基于人工智能大模型构建的教育智能体是人机协同执行教学工作任务的程序，在因材施教、素养培育、思维发展及教育评价等教育场景中有巨大的应用潜力。教育智能体的构建要求技术功能与教学规律和学习者认知特征高度契合，通过精细化角色定位和智能工作流的有机集成，从而确保其发挥应有的教育效能。
　　
　　设计原则 遵循“微场景、深耦合”
　　
　　教育智能体专注于执行教学中更为具体、定向的任务，设计需遵循“微场景、深耦合”原则。“微场景”设计应以“精而准”为原则，聚焦细粒度的问题场景，以具体的教学任务或项目主题为核心单元展开。“深耦合”是指智能体角色和功能的一致性。根据应用场景可将智能体划分为批改助手、学科答疑、思维导师、教学助理等角色，涉及的功能模块包括环境感知（如识别作业图像）、意图理解（如分析学生提问）、动作执行（如进行支架式引导）、教学决策（如进行路径规划）等。对于开放、单一功能的教学需求，可通过提示词快速构建轻量化智能体，涉及多模态交互的复杂教育流程，则需借助大语言模型编排工具实现。
　　
　　智能体的交互方式应根据目标群体来设计，以人机协同的方式与个体展开对话，激发其思考，提升其高阶思维能力。面向儿童的智能体在交互设计上应更加简单易懂，面向高年级学生或者教师可以提供更复杂的功能和选项。为避免认知超载，可以要求智能体分步引导或者根据学生的回应生成相应内容。此外，教育智能体可通过角色扮演、问题提升链、启发式教学等形态，推动学习方式变革与高阶思维发展。如通过角色扮演生成情境故事，让学生体会成语的内涵；利用启发式教学，将经典历史事件转化为图片并通过语音讲述，激发学生的学习兴趣和情感共鸣等。
　　
　　角色设定 利用提示词打造数字人设
　　
　　提示词是智能体的驱动基石，结构化且清晰的提示词能指导智能体生成特定的教学内容。目前，多款人工智能模型支持通过“一段话创建人设”，即描述智能体所扮演的角色、目标任务以及对它生成结果的预期等，由系统自动生成智能体，通过个性化配置可以做进一步完善。
　　
　　在设计教育智能体提示词时，需基于“角色定位—技能体系—任务解构”框架系统化构建数字身份。首先，对于智能体角色的定位，应依据学科素养要求，精准确定教学目标并设定服务场景，如知识点查漏补缺、学习策略优化等。其次，围绕教学目标确定“人物”技能。“技能一”是单独的技能点，如苏格拉底式对话法引导学生自主思考。“技能二”是根据分层教学目标，明确从输入处理、核心功能到关联服务的流程规划，如识别学生提问中的语法错误、通过电影台词等素材生成记忆口诀，之后关联同类易错题生成闯关游戏等。“技能三”是根据认知推理路径，以专家视角给出智能体解决问题的过程。如遵循“情境分析—知识匹配—趣味转化—总结提升”的处理路径，推荐个性化策略，在这一过程中，需要给出明确的示例，以增强智能体对隐性问题的理解，提升输出质量。
　　
　　此外，规范输出形式，规定反馈输出中的正误、巩固和建议信息，明确特定环节的约束条件，并设定人文关怀阈值。如单次训练题量小于10道，每4次交互给出一次鼓励性话语，以确保内容生成严谨、教育过程“有温度”。
　　
　　应用部署 基于认知规律设定工作流
　　
　　教育智能体的设计本质上是模拟专家信息处理与认知建模的过程，这一过程需要通过编排工具创建工作流实现人机协同工作。所谓工作流是由预设的节点链路构成的，节点之间的连接不仅是物理上的排列，更体现了认知逻辑上的先后顺序。
　　
　　教育智能体的架构应基于教学认知规律，围绕“目标导向—知识建构—认知迁移”的递进过程展开。首先，精准分析学生认知起点与教学目标之间的“最近发展区”，以此配置工作流的开始节点。其次，根据不同教学场景灵活选择合适的模型或通过整合多个模型及教学插件，实现多模态交互、学科专用工具集成等。如豆包适合图文答疑互动，能够以生动的图文形式解答疑问；DeepSeek长于思维逻辑训练，助力学生培养严谨的思维能力；文心一言则在多任务学习与自然语言领域表现出色。为了进一步提升智能体在特定领域的知识储备，可以通过导入多媒体资料或外部链接的方式建立知识库，从而增强回答的专业性和准确性。
　　
　　以作业批改场景为例，当学生上传手写作业图片后，系统自动调用图像识别和公式识别插件完成文字提取与公式转换，生成结构化作业数据。智能批改中枢随即启动，精准定位错题对应的知识缺口，同步调用教学资源，通过代码解释器生成分步骤动画解题演示。在此过程中，系统智能标注知识点薄弱项并同步至教师管理端，结合弹性参数设置，对基础薄弱学生侧重反馈强化与变式训练，对学有余力者推送拓展探究任务，从而开展分层教学。
　　
　　教育智能体部署前需进行预览与调试，确保流程顺畅运行。同时，应开展角色一致性校验，通过设计模拟场景，关注智能体的回答质量以及与学科的匹配程度，还应定期监测智能体的表现，及时纠正偏差并提供反馈。
　　
　　（作者系淮北师范大学教授、数字学习与教育公共服务教育部工程研究中心特聘研究员，本文系国家社科基金后期资助项目“智能时代的学习投入研究”［23FJKB014］研究成果）