夜雨聆风
过去两年，大模型快速普及，人工智能成为高校数字化建设最重要的技术变量之一。
从部署通用大模型，到建设校园知识库；从推出AI助手，到开发各类智能应用，越来越多高校开始将人工智能融入教学、科研、管理和服务场景，AI建设进入快速发展阶段。
如果说2025年是云端智能体快速普及的一年，那么随着智能体自主规划、工具调用、任务执行等能力不断成熟，2026年AI正在从"回答问题"走向"完成任务"，产业发展的重点也开始从模型能力转向智能体执行能力。
对于高校而言，这意味着AI建设正在发生新的变化。
过去，建设重点更多是让AI"知道更多"——接入模型、建设知识库、优化提示词、开发智能应用，让AI能够理解校园知识、回答校园问题。
未来，建设重点将逐步转向让AI"做得更多"——能够理解业务目标、自主规划任务、调用校园系统、协调多个工具，并最终完成一项具体工作。
这种变化看似只是AI能力的升级，本质上却意味着高校数字基础设施正在进入新的发展阶段。
过去，数字校园主要服务于师生，业务系统围绕"人"进行设计；未来，数字校园不仅要服务于人，还需要服务于越来越多参与校园工作的智能体。
支撑这一变化的，已经不仅仅是更大的模型、更丰富的知识库，而是一套能够让智能体安全运行、持续协同、可靠执行的新型数字基础设施。
高校AI建设，也因此进入了真正意义上的"下半场"。
一、高校AI建设的上半场：模型接入与应用扩张
回顾过去两年的高校AI建设，可以发现，虽然建设形式不断丰富，但总体仍然围绕云端智能体展开。
这一阶段，高校关注的重点是如何更快、更低成本地将AI能力引入校园，并不断扩大应用覆盖范围。从最初接入通用大模型，到建设校园知识库，再到开发各类智能助手，高校AI应用逐步从单点探索走向规模化建设。
总体来看，高校AI建设主要形成了四种典型模式。
第一类，直接使用的大模型智能应用
这类应用以豆包、元宝、通义、Kimi、DeepSeek等为代表，高校师生无需开发即可直接使用，主要承担智能问答、内容生成、学习辅助、办公协同等功能，是目前应用最广泛的一类AI产品。
第二类，高校私有化部署的智能体应用
随着数据安全、科研保密和业务连续性的要求不断提高，越来越多高校开始建设校内私有化大模型平台，并结合校园知识库，为教务、人事、科研、财务等业务提供智能问答、政策咨询、流程辅助等服务，实现数据不出校、能力可管可控。
第三类，零代码智能体开发平台
以Dify、FastGPT、Coze（扣子）等平台为代表，通过知识库管理、工作流编排、可视化配置等能力，大幅降低了智能体开发门槛，使业务部门和信息化人员能够快速构建校园智能应用，加快了高校AI应用的创新速度。
第四类，智能体开发框架
以LangChain、LangGraph、LlamaIndex等框架为代表，主要面向高校信息中心和开发团队，为复杂业务开发、多智能体协同、工具调用以及系统集成提供底层开发能力，是高校构建智能应用平台的重要技术基础。
可以说，过去两年的高校AI建设，大多围绕这四类能力展开。它们共同构成了高校AI建设的"上半场"，也推动校园数字化开始迈向智能化。
这一阶段，高校解决的核心问题是：如何让AI能够理解校园知识，并更方便地服务师生。
知识库增强了AI获取和检索校园知识的能力，工作流提升了AI处理业务流程的效率，各类智能助手则不断拓展AI在教学、科研、管理和服务中的应用边界。过去两年，高校AI应用数量快速增长，也积累了丰富的建设经验。
但随着应用不断深入，一个新的瓶颈也逐渐显现。
