上越来越精美了，但学生学到的没有变多。因为那些审美元素——渐变背景、炫酷转场、装饰性图标——对学习效果是零贡献甚至负贡献。
梅耶研究团队做了大量对照实验。结论很一致：去掉装饰性元素，学生的学习效果反而更好。
所以，资源开发完了，还要回头问一句：这些资源，到底是在帮助学习，还是在干扰学习？ 如果不确定，删掉装饰性元素，减少认知负荷——这是最低成本的优化。
课程大纲OBE理念
▶06 / 第五章：AI赋能教学资源开发——大纲与设计
5.1 别把课程大纲当"目录"编
前面讲了"怎么做资源"和"怎么判断资源好不好用"。但一切资源开发的起点，不是工具，不是流程——是课程大纲。
很多老师对大纲的理解停留在"把目录列出来"。但在OBE（成果导向教育）理念下，大纲本质上是一份微型课程标准——它决定了这门课"为什么要开、教什么、怎么教、怎么考"。
没有统一教材的时代，每门课都是特殊的。大纲就是这门课的"宪法"。
那AI能不能帮你编大纲？能。但不能直接把课程名丢给它。
正确做法是分六步走，每一步单独对话，最后整合。
第一步：找培养方案。
打开你手上的人才培养方案，找到你这门课对应的是哪个毕业要求。一门课可能支撑2-3个毕业要求指标点。把这些指标点截出来，丢给AI。让它帮你推导出对应的课程目标——课程目标1对应毕业要求指标点A，课程目标2对应指标点B，逐条对齐。
这个对齐过程，AI自己干不了——你得告诉它"这门课对的是哪个指标点"。
第二步：对标目标选内容。
课程目标定了，再让AI帮你筛选教学内容。不给限制，AI会列一堆通用内容，看不出跟你这门课有什么特殊关系。正确做法是：把课程目标直接丢给AI，让它回答："基于课程目标1、2、3，分别需要哪些教学内容？"——目标锁死了，内容就不会跑偏。
第三步：定教学方法。
目标和内容都有了，再让AI推荐教学方法——对标的还是目标。让AI回答："针对课程目标1，推荐哪些教学方法？"这里有个技巧：要求AI遵循学习规律和教学规律，不推荐看似炫但无效的方法。
第四步：做评估方案。
评估必须对着目标来检测。告诉AI："针对课程目标1，设计一套评估方案，包括评估方式（考试/作业/项目）、评估标准和评估节点。"目标不同，评估方式应该不同。
第五步：挖思政元素。
门门课程要有思政——结合教学内容，让AI挖掘思政切入点。给AI内容摘要，让它标注哪些知识点可以自然融入思政元素，不要生硬植入。
第六步：整合输出。
前面五步是分别跟AI对话完成的，现在把所有材料全部丢给AI，让它统一风格、梳理逻辑、建立一致性，输出一份完整大纲。
把六步操作记住，你就不再是"让AI瞎编大纲"了。
5.2 教学设计——必须以学定教
大纲编完了，下一步是教学设计。
直接让AI生成教学设计，往往不能用。问题跟编大纲一样——你没给它足够的约束条件，它只能硬编一套"看起来像那么回事"但跟你的学生毫无关系的方案。
正确做法也是分四步走：
第一步：定目标。
这节课的小目标，必须是课程目标的分解。告诉AI："这节课的目标是支撑课程目标2（示例：能独立完成XX操作），请把它分解为2-3个课堂教学目标。"目标层级要对齐——课程目标→单元目标→课时目标，三级往下拆。
第二步：做学情分析。
这是最关键的一步，也是很多老师跳过的。
不给AI学情信息，它默认学生是"一张白纸"。但你的学生很可能不是——有的人已经会了，有的人基础完全没有。不分析学情，后面的设计全是空中楼阁。
怎么做？把你掌握的学情信息描述给AI：学生的前置课程学了什么、上一次测验及格率多少、哪些知识点普遍掌握不好、学生对这门课的态度是积极还是消极。
把这些全丢给AI，让它基于学情输出一份分析报告：学生的起点在哪、难点预估在哪、哪些环节需要额外铺垫。这一步花的时间，会在后面翻倍省回来。
第三步：定策略。
目标定了，起点也清楚了，从起点到终点，用什么策略？
让AI推荐教学策略，并附上理由——"为什么这个策略适合你这批学生"。要求它遵循学习规律：先激活旧知、再引入新知、再做分层练习、最后检测。不要让它推荐花哨的策略，要让它推荐有教学原理支撑的策略。
