从“会回答问题”到“能够再造课程”：AIP-TDA-MAS2.0-MVP 正式发布

近日，我开发的 AIP-TDA-MAS2.0-MVP｜AI-PBL/PjBL通用课程再造多智能体系统，已经发布到扣子商店。

体验地址：

https://www.coze.cn/store/agent/7659825707149180971?bot_id=true&bid=6kkj4k6i0601a

欢迎高校教师、课程负责人、教材作者、教学设计人员以及产教融合项目团队访问、测试，并提出意见和建议。

这次发布的 MAS2.0，并不是简单地在原有智能体上“再增加几个功能”，而是尝试完成一次更重要的升级：

从单一问答智能体，走向面向课程再造的多智能体系统。

这里的 MAS，即 Multi-Agent System｜多智能体系统；
MVP，即 Minimum Viable Product｜最小可行产品。

它目前还是一个正在持续迭代的样机，但已经初步验证了：AI不仅可以回答教师的问题，还可以按照较为清晰的专业分工，协助教师完成从课程内容分析到教学设计、评价设计和治理检查的一条完整链路。

一、为什么要开发这样一套课程再造系统？

当前很多所谓“AI赋能课程”，主要还是在原有课程旁边增加一个聊天机器人：

• 学生不懂时问一问；

• 教师备课时让AI生成一些内容；

• 作业完成后让AI帮忙评价；

• 教材旁边放一个二维码，进入智能问答。

这些做法有价值，但还没有触及课程改革的核心。

真正的课程再造，不只是给原来的课程加一个AI助手，而是要重新回答以下问题：

• 学习从什么真实问题开始？

• 学生要完成什么项目成果？

• 学生在项目中需要作出哪些专业判断？

• 哪些学习过程必须留下证据？

• AI在什么时刻介入？

• AI可以帮助什么，又不能替代什么？

• 教师如何看见学生的思考过程？

• 评价量规如何与任务、证据和能力目标对齐？

因此，我开发 MAS2.0 的基本出发点是：

以真实问题为起点，以项目任务为载体，以过程证据为评价基础，以AI智能体为学习支架，以教师在环为质量保障。

其英文可以概括为：

Problem-driven, project-organized, evidence-based, agent-supported and teacher-governed learning.

二、它不是一个“万能Bot”，而是一个串联式多智能体系统

AIP-TDA-MAS2.0-MVP 当前采用的是一条串联式课程再造流程：

Hub Router｜课程再造主控路由器
↓
AI-MFT Course Agent｜机械制造技术基础课程包智能体
↓
PBL/PjBL Method Agent｜问题导向与项目化学习方法智能体
↓
Teacher Design Pack Agent｜教学设计成果包智能体
↓
AI-PBL Governance & Boundary Agent｜通用治理与边界检查智能体

