基于AI大模型的“微机原理”课程思政教学智能体构建和应用

Construction and application of a curriculum-based ideological and political teaching agent based on AI large language model in the Principles of Microcomputers Course

摘要

随着人工智能技术的不断发展，信息内容的生成形式和传播方式有了根本变化。多模态AI大模型是当下最前沿的人工智能技术，在教育领域有着巨大的应用价值和潜力。目前，高校课程思政教学存在日益凸显的专业与思政脱节问题。基于AI大模型的智能体能解决高校思政教学与专业课程教学融合衔接困难等诸多难题，并为高校课程思政教学带来全新的教育实践模式。针对医学影像工程专业基础课程“微机原理”的思政教学工作，本文探索了基于AI大模型的课程思政教学智能体构建和应用，有助于提升课程思政教学质量，以便为医学类专业信息技术课程思政教学创新提供参考依据。

Abstract

With the continuous development of artificial intelligence technology, the methods of content generation and dissemination have undergone fundamental changes. Multimodal AI large language models have become the most cutting-edge technology in the field of artificial intelligence, with immense application value and potential in education. Currently, there is an increasingly prominent disconnection in the curriculum-based ideological and political teaching in universities. An AI agent based on AI large language model offers solutions to issues in university ideological and political teaching,applying a new educational practice model for curriculum-based ideological and political teaching in higher education. Focusing on the ideological and political instruction of the foundational course Principles of Microcomputer in the Medical Imaging Engineering major, a curriculum-based ideological and political teaching agent based on AI large language model is proposed, which helps improve the quality of curriculum-based ideological and political teaching, providing a reference framework for innovating ideological and political teaching in information technology courses within medical majors.

Graphical abstract

关键词

AI大模型 / 教学智能体 / 课程思政教学

Key words

AI large language model / teaching agent / curriculum-based ideological and political teaching

随着信息技术和人工智能的不断发展，信息内容的生成形式和传播方式发生根本性变化，也激发高等教育专业学科思政教学发生了巨大变革。2021年，中共中央、国务院印发的《关于新时代加强和改进思想政治工作的意见》指出，需要推动思想政治工作传统优势与信息技术深度融合，使互联网这个最大变量变成事业发展的最大增量^[1]。目前，课程思政教学工作在中国各大高校有序开展，但是普遍存在专业知识与思政内容脱节问题。AI大模型等人工智能技术将对高校的课程思政教育产生巨大的推动作用，助力解决思政课程教育和专业课程教育的“两张皮”问题^[2]，生动有效地挖掘和传播专业课程中的思政元素，将思政教学深度融入专业课程建设和日常教学^[3]。为了更好地应用和释放大模型多模态内容理解和生成能力，基于AI大模型的智能体应运而生。智能体是指能在环境中感知、学习和执行动作的智能实体，可感知环境并反作用于环境，在执行某些特定任务后达成特定目标的自适应系统^[4]。目前，基于大模型的智能体已在教育、汽车服务、电商、财税等多个垂直细分领域受到广泛探索和应用^[5]。本文将探索基于AI大模型的“微机原理”课程思政教学智能体的构建和应用，以便解决医学类专业“微机原理”课程思政教学与专业课程教学融合衔接困难的问题，并为高校课程思政教学带来全新的教育实践模式。

1 基于大模型的智能体架构和优势

1.1 智能体概述

智能体是人工智能发展方向之一，其概念最早由马文·明斯基于1986年提出：所有问题可以由一些个体（智能体）通过协商和交互去解决；思维是由很多互相作用并交互的智能体构成的复杂系统^[6]。智能体的发展在很长时间内一直受限于数据处理能力。直到大模型的出现，智能体才有了蓬勃发展的土壤。多模态大模型以其在自然语言文本、语音、图像、视频等多模态内容的强大处理能力，有效支持智能体与外部环境进行感知与交互，助力智能体在细分行业领域完成既定业务任务目标。