第四步：输出方案。
前面三步做好了，最后汇总给AI，让它输出一份完整的教学设计方案。方案里标清楚：每一步对应哪个教学目标、解决哪个学情问题、预计多长时间——这样的设计，才是"以学生为中心"的。
小结一下：直接让AI生成教学设计=自欺欺人。真正能用的方案，是你把目标、学情、策略分别跟AI对话梳理清楚后，再拼接起来的。
AI是加速器，方向盘在你手里。
智能评价SOLO法
▶07 / 第六章：智能体——你的"数字分身"上线
6.1 智能体是什么——大模型 + 知识库 + 插件
前面五章，你学会了选工具、写提示词、搭工作流、做大纲。
这些都是"人用AI"的阶段。下一步是"AI替你干活"——智能体。
智能体的本质，一句话：大模型 + 知识库 + 插件/工作流。
它不是"裸大模型"在回答你——那只能靠预训练记忆硬接。智能体做了三件事：
你给它一个知识库（教材、讲义、PDF、网站链接），它先从这里查资料。 你给它插件（联网搜索、图片识别、代码执行），它需要的时候自己调用。 你给它工作流（先做什么、再做什么、最后出什么），它按流程执行。
然后才把答案组织好，输出给你。
这就是RAG理念的工程化落地——不再是"对话一窗黑"，而是你定义边界，AI在边界内自主行动。
2026年4月，《"人工智能+教育"行动计划》（教科信〔2026〕1号）明确提出"全过程智能辅助备课、人机协同教学模式"、"建设智能学伴"。政策方向很清晰：智能体不是可选项，是下一步的必选项。
目前最值得职教老师上手的两个智能体平台是扣子（Coze）和ima。
它们底层逻辑一样（RAG+插件），但适用场景截然不同。下面逐一拆解。
为什么要建智能体？一张表对比三种使用方式
裸大模型靠预训练记忆回答，精准度最低；提示词给材料能大幅提升一次性的质量；而智能体一次搭建，长期复用——这才是职教教师AI应用的高阶形态。
6.2 扣子深度实操——五步搭建课程助教
扣子（Coze）是目前最适合职教教师上手做"课程助教"的平台。核心逻辑三层：人设与回复逻辑、知识库、插件。
具体搭建，分五步走：
第一步：写人设与回复逻辑。
用大白话描述清楚这个智能体是谁、能干什么。举例：
"你是《数控机床编程与操作》课程的AI助教。你的职责是：解答学生关于本课程内容的疑问、批改编程作业、推荐针对性练习题。回复风格要耐心、准确，答案要标注引用了教材哪一章的内容。"
描述完，扣子会自动帮你优化成结构化提示词。不用你自己写代码。
第二步：添加插件。
按需勾选：图片理解（学生拍零件图问问题）、网页搜索（补充最新行业信息）、代码执行（运行学生提交的G代码验证结果）。
第三步：上传知识库。
这才是扣子精准度的核心。把你手上这门课的全部材料——教材PDF、讲义Word、课程大纲、往届试卷、习题答案——一次性传进知识库。
以后学生问的任何问题，扣子先从这里查资料，再组织回答。不是靠预训练旧知识硬答，而是基于你自己的课程内容回答。
第四步：选择底层模型。
扣子支持切换底层大模型：豆包、DeepSeek、Kimi都可以。建议选响应速度快的，学生提问等不了太久。
第五步：测试与发布。
自己先用学生常问的问题测一遍——"第三章的编程题怎么做？""期末考试范围是什么？""上次那道错题为什么选B不选C？"——看它答得对不对、引用准不准。调好后再发布，生成链接或二维码，学生扫码就能提问。
自己用的话，保存就行，在个人空间里不会丢。 发布只是为了生成链接或二维码让学生访问。
6.3 ima——会思考的知识库
扣子的定位是"课程助教"——面向学生，答疑批改。ima的定位不一样：面向教师自己，备课神器。
ima的核心特点：像"会思考的知识库"。
操作流程极简：注册账号 → 上传材料 → 直接提问。
上传什么？你的专业文献——期刊论文、学位论文、政策文件、教材章节——一次性传几十篇上去。ima会把它们建成一个知识库，你逐个提问，它按专业身份回答，且标注引用来源。
标注来源这一点很重要。你让它写一份文献综述，它会告诉你"这段观点引自张某某2024年的论文第3节"——有据可查，不乱编。