这几个智能体并不是简单重复回答同一个问题，而是各自承担不同职责。

1. Hub Router：判断“现在应该做什么”

Hub Router｜课程再造主控路由器负责识别用户输入属于哪个阶段：

• 是原始教材内容？

• 是课程再造种子？

• 是PBL/PjBL方法结构包？

• 是完整教学设计成果包？

• 还是需要进行治理检查？

它不负责包办所有结果，而是判断任务类型、说明理由，并把任务引导到合适的智能体。

这相当于整个系统的“调度中心”。

2. AI-MFT Course Agent：提供专业课程土壤

当前MVP首先配置了：

AI-MFT Course Agent｜机械制造技术基础课程包智能体

其中，MFT来自：

Mechanical Manufacturing Technology Fundamentals｜机械制造技术基础

这个智能体负责理解机械制造课程中的专业内容，例如：

• 毛坯选择；

• 基准选择；

• 工艺路线；

• 工序安排；

• 加工余量；

• 工序尺寸；

• 尺寸链；

• 夹具定位与夹紧；

• 加工精度与表面质量。

它的任务不是直接生成完整教案，更不是替学生完成工艺方案，而是把教材内容转化为：

• 工程情境；

• 知识点映射；

• 工程矛盾；

• 项目成果种子；

• 过程证据种子；

• AI学习支架建议；

• 教师审核点。

这也是 MAS2.0 平台化设计的重要基础：

通用方法内核保持稳定，不同课程通过可替换的 Course Pack｜课程包接入。

未来可以进一步接入酒店管理、市场营销、人力资源管理、人工智能导论、大学英语、护理、财经等课程包。

3. PBL/PjBL Method Agent：防止“伪项目化”

很多教材已经有“课程项目”“任务驱动”“案例研讨”，但有项目的名称，并不等于真正实施了PBL/PjBL。

PBL，即 Problem-Based Learning｜问题导向学习，重点是围绕真实、复杂、开放的问题进行分析、追问、判断与反思。

PjBL，即 Project-Based Learning｜项目化学习，重点是围绕完整项目完成方案设计、成果产出、展示答辩与迁移应用。

PBL/PjBL Method Agent 的作用，就是把传统任务进一步转化为：

• Driving Problem｜驱动问题

• Inquiry Phases｜探究阶段

• Question Tasks｜问题任务

• Expected Evidence｜预期证据

• AI Moments｜AI介入时刻

• Collaboration Design｜协作设计

• Rubric Dimension Seeds｜评价维度种子

• Teacher Review Notes｜教师审核提示

它要重点检查：课程是不是从真实问题开始，学生是不是需要进行判断和选择，项目成果是否可以展示和评价，AI是不是仅仅提供脚手架，而不是成为“答案批发商”。

三、以《机械制造技术基础》为例，MAS2.0做了什么？

在本次测试中，我选择了《机械制造技术基础》课程项目六“机械加工工艺基础”，以：

台阶轴加工工艺路线拟定与多方案比较

作为首个样板任务。

原教材已经具备较好的项目化基础，包括企业订单情境、工艺性分析、毛坯选择、基准选择、工艺路线、加工余量、尺寸链和技术经济分析等内容。

MAS2.0进一步把这些内容重构为一个较完整的 AI-PBL/PjBL 教学项目。

1. 从知识点罗列转向真实工程情境

学生不再只是依次学习若干知识点，而是以“工艺工程师助理小组”的职业角色，面对一个模拟企业任务：

某机械制造企业接到一批台阶轴零件加工订单。学生需要根据教师提供的零件图、材料、生产纲领、设备条件和质量要求，完成工艺规程设计，并形成可评价的过程证据包。

2. 从完成一道题转向解决一个开放问题

系统生成的驱动问题不再是“请写出工艺路线”，而是：

作为工艺工程师助理小组，如何依据零件图、生产纲领、材料、设备条件和质量标准，完成台阶轴加工工艺规程设计，并形成可评价的过程证据包？

这个问题没有一个可以机械照抄的唯一答案。

学生需要比较不同方案，说明选择依据，并在质量、效率、成本和设备条件之间作出权衡。

3. 从提交最终答案转向形成过程证据包

学生最终提交的，不只是一个“正确工艺路线”，而是一组可以观察、评价和追踪的学习证据，包括：

• 零件图关键参数提取表；

• 零件工艺性分析表；

• 毛坯选择依据表；

• 粗基准与精基准选择说明；

• 多种工艺路线比较表；

• 主要工序安排说明；

• 加工余量与尺寸链分析记录；

• 技术经济比较说明；

• AI使用记录与人工复核说明；

• 小组反思日志；

• 展示答辩材料。

这一变化非常重要。

因为教师真正需要评价的，不只是学生最后交上来什么，还包括：

学生是如何发现问题、分析条件、比较方案、作出判断并修正错误的。

四、它能生成的不只是“一个教学方案”