1.2 基于AI大模型的智能体架构

2022年11月下旬，美国Open AI公司推出的ChatGPT（一款基于人工智能技术的自然语言处理工具）在网络上迅速引起轰动。ChatGPT以其卓越的知识整合和内容生成能力使其被誉为接近通用人工智能的代表。基于大模型的智能体是以大模型作为“大脑”搭配行业领域经验知识库，兼具环境感知、推理判断、学习优化、决策执行四大模块的复杂系统（如图1所示）。环境感知模块与外部环境进行感知，采集相应的环境变量业务数据。推理判断模块检索行业领域知识库的行业机理逻辑，进行实时快速推理和判断。在多次推理（训练）的过程中，学习优化模块完成智能体自我学习，优化相应业务逻辑和知识机理，再沉淀到领域知识库。决策执行模块根据数据处理和逻辑判断的结果，确定一条或多条决策指令，并交由自有或第三方执行工具进行任务执行，从而通过影响外部环境达到实际业务目标。

1.3 基于AI大模型智能体的核心优势

智能体的目标是解决现实世界的各类问题。基于大模型的智能体主要具有五大核心优势：

(1) 多模态内容生成和处理能力

大模型赋予智能体可感知和生成文字、图像、音频、视频等多类内容数据的能力。目前，智能体已经实现了图像视觉问答和文生图等多种图像文字的识别感知与生成能力^[7]，具备视频理解和视频问答能力的视频智能体也正在被探索^[8]。

(2) RAG检索增强生成能力

可通过从外部知识库增强检索相关信息（RAG）来生成更准确、更丰富的文本内容，以解决大模型的“幻觉”问题。RAG工作原理主要包括知识索引、问题检索和增强生成三个步骤^[9]。

(3) 推理和规划能力

可通过提示词工程将大任务拆为一个个更小、更可控的小任务，规划执行任务的流程，并对任务执行的过程进行思考与反思。提示词工程技术主要有基于单链路任务的思维链（Chain of Thoughts, CoT）^[10]、基于多链路并行任务的思维树（Tree-of-thought, ToT）^[11]以及基于推理反思和完善行动的ReAct^[12]。

(4) 调用工具能力

可利用外部工具来影响环境。工具可以是软件函数、软件开发工具包、SAAS平台或者硬件芯片的开发平台接口等。

(5) 与外部环境交互能力

可通过与外部环境的交互来影响外部环境，包括与人类交互和与环境交互。一般需要单个或多个智能体与人类或环境之间进行多轮交互和学习进化，以提高任务完成的有效性和效率。例如，LangChain是典型的单智能体开发工程框架^[13]，MetaGPT^[14]是典型的多智能体框架。

2 基于大模型的教学智能体赋能“微机原理”课程思政的价值意义

“微机原理”是健康医学院医学影像专业针对医学影像检查技术岗位而开设的一门专业基础课程，其课程目标是培养适应中国健康卫生事业发展需要，满足医学影像医疗机构、行业、企业发展需求，具备良好政治思想素质、人文关怀意识和科学素养的医工结合应用创新型人才。然而，当前“微机原理”课程思政教学只是将思政内容元素与专业课程知识生硬地合并在一起，没有深度挖掘专业课程所蕴含的思政教学元素，学生与教师之间、学生与学生之间缺乏对专业课各章节思政元素的讨论、思考、顿悟、升华。另外，负责工科课程教学的高校教师，基本都是理工科专业背景出身，没有系统地学习过思想政治教学和实践方法，很难与学生在政治觉悟、家国情怀、文化自信、人格品质等思维认知层面产生共鸣共情^[15]，限制了课程思政教学的有效开展。