无论是智能问答、知识检索，还是工作流自动化，大多数应用仍然停留在"辅助决策"阶段。AI可以回答问题、生成内容、提出建议，却很难真正完成一项校园业务。
例如，当教师希望办理科研项目申报时，AI可以帮助解读政策、整理材料，却无法根据权限自动查询科研系统、补充缺失信息、协调多个业务平台、提交申请并持续跟踪办理进度；当学生咨询毕业手续时，AI可以说明办理流程，却仍然需要学生在多个系统之间反复操作，逐项完成材料提交、信息确认和业务办理。
这实际上就是当前高校AI建设面临的"最后一公里"问题。
AI已经能够理解知识，却还不能真正理解业务；能够生成答案，却还不能真正完成任务；能够辅助决策，却还难以成为校园业务的执行主体。
因此，未来高校AI建设需要解决的问题，已经不再只是"AI知道什么"，而是进一步回答"AI如何真正把一项工作做完"。
这也意味着，高校AI建设正在从以模型部署、知识增强和应用开发为代表的云端智能体阶段，逐步迈向以任务执行、业务协同和持续运营为特征的智能体基础设施阶段。
二、从“会回答”到“能执行”，AI跨过了什么门槛？
推动高校AI建设进入新阶段的直接因素，是智能体能力边界正在发生变化。
过去，大模型最主要的能力是理解语言、生成内容和回答问题。无论是校园智能问答、知识库检索，还是教学辅助、办公写作，其核心仍然是帮助用户获取信息和生成内容。
而近一年以来，随着大模型推理能力不断提升，智能体开始具备自主规划、工具调用、连续执行和结果反馈等能力，AI正在从"对话助手"逐步演变为能够完成真实工作的"任务执行者"。
这种变化，并不是模型参数变得更大，而是智能体开始拥有了完整的任务执行能力。
过去，AI通常只能完成一次对话。
今天，一个智能体可以根据用户目标，自主拆解任务，规划执行步骤，调用多个工具，连接不同系统，并根据执行结果不断调整后续动作，直到完成整个任务。
例如，当用户提出"完成科研项目申报材料"这一目标时，智能体不再只是生成一份申请书，而是能够进一步完成政策查询、材料整理、预算检查、表单填写、成果汇总等多个环节，并根据执行情况持续调整后续流程。
对于高校而言，这意味着AI开始真正进入业务流程，而不仅仅停留在业务咨询。
推动这一变化的，主要来自三个方面。
首先，模型推理能力不断提升
近年来，大模型已经从简单的信息生成，逐步发展到复杂任务规划、多步骤推理和长流程执行。模型开始能够理解复杂业务目标，并形成较为完整的执行计划，而不仅仅是回答单个问题。
其次，工具调用能力不断成熟
越来越多的大模型能够主动调用知识库、数据库、浏览器、办公软件以及第三方系统接口，把原本割裂的能力连接起来，形成连续工作的能力，而不仅仅依赖人工在不同系统之间反复切换。
更重要的是，智能体开始具备了真实的执行能力
过去，AI更多停留在"告诉你应该怎么做"。
现在，它开始能够真正"替你完成一部分工作"。
例如读取文件、整理材料、生成报表、调用校园业务系统、发送通知、更新数据，甚至根据任务结果继续执行下一步工作。
AI开始从"给答案"逐步走向"交付结果"，这也是当前全球智能体发展的一个重要方向。
对于高校来说，这意味着数字校园面临一个新的挑战。
过去建设的信息系统，大多数都是围绕"人"设计的。
教师登录系统。
学生登录系统。
管理员登录系统。
所有业务流程，都默认操作者是一个人。
而未来，当越来越多智能体开始参与校园工作之后，它们同样需要查询数据、调用业务能力、跨系统协同完成任务。
数字校园开始迎来新的服务对象——不仅是教师、学生和管理人员，也包括越来越多代表师生工作的智能体。
这意味着，数字校园建设的重点，也将从过去的"数据共享、系统集成"，进一步走向"能力开放、智能协同"。