实操建议：
备课前，把本周要讲的那一章相关的论文、政策一起丢进ima，让它先帮你梳理出"本章涉及的3个核心概念、2个争议点、1个最新政策"——备课效率直接翻倍。 写文献综述时，把50篇相关文献全传上去，让它初稿，你再修改——比你逐篇读再写，节省80%时间。
扣子 vs ima 场景对比表
一句话建议：两个都建。 扣子管"输出"——回答学生；ima管"输入"——帮你吃透内容。
第六章小结
从"用AI工具"到"建AI智能体"，是职教教师AI应用从量变到质变的一步。
扣子：一次搭建，长期复用，学生24小时有助教。 ima：上传文献，专业回答，备课效率翻倍。
2026年的政策方向已经很明确：智能体是下一步的必选项。 早建早受益。
数字分身AI替你干活知识库
▶08 / 第七章：AI赋能评价资源开发——从"出题"到"画像"
7.1 不同类型内容，要用不同的检测工具
资源建好了，课上完了，下一步是评价——学生到底学没学会？
AI能不能帮你出题和批改？能。但不同类型的内容，要用完全不同的检测方法。
很多老师用AI出题，就是"帮我出20道选择题"——太粗糙了。先搞清楚你要检测什么类型的内容，再选方法。
四类内容 × 四种检测方法对照表
这张表的要点在于：内容类型不同，评价工具完全不同。 一个常见的错误是想用选择题测技能、用一张试卷测思政——工具不对，测出来的东西也是错的。
知识类用题目、态度类用量表、思维类用SOLO、技能类用量规——四句话记牢。
SOLO评价法特别说明：
很多老师没听过这个词。SOLO的全称是"Structure of the Observed Learning Outcome"——可观察的学习结果结构。它把学生的思维水平分成五个层级：
- 前结构
：完全不会，答非所问 - 单点结构
：只抓到一点，就下结论 - 多点结构
：抓到几个点，但点之间没有联系 - 关联结构
：能把几个点联系起来，形成整体理解 - 抽象拓展结构
：能在关联基础上，迁移到新情境
课前测一次，课后用同类型题再测一次，对比两次的SOLO层级有没有提升——这才是检测"思维能力有没有进步"的正确方法，而不是看选择题对了几道。
AI可以帮你按照SOLO层级设计不同难度的题目——给它SOLO定义，让它出"单点结构题"和"关联结构题"，对比效果非常清楚。
7.2 用大模型出题的三阶提示词
检测方法选好了，具体怎么让AI帮你出题？
不是"帮我出20道选择题"就完了。提示词质量分三阶，每升一阶，题目质量上一个台阶。
指令型大模型出题（DeepSeek-V3等）
基础版（一阶）： "帮我出5道关于XX知识点的选择题。"
AI能出，但题目质量随机——可能太简单、可能偏离课程目标、可能选项区分度差。
进阶版（二阶）： 用结构化提示词（CO-STAR框架）：
"你是一名职教课程评估专家。请基于《XX课程》第三章'XX知识点'，为高职大二学生出5道选择题。要求：每题4个选项，有且仅有一个正确答案，干扰项要反映学生常见错误。题目难度分为'识记（2题）+理解（2题）+应用（1题）'三层。输出格式：题目→选项A/B/C/D→正确答案→解析（含知识点出处）。"
质量明显提升——目标明确、对象清晰、分层设计。
高阶版（三阶）： 在二阶基础上，把讲课材料直接丢给AI：
"以下是《XX课程》第三章的完整讲稿（附后）。基于讲稿内容，出5道选择题。出题范围仅限于讲稿涵盖的20个知识点，不得超出。"
加了材料约束，AI的题目就跟你的教学内容严格对应了，不会跑偏。
推理型大模型出题（DeepSeek-R1等）
如果任务更复杂——比如"设计一套覆盖整门课的期末试卷"——用推理型大模型更合适。
进阶版提示词结构：
"目标：为《XX课程》设计一套期末试卷。对象：高职大二学生，班级40人。要求：覆盖全课程8个模块，难度分配为识记30%+理解40%+应用30%，总题量40题（单选20+多选5+判断5+简答7+案例分析3）。限制条件：①每道题标注对应课程目标编号；②每题附参考答案和评分标准；③试卷整体难度系数控制在0.75±0.05。"