针对以上所述微机原理课程思政教学的现状，凭借基于AI大模型智能体的核心优势，构建和应用多模态AI大模型教学智能体对于“微机原理”课程思政教学工作的高效开展具有重要的推动作用，主要体现在：①赋能课程思政学习体验的丰富性。充分利用多模态内容生成和传播优势以及环境感知特点，调动学生学习体验的丰富性，提升其学习效率和创新实践能力。②赋能课程思政教学手段的多样性。开展“理实一体”、“虚实结合”和“线上线下并行”的多维度混合式教学方法设计，实施教师与学生之间的实时互动、在线答疑、小组协作等教学活动，从而有效提升思政教学的多样性。③赋能课程思政教学评估的可行性。利用大模型强大的数据处理功能和反馈机制，探索多维度、多手段、数智化的思政教学综合评价方式，实现对学生思政学习情况的实时监控和精准评估，并智能评估教师思政教案准备完整度、授课内容丰富度、学生反馈积极度，从而提升思政教学质量。

3 基于大模型的“微机原理”课程思政教学智能体的构建和应用

3.1 智能体构建

构建基于大模型的“微机原理”课程思政教学智能体，需要在核心模块—领域大模型的基础上，配备智能体所需的推理、学习、执行等模块。如图2所示，基于大模型的“微机原理”课程思政教育智能体包含：领域大模型模块、教学知识沉淀模块、教学任务规划模块和教学任务执行模块。

3.1.1 领域大模型模块

该模块是基于大模型的“微机原理”课程思政教学智能体的核心模块，包含了多模态通用大模型、“微机原理”思政教学知识库、智能体数据中台。领域大模型是多模态通用大模型在高校教育领域深入打磨形成的教学专业大模型，是思政教学智能体的大脑和神经中枢，起到智能体知识沉淀、任务规划和任务执行的总策划调度作用。

3.1.2 教学知识沉淀模块

该模块是思政教学智能体的学习优化模块，其作用是将教师、学生在思政教学过程中产生的反馈、意见、知识等进行梳理并沉淀下来。另外，教学知识沉淀模块不断从各环境、渠道、平台中收集医学影像工程“微机原理”课程思政相关元素材料，如教学课程手册、教师和学生调查问卷、党政机关网站相关思政素材等。思政教学智能体通过该模块，将收集到的散点状相关“微机原理”课程思政知识，梳理汇集成网状“微机原理”课程思政知识图谱，建立思政智能体知识记忆库。

3.1.3 教学任务规划模块

该模块是思政教学智能体的推理判断模块，是智能体最重要的模块之一。该模块主要功能包含教学方案制定、教学计划编制、教学场景设定等，可以帮助教师完成：①“微机原理”课程思政教学目标设定，如学生掌握“科教兴国”和“工匠精神”知识点量化指标等；②教学方案策划，如学生自主学习或者教师带领的项目制学习等；③教学案例场景设定，如华为自主芯片设计的艰苦奋斗场景或老一辈科学家回国报效祖国场景等；④教学计划制定，如按周分享科技时政要点、按“微机原理”章节分小组工作坊讨论思政知识点或者按学期组织思政竞赛等。

3.1.4 教学任务执行模块

教学任务执行模块是思政教学智能体利用工具来影响环境的关键模块。其主要功能包含：①教学工具调用，如调用微信公众号或小程序，为学生提炼思政学习知识趣味点；②教学内容生成，如调用Chrome网页浏览器搜索“微机原理”课程思政的相关素材，并利用大模型多模态内容生成能力，把文字素材生成图片或视频，吸引学生参与学习；③教学效果评估，如通过调用摄像头、麦克风等设备采集学生课上学习和课下复习等反馈数据，科学有效地评估“微机原理”课程思政教学实践效果。

3.2 智能体应用

医学影像专业“微机原理”课程思政教学的具体过程可以拆解为3个阶段（课前阶段、课中阶段、课后阶段）和6个场景（教师课前教学准备、学生课前预习准备、教师课堂教学讲课、学生课堂知识学习、教师课后教学评估和学生课后总结复习），其中有18项教学或学习任务需要由教师和学生独立或共同完成。如图3所示，基于大模型的“微机原理”课程思政教学智能体可以形成三个智能体角色（数智助教、数智助学、数智伙伴）帮助教师和学生完成任务。