过去解决的是信息如何流动。
未来解决的是任务如何完成。
而这，也正是高校AI建设进入下半场的真正原因。
三、智能体需要的，不只是数据互通
过去二十多年，高校数字校园建设主要解决了两类问题：一是把线下业务搬到线上，二是让分散在不同系统中的数据流动起来。
统一身份认证、数据交换、主数据管理和业务中台等基础设施，逐步打通了教务、人事、科研、财务、资产和学工系统。师生可以在线办理业务，管理人员也能够跨部门查询数据、汇总报表。
这套体系的默认使用者，一直是人。
系统通过页面和菜单提供服务。用户理解业务规则，选择功能，填写信息，再把流程一步步向前推进。数据互通改善了使用体验，却没有改变基本操作方式。
智能体进入校园业务后，这套逻辑开始面临新的挑战。
以科研项目申报为例，智能体不仅需要读取申报通知和科研成果，还要核验申报资格、补充历史信息、生成材料、填写表单，并在关键节点发起确认。完成这项任务，单纯获得数据访问权限还不够，它还必须能够调用具体的业务动作。
查询课表是一项能力，核验身份是一项能力；生成证明、提交申请、发起审批、发送通知和更新状态，同样都是能力。
数据告诉智能体校园里"有什么"，业务能力决定它实际上"能做什么"。
这也是系统互联与能力开放之间最关键的区别。
过去，高校通常围绕具体业务建设系统，再通过接口交换数据。面向智能体，隐藏在系统内部的功能还需要被进一步抽象，形成可发现、可授权、可调用、可审计的标准服务。
高校因此需要在数据目录、知识目录之外，逐步建立一套业务能力目录。
它不是简单罗列系统接口，而是回答几个更实际的问题：校园能够提供哪些业务能力，谁可以调用，在什么条件下调用，执行后会产生什么结果，又应由谁承担责任。
一项成熟的业务能力，应当有明确的输入输出、身份要求、权限边界、风险等级和审计规则。智能体不必理解每个系统的内部结构，只需在授权范围内选择和调用相应能力。
过去，数字校园以系统为基本单元：教务是一套系统，科研是一套系统，财务又是另一套系统。未来，业务仍由这些系统承载，但系统中的部分功能将以标准能力的方式被重新组织，供不同智能体按需组合。
智能体不是业务系统的替代者。它更像一层新的执行界面，将用户目标转化为对校园能力的调用，并在多个系统之间组织任务。
数字校园的建设重点，也将由"系统是否连通"进一步转向"能力能否协同"。
系统互联解决信息流动，能力开放才可能支撑任务完成。
四、真正需要升级的，是智能体基础设施
过去两年，谈到高校AI建设，人们最关注的话题往往是模型。
使用哪个大模型？ 参数规模有多大？ 是否支持私有化部署？ 是否接入校园知识库？
这些问题固然重要，但随着智能体开始承担越来越复杂的业务任务，仅靠模型本身已经无法决定AI应用的实际效果。
一个真正能够完成工作的校园智能体，并不是简单地"调用一次模型"，而是需要在复杂业务环境中持续运行。
它需要理解用户目标，制定执行计划，调用校园业务能力，协调多个系统完成任务，并在执行过程中不断验证结果、修正策略，直到最终完成整个业务流程。
因此，未来高校AI建设真正需要升级的，并不是单一模型，而是支撑智能体持续运行的新型数字基础设施。
如果说，大模型是智能体的"大脑"，那么高校还需要建设智能体的"神经系统"和"行动系统"。
这套基础设施至少应包括四个核心层次：
第一层：模型与知识平台：提供认知能力
模型依然是整个智能体体系的基础。它负责语言理解、逻辑推理、知识分析、任务规划等智能能力，也是智能体形成决策的核心来源。
与此同时，高校建设的大模型平台也正在从单一模型部署，逐步发展为统一模型服务平台。