推理型大模型会帮你先设计试卷结构，再逐模块出题，最后做整体平衡——这正是它擅长的。
数字画像：智慧课程的高阶方向
最后提一个正在发展的方向——数字画像。
智慧课程要求更精准的材料投递、路径指导、反馈指导。这背后需要做到数字画像：对学生性格、知识点掌握、技能水平、态度倾向做完整精准描述。
当前局限：即便你针对目标出了一道题，学生答对了，你只能确定他"这个点会了"——但你不知道他是在哪个认知层级上会的（识记层？理解层？应用层？）。精准画像需要多维度、多层级检测，目前研究和实践还有差距。
但《"人工智能+教育"行动计划》已经把"智能评测、数据驱动的精准教学"写进了政策。方向已定，工具在路上。
出题画像评价
▶结语：技术到了临界点再用，比赶时髦更重要
这篇文章，从大模型原理写到智能体搭建，从提示词写到数字画像。但你如果把全文只记住一句话，我希望是这句——
"应用为王，不要被技术裹挟。"
现在AI工具每个月都在出新款。文生视频、数字人、多模态、具身智能……每个概念出来，朋友圈都炸一波。但你仔细看——很多技术可用性仍然很低，形式大于内涵。
文生视频目前生成几秒、十秒，改几遍还不满意，额度就用完了，尚未达到可用级别。不少技术是为了技术而技术，看着炫，两三个月后发现没用，自然淘汰。
如果一项技术还要你学半天、写半天提示词、甚至编程序才能用，那它就不够"智能"。不够亲民的技术，企业会先解决痛点，会被替代掉。
关注大趋势，等技术到了临界点再入手——比追每一个热点都重要。
那现在什么到了临界点？
大模型对话到了。 2023年GPT-3.5之后，裸对话已经是可用级别。
RAG+知识库到了。 扣子和ima，上传教材就能精准问答，不需要你学任何代码。
提示词工程到了。 CO-STAR框架，用大白话描述需求就行，AI自己帮你优化。
AI出题到了。 结构化提示词+喂材料，出卷效率提升至少十倍。
至于文生视频、数字人——再观望，等它到了"一句话搞定"的临界点再入手。
所以，给你的行动建议就三条：
第一，今天回去，选你正在上的那门课，挑一个知识点，用第三章的工作流走一遍——AI写讲稿→出题→做PPT→做导图——花一小时，出一套微课资源包。
第二，这周内，挑扣子或ima建一个智能体——把教材、讲义传上去，先用自己常问的问题测几轮。一次搭建，长期复用。
第三，下次做PPT的时候，回想一下梅耶——去掉装饰性图片，图下面配文字，画面和声音同步。减法是最高效的优化。
以前做慕课需要团队，现在一个人就是千军万马。
但前提永远是——你自己要懂这门课。
技术是放大器，不是替代品。你不会的，AI也帮你做不好。你会的，AI帮你做得更快。
技术到了临界点再用，比赶时髦更重要。
你们学校开始用AI助教了吗？遇到最大的坑是什么？评论区聊聊。
参考资料
政策文件：
《"人工智能+教育"行动计划》（教育部、国家发改委、工信部、科技部、国家数据局，2026年4月，教科信〔2026〕1号）
数据来源：
《职业教育人工智能应用发展报告（2025版）》（中国职业教育学会，2025年11月）
案例来源：
重庆大学教师发展中心付老师培训效果总结（培训工作坊讲稿，2026年5月） 主讲人"一人一月完成两门慕课"实操案例（同上） 清华大学AI作业使用管理办法（同上） 扣子（Coze）智能体搭建实操指导（同上）
学术来源：
Richard E. Mayer，《Multimedia Learning》（2001年初版，2021年第三版），剑桥大学出版社 Biggs, J. B. & Collis, K. F. (1982), Evaluating the Quality of Learning: The SOLO Taxonomy, Academic Press 韩锡斌等：《2024年职业教育数字化研究与实践新进展》（中国职业教育学会，2025年2月）
🏷️ 关键词：AI工具选择职教AI应用提示词工程智能体搭建课程大纲设计
END
感谢阅读 · 欢迎分享