3.2.1 数智助教智能体应用

(1) 课前准备

在课前准备环节，数智助教智能体自动识别理解“微机原理”教学章节知识点，自动从官媒等平台搜索、整合与该章节匹配吻合的思政教学资料，帮助教师自动生成该章节思政教学案例材料，如教案的PPT和案例说明，并在教案中嵌入思政短视频等互动内容。

(2) 课中教学

在课中教学环节，数智助教智能体通过多种内容表达形式（图表、短视频、互动动画等）生动形象地讲解思政知识，通过实时对话、虚拟感知互动等智能互动功能促进学生参与思考该章节思政内容。

(3) 课后评估与答疑

在课后评估与答疑环节，数智助教智能体通过在网页、小程序、APP等平台的多种拟人对话交互形式，进行线上答疑。在与学生的交互或视频对话答疑过程中，数智助教智能体可以实时智能采集过程数据，通过语言语义来分析学生思政知识点的领会水平，精准判断学生对思政内容学习效果和知识掌握度，从而有效助力思政教学成果评估，帮助教研组不断动态优化思政教学方式和评价指标。

3.2.2 数智助学智能体应用

(1) 课前预习

在课前预习环节，数智助学与数智助教智能体协作，一起为学生提供短视频等多模态内容形态的趣味思政预习材料，为学生量身定制适合每个学生自己的预习内容形式、预习任务计划，实现高效预习成果追踪。

(2) 课中辅助

在课中辅助环节，数智助学智能体成为学生的学习助手，自动实时录制、整理、点评老师课堂讲授知识要点。在每个思政知识关键难点，通过智能自由配对等形式协助学生进行小组讨论，提供补充案例分析，巩固学生对思政知识点的认知。

(3) 课后总结与回顾

在课后总结与回顾环节，数智助学智能体帮助学生通过绘制思维导图等形式，总结复盘“微机原理”课程思政所有知识点和经典案例，整合课前预习、课中讨论等阶段性成果，为每位学生最终生成“微机原理”课程思政学习成果报告，便于年度学习总结和教学评估。

3.2.3 数智伙伴智能体应用

(1) 课中参与

在课中参与环节，数智伙伴智能体作为“机器人同学”参与到教师和学生的线上思政案例探讨，在讨论关键节点，自动提出启发性问题和论述国内外案例，引导学生深度思考并与“机器人同学”持续讨论。

(2) 课后实践讨论

在课后实践讨论环节，数智伙伴智能体充当讨论学习小组的“机器人组长”，在微信群组织线上实践和讨论，提供日常社会实践图文指导、实践计划智能制定和社区实践活动一键预约等服务，鼓励学生分享思政实践经验和心得。

3.3 智能体应用效果

由于传统的课程思政教学存在“两张皮”等诸多弊端，因此在具体教学工作中，“微机原理”课程思政智能体的应用落地将有效提高教学质量。根据计划，基于AI大模型的教学智能体正逐步应用于上海健康医学院医学影像学院的“微机原理”课程思政实际教学中。根据本学院2个专业4个班级针对本门课程的学生问卷调查显示：AI智能体落地实施预期可显著提升“微机原理”专业课师生互动率、学生对人工智能等前沿技术的认知度和收获感，以及学生对中国人工智能快速发展的民族自豪感。如表1所示，该问卷通过10个调查问题征询150名学生对目前“微机原理”课程思政学习感受和未来AI智能体应用后的效果期望，并进行量化打分。结果发现：学生对“微机原理”思政教学AI智能体应用有着巨大期待，应用后预期学习效果将提升近15个百分点。其中，针对“微机原理”第二章“微处理器体系结构”思政要点，“觉得课堂老师讲解互动比较有趣”和“对CPU/GPU等技术感兴趣”两项在AI智能体应用之后的期望分值较现状分值有10%的提升。由此可见，以AI智能体为代表的人工智能技术将对高校课程思政教育产生巨大的推动作用。