一方面，需要能够灵活接入不同类型的大模型，根据不同场景选择最适合的能力；另一方面，也需要持续建设校园知识库，将学校制度、管理办法、业务规范、课程资源等沉淀为智能体可理解、可检索、可引用的知识体系。
这一层解决的是智能体"知道什么、理解什么、如何思考"的问题。但知道，并不意味着能够做到。
第二层：智能体运行时：把目标变成执行过程
真正决定智能体能力上限的，不只是模型，而是智能体运行时。它可以理解为智能体的大脑控制中心。
用户提出一个目标之后，运行时负责理解任务意图，拆解执行步骤，规划工作流程，调用模型、知识库和各种工具，并根据执行结果不断调整下一步动作。
一个完整的智能体执行过程，通常包括四个环节：
感知（Perception）——理解用户目标和业务上下文； 规划（Planning）——制定执行方案，拆解任务步骤； 执行（Execution）——调用模型、工具和业务能力完成任务； 验证（Verification）——检查执行结果，必要时重新规划或继续执行。
这一循环会持续进行，直到任务完成。这意味着，智能体不再是一次性的问答工具，而是一个能够持续工作的执行主体。
未来，高校建设智能体，不只是部署一个模型，更需要建设能够稳定支撑智能体持续运行的运行环境。
第三层：校园业务能力平台：让系统真正可调用
对于高校而言，真正制约智能体落地的，往往不是模型能力，而是业务能力。
今天的大多数校园系统，本质上仍然是面向人的应用系统。教师登录教务系统办理业务，学生登录迎新系统完成注册，管理员登录科研系统审批项目，所有业务流程，都默认操作者是人。
而未来，越来越多工作将由智能体协助完成。它们同样需要查询数据、填写表单、提交申请、更新状态、发送通知、调用审批流程。
因此，高校不仅需要开放数据，更需要开放业务能力：查询课表、查询科研成果、生成在校证明、核验身份信息、办理请假、发起审批、发送通知、更新业务状态……
这些能力都应该逐步从各业务系统中抽象出来，形成标准化、服务化、可授权调用的能力接口。
未来，高校需要建立的不仅是数据目录、知识目录，更应建设统一的业务能力目录。
对于智能体来说，它不需要了解每个系统的内部逻辑，只需要知道：校园有哪些能力可以调用、哪些能力可以调用、在什么权限下调用、调用后能够完成什么工作。
这样，校园数字基础设施就从"系统集成"真正演进为"能力协同"。
第四层：智能体治理平台：为执行划定边界
智能体能够执行任务，也意味着它拥有了更大的操作权限。如果缺少治理体系，智能体越智能，潜在风险也越大。
因此，高校未来建设的重点，将不仅是提升智能体能力，更要建立贯穿全生命周期的治理体系。
身份认证和权限管理
每一个智能体都应具有明确身份，并按照最小权限原则获取授权，任何超出授权范围的操作都应被拒绝执行。
安全执行环境
涉及文件操作、代码运行、外部访问等高风险任务，应在隔离沙箱中完成，防止对校园业务系统造成影响。
关键节点人工确认
对于涉及审批、财务、学生管理等重要业务，智能体可以提出建议、完成准备工作，但最终执行仍应保留人工确认机制，实现"人在回路"。
全过程审计和持续运营
智能体每一次调用模型、访问知识、执行工具、操作业务系统，都应形成完整日志，实现行为可追踪、过程可审计、结果可追溯。同时，通过持续评测和运营分析，不断优化智能体能力、安全策略和业务流程。
未来，高校智能体治理将不再只是传统的信息安全，而是一套覆盖身份、权限、执行、安全、审计和运营的完整治理体系。
综上可以看到，当AI从"回答问题"走向"完成任务"时，高校数字基础设施建设的重点也随之发生改变。