经过串联处理，Teacher Design Pack Agent 可以进一步生成较完整的教师端教学设计成果包，包括：

• Learning Outcomes｜教学目标

• Student Project Task Sheet｜学生项目任务书

• Teaching Process｜教学流程设计

• Evidence Table｜学生过程证据表

• L1—L4 Rubric｜四级评价量规

• AI Usage Guidelines｜AI使用说明

• Teacher Implementation Notes｜教师实施建议

• Missing Information｜缺失信息清单

• Governance Handoff｜治理交接包

评价也不再只看“答案是否正确”，而是可以覆盖：

• 零件工艺性分析；

• 毛坯与基准选择；

• 工艺路线合理性；

• 多方案比较质量；

• 加工余量与尺寸链分析；

• 技术经济意识；

• 过程证据完整性；

• 小组协作与展示；

• AI使用合规性；

• 人工复核与专业判断。

也就是说，评价对象从单一结果，转向：

知识、能力、问题力、协作过程、专业判断和AI素养的综合表现。

五、这版智能体最重要的特点，是“AI有边界”

我始终认为，教育智能体最危险的问题，不是它不会回答，而是它回答得太快、太完整，反而替学生完成了本应由学生经历的思考过程。

因此，MAS2.0明确坚持：

AI as a scaffold, not an authority.
AI是学习脚手架，而不是权威裁判。

在“台阶轴加工工艺规程设计”项目中，AI可以用于：

• 解释专业概念；

• 生成零件图阅读检查清单；

• 提供工艺性分析维度；

• 提供基准选择检查框架；

• 生成工艺路线比较模板；

• 提醒可能遗漏的质量、效率和成本因素；

• 检查过程证据是否完整；

• 提供反思问题；

• 优化表达与展示结构。

但AI不得用于：

• 直接生成完整工艺路线；

• 直接生成完整工序卡；

• 直接给出尺寸链计算结果；

• 直接确定唯一最优方案；

• 替学生完成最终项目报告；

• 替教师作出专业结论；

• 隐瞒AI使用过程；

• 编造材料牌号、尺寸公差、设备型号、生产纲领和企业数据。

材料牌号、零件尺寸、公差要求、表面粗糙度、设备型号、生产纲领、成本参数等专业信息，必须来自教师、教材、企业案例或经过确认的课程资料。

AI不能“一拍脑袋就开机床”。毕竟，幻觉写在屏幕上只是文字，落到车间里可能就不只是文字了。

六、把Governance嵌入课程再造，而不是最后补一句“请注意安全”