4 总结与展望

依托于人工智能这一新时代的新质生产力，高等教育的教学内容和教育模式将出现翻天覆地的变革。针对大学课程思政教学的诸多痛点，本文首次在高等教育领域探索了基于AI大模型的“微机原理”课程思政教学智能体的构建和应用。通过整合领域大模型、教学知识沉淀、教学任务规划和教学任务执行四大关键模块，课程思政教学智能体实现了医学类专业信息技术课程思政的教学创新，有效地解决了高校课程思政教学中日益凸显的专业与思政脱节问题，极大地提升了医学类专业信息技术课程思政教学质量，促进了高校思政教育与专业课程教学的有机融合，形成了全新的高校课程思政教育实践模式。

随着人工智能技术的快速迭代优化，未来AI智能体将与智能硬件相结合，向空间具生智能体方向发展。基于多模态AI大模型的专业智能体在教育领域的应用将更加广泛深入，其在教育模式创新、伦理规范协同、跨学科应用等方面的理论和实践也将持续得到探索。

参考文献

[1] 中共中央, 国务院. 关于新时代加强和改进思想政治工作的意见[N]. 光明日报,2021-07-13(1).

[2] 张良. 课程思政如何破解“两张皮”难题: 知识与社会联系的认识论视角[J]. 教育研究, 2023, 44(6): 59-66.

[3] 郭根. 高校课程思政建设的理论内涵、 实践偏差与经验检视[J]. 国家教育行政学院学报, 2023(6): 52-60.

[4] FRANKLIN S, GRAESSER A. Is it an agent, or just a program? A taxonomy for autonomous agents[A]. International Workshop on Agent Theories, Architectures, and Languages [C]// Berlin, Heidelberg: Springer Berlin Heidelberg, 1996: 21-35.

[5] XI Z, CHEN W, GUO X, et al. The rise and potential of large language model based agents: A survey[EB/OL]. (2023-09-14)[2023-09-19].

[6] MINSKY M. The society of mind[C]// Simon & Schuster, 1986: 19-32.

[7] DURANTE Z, HUANG Q, WAKE N, et al. Agent AI: Surveying the horizons of multimodal interaction[EB/OL]. (2024-01-07)[2024-01-25].

[8] FAN Y, MA X, WU R, et al. VideoAgent: A memory-augmented multimodal agent for video understanding[EB/OL]. (2024-03-18)[2024-07-15].

[9] GAO Y, XIONG Y, GAO X, et al. Retrieval-augmented generation for large language models: A survey[EB/OL]. (2023-12-18)[2024-03-27].

[10] WEI J, WANG X, SCHUURMANS D, et al. Chain-of-thought prompting elicits reasoning in large language models[J]. Advances in Neural Information Processing Systems, 2022, 35: 24824-24837.

[11] YAO S, YU D, ZHAO J, et al. Tree of thoughts: Deliberate problem solving with large language models[J]. Advances in Neural Information Processing Systems, 2024, 36: 1-11.

[12] YAO S, ZHAO J, YU D, et al. ReAct: Synergizing reasoning and acting in language models [EB/OL]. (2022-10-06)[2023-03-10].

[13] LangChain. LangChain[EB/OL]. (2022-10-31)[2023-11-12].

[14] HONG S, ZHENG X, ZHUGE M, et al. Metagpt:Meta programming for multi-agent collaborative framework [EB/OL].(2023-08-01)[2024-11-01].

[15] 周昕, 李兰英, 韩剑辉, 等. 融合思政育人目标的微机原理与接口技术课程大纲设计的探索实践[J]. 中国现代教育装备, 2021(13): 90-92.

基金资助

2025年上海健康医学院教师教学发展研究项目(CFDY20250014)