过去关注的是模型、数据和系统。
未来关注的，则是模型、运行时、业务能力和治理体系共同构成的智能体基础设施。
这不仅是一次技术架构的升级，更意味着高校数字校园正在从"面向人"的数字化平台，演进为同时服务于人与智能体的新一代智能基础设施。
五、从系统建设转向AI能力运营
每一次数字技术的重大变革，都会带来高校信息化建设重点的调整。
从网络基础设施，到数字校园，再到智慧校园，高校信息中心承担的职责不断发生变化。
过去，信息中心更多关注网络、服务器、数据库、业务系统等基础设施建设；数字校园阶段，重点逐步转向系统集成、数据治理和业务协同；而随着智能体时代到来，高校信息中心也正在迎来一次新的能力升级。
未来，信息中心建设的不再只是信息系统，而是一套支撑智能体持续运行的数字能力体系。
首先，建设重点需要发生变化
过去，高校信息化建设往往以业务系统为中心，一个部门建设一个系统，一个系统对应一项业务。
未来，高校更需要建设统一的平台能力：
模型能力统一管理 知识统一组织 业务能力统一开放 智能体统一运行 安全统一治理
只有形成统一的能力底座，智能体才能跨越不同业务系统，实现真正意义上的业务协同，而不是形成新的"智能烟囱"。
其次，组织能力需要同步升级
智能体建设不仅仅是部署一个模型，更是一项持续运营工作。
未来，高校信息中心不仅需要具备传统的软件开发和系统运维能力，还需要逐步建立模型管理、知识运营、智能体开发、业务编排、安全治理和运行评测等新能力。
信息中心的角色，也将从传统的信息化建设部门，逐步转向校园智能能力运营中心。
与此同时，业务部门的参与方式也需要发生改变。
过去，业务部门更多提出需求，由技术部门完成系统开发。
未来，业务部门既是智能体的使用者，也是能力建设的重要参与者。
哪些业务可以开放？ 哪些流程适合智能体执行？ 哪些环节必须人工确认？ 哪些能力可以标准化？
这些都需要业务部门和信息中心共同设计、持续优化。
智能体建设，不再只是技术项目，而是一项覆盖管理、业务和技术的系统工程。
更重要的是，高校需要选择合适的建设路径
智能体时代并不意味着所有业务都要立即实现自动执行。相反，应坚持"小步快跑、持续迭代"的原则，优先选择高频、标准化、低风险、易验证的业务场景开展试点。
例如校园政策咨询、证明材料生成、科研成果统计、会议组织、通知发布、跨系统信息查询等，都具有业务规则明确、执行过程可验证、风险相对可控等特点，更适合作为智能体建设的切入点。
随着业务能力不断沉淀、治理体系逐步完善，再逐步向科研管理、人事服务、教学管理等更加复杂的业务场景延伸，实现智能体能力的持续演进。
对于高校而言，智能体建设不应追求一次性完成，而应像数字校园建设一样，通过持续积累能力、不断开放业务、逐步完善治理，形成长期演进的智能基础设施。
结语
回顾高校信息化的发展历程，每一次技术变革都会推动数字基础设施发生新的演进。
互联网时代，高校建设的是网络基础设施。 数字校园时代，高校建设的是业务系统和数据基础设施。
今天，随着智能体逐步成为校园数字空间中的新型参与者，高校正在迎来智能体基础设施建设的新阶段。
这一阶段，模型依然重要，但已经不再是唯一的竞争力。
真正决定高校AI建设成效的，将是能否建立一套支撑智能体持续运行、业务协同、安全治理和持续运营的新型数字基础设施。
未来，高校数字校园不仅要连接人与系统，更要连接模型、智能体、业务能力和校园治理，形成面向智能时代的新一代校园数字底座。
高校AI建设进入下半场，比模型更需要升级的，不是某一个应用，也不是某一种技术，而是支撑智能体持续创造价值的整个数字基础设施。