MAS2.0中的最后一个智能体是：

AI-PBL Governance & Boundary Agent｜通用治理与边界检查智能体

它执行的是 Governance Dry-run｜治理预检查，重点检查：

• Answer Leakage｜答案泄漏

• AI Boundary｜AI使用边界

• Evidence Completeness｜过程证据完整性

• Rubric Alignment｜量规对齐

• Privacy / PII｜隐私与个人信息风险

• Teacher Review Required｜教师审核要求

根据风险程度，可以输出：

• PASS｜通过

• CONDITIONAL_PASS｜有条件通过

• SAFE_REWRITE｜需要安全改写

• BLOCK｜阻断

例如：

学生要求AI直接提供完整工艺路线、完整夹具设计或可直接提交的报告，系统应当阻断或安全改写；

教学项目已经有驱动问题和项目任务，但缺少过程证据或评价量规，则应当提示有条件通过，并要求补充；

即使结构基本完整，也仍然需要：

Teacher Review Required｜教师审核。

这体现了我一直强调的 Teacher-in-the-loop｜教师在环原则：

AI可以参与分析、生成、提示和检查，但最终的专业判断、教学判断和课堂实施决策，必须由教师负责。

七、MAS2.0与普通教学智能体有什么不同？

概括起来，这一版主要体现了五个转变。

从单一智能体转向多智能体协同

Single Agent → Multi-Agent System

不同智能体分别承担课程理解、方法重构、教学设计和治理检查任务。

从回答教师问题转向支持课程再造

Question Answering → Course Redesign

它不只告诉教师“怎么做”，还尝试形成一套可以继续修改、审核和实施的结构化成果。

从知识点组织转向问题与项目组织

Content-centered → Problem-driven and Project-organized

知识不再孤立讲授，而是嵌入工程问题、项目任务和专业判断之中。

从评价最终答案转向评价过程证据

Final Product → Evidence Chain

教师可以通过过程证据看见学生如何思考、比较、判断、协作和反思。

从AI自由生成转向教师在环治理

AI Generation → Teacher-governed AI

AI不是越强越好，而是要在正确的时间、正确的位置，以正确的方式提供支持。

八、当前版本仍然是MVP

我也想特别说明：这次发布的是 MAS2.0-MVP，不是一个已经完成的商业化教学平台。

当前版本主要验证的是：

• 多智能体分工是否清晰；

• 课程再造链路能否跑通；

• 不同阶段能否形成结构化成果；

• AI使用边界能否被识别；

• 教师审核机制能否嵌入流程；

• 《机械制造技术基础》课程包能否作为首个样板。

目前仍可能需要用户按照系统提示，将上一步的输出继续交给下一个智能体处理；部分专业参数、课程资料和教学条件也需要教师补充。

它暂时还不能替代：

• 教师的课程经验；

• 专业教师的技术审核；

• 企业真实案例的验证；

• 正式课堂试点；

• 学生学习数据分析；

• 完整Web数字教学平台。

但我认为，MVP的价值不在于功能“看上去很多”，而在于一个关键闭环是否真正成立。

这次测试至少说明：

从原始教材任务，到课程再造种子，再到PBL/PjBL方法结构、教师教学设计成果包和治理边界检查，这条链路已经初步建立起来。

样机已经启动，接下来要做的是让它运行得更稳定、更专业、更好用，而不是急着给它装上“万能”的招牌。

九、欢迎试用：您可以这样开始

目前版本优先支持《机械制造技术基础》课程测试。

您可以尝试输入：

请基于《机械制造技术基础》课程项目六“机械加工工艺基础”，以“台阶轴加工工艺路线拟定与多方案比较”为样板，完成AI-PBL/PjBL课程再造。

也可以输入某一具体需求，例如：

请把“机床夹具基础”中的轴类零件径向孔钻削夹具设计，转化为PBL/PjBL课程再造种子。

请根据以上课程再造种子生成驱动问题、问题链、探究阶段、过程证据和AI Moments。

请根据以上方法结构包生成学生项目任务书、教学流程、过程证据表和L1—L4评价量规。

请对以上教学设计成果包执行Governance Dry-run，检查答案泄漏、AI边界、过程证据和量规对齐。

其他课程教师也可以尝试提供：

• 课程名称；

• 教材章节或项目；

• 学生对象；

• 学时安排；

• 真实问题或职业情境；

• 期望学生完成的成果；

• 当前课程改革中的困难。

我也非常期待用更多不同学科课程进行测试，逐步验证“通用方法内核+可替换课程包”的可行性。

十、期待与更多教师共同完善

AIP-TDA-MAS2.0-MVP不是终点，而是我围绕 AI Agent-Enabled PBL/PjBL｜AI智能体赋能的问题导向与项目化学习进行研究与实践的一次新尝试。

下一步，我希望继续推动：

• 更多专业课程包开发；

• 教师端与学生端智能体分离；

• Question Competency｜问题力评价；

• Evidence-Rubric Alignment｜证据与量规对齐；

• QSDI｜教学设计质量反馈；

• 纸质教材与数字教材一体化；

• Web交互式教学系统；

• 教学过程数据沉淀与学习分析；

• Dify、DeepSeek与自有数据库支撑的长期平台。

一套真正有教育价值的智能体系统，不应只是更快地生成内容，而应帮助教师设计更好的学习，帮助学生经历更有价值的思考。

欢迎大家访问、体验、批评，也欢迎高校、出版社、课程团队和AI技术公司与我交流合作。

扣子商店体验地址：

https://www.coze.cn/store/agent/7659825707149180971?bot_id=true&bid=6kkj4k6i0601a

联系微信：tree_ye1961

期待与更多同行一起，把AI从“答案工具”转化为“问题支架”，把智能体从“聊天助手”发展为真正能够支持课程改革、教师发展和学生成长的教学系统。