基于人工智能的教育智能体建设及应用

Construction and application of AI-based educational agents

摘要

随着医学教育国际化进程加速及人工智能技术的不断发展，医学院校英语教学亟须突破传统模式在个性化支持、语境构建等方面的局限。本文以首都医科大学（以下简称首医大）“医学英语术语”AI课程所进行的AI智能体建设为例，系统探讨了AI智能体在医学院校英语教学中的应用价值，分析其在激发学习动机、提供个性化反馈、扩展医学语境资源、辅助教学管理等方面的核心作用。同时，研究也结合首医大自身所开发的AI教学智能体作用机制与实践路径，提出AI时代技术赋能英语教育教学的发展方向。研究旨在为医学院校英语教学提供智能化转型的理论框架与实践路径，助力培养兼具国际交流能力与专业英语素养的高素质医学人才。

Abstract

With the accelerating internationalization of medical education and the in-depth development of artificial intelligence technology, English teaching in medical colleges and universities is in urgent need of breaking through the limitations of traditional modes in personalized support and context construction. Taking the construction of AI agents in the AI course “Medical English Terminology” at Capital Medical University (hereinafter referred to as CMU) as an example, this paper systematically explores the application value of AI agents in English teaching in medical colleges, and analyzes their core roles in stimulating learning motivation, providing personalized feedback, expanding medical context resources, and assisting teaching management. Meanwhile, combined with the operational mechanism and practical path of the AI teaching agent developed by CMU itself, the study proposes the development direction of technology-empowered English education in the AI era. The research aims to provide a theoretical framework and practical path for the intelligent transformation of English teaching in medical colleges, and help cultivate high-quality medical talents with both international communication skills and professional English proficiency.

关键词

AI智能体 / 英语教学 / 医学英语 / AI赋能教学

Key words

AI agents / English teaching / Medical English / AI-empowered teaching

在医学教育国际化进程持续深化的背景下，医学生不仅需熟练运用英语开展学术交流、研读前沿文献，更要具备参与国际医学合作的跨文化沟通能力。这一现实对医学院校英语教学提出了核心使命——培养兼具国际交往能力与医学专业英语素养的复合型人才。然而，传统教学模式在三大维度存在显著短板：难以精准响应学生个性化学习需求，难以构建沉浸式医学英语语境，难以实现教学反馈的即时性与针对性。这些局限已成为制约医学英语教学质量提升的关键瓶颈。

人工智能（AI）技术的迅猛发展为突破上述瓶颈提供了革命性契机。当前，基于大语言模型的生成式人工智能在教育领域，尤其是外语教学中展现出相较于传统技术更为突出的应用潜力：依托深度学习与多模态交互技术，其实现了与学习者的自然对话及高效知识供给^[1]。但在实际教学场景中，单纯的大语言模型逐渐显现情境适应性不足、自主决策能力薄弱等局限，不仅其应用多停留在辅助答疑层面，更因“AI幻觉”等问题需要教师持续介入校验，实际教学效能受限。

在全球教育数字化转型与人工智能深度渗透的双重驱动下，教育生态正加速从“工具辅助”向“智能协同”范式跃迁^[2]。相比大语言模型侧重“输入—输出”的模式，AI智能体(AI agent)则凭借其自主决策能力、多模态交互功能与动态适应特性形成的执行逻辑闭环，为医学英语教学突破传统桎梏提供了创新性解决方案。其应用不仅有望系统提升医学生的英语综合应用能力，更将为培养适应全球化医疗环境的高素质医学人才注入新动能，成为推动医学英语教学范式革新的核心力量。

1 从大模型AI到AI智能体

1.1 AI智能体的定义

智能体通常是指一个能够感知环境、做出决策并采取行动的自主计算系统^[3-4]，在大语言模型生成式人工智能出现以前，其研究与应用已经历了一段长期的发展^[5-7]。随着大语言模型及各类应用的问世和发展，AI智能体在运作方式和实际使用中变得更加灵活自由，功能也更加强大。基于大语言模型的AI agent应该包含以下核心组件^[8]：

规划（planning） 通过大语言模型进行复杂任务的分解并能够自我反思优化行为。对于复杂的任务，智能体能够自主利用大语言模型的推理能力将其分解为多个相对简单的子任务逐步求解；同时，智能体能够对自身的规划和执行进行反思，分析其中的错误并在后续的思考中改进，自主完善输出的结果。

记忆（memory） 通过记忆对大语言模型本身的知识结构和参数进行补充。记忆可以分为短期记忆和长期记忆：短期记忆包括对话过程中的上下文学习，任务过程中生成的数据或工具执行的结果等；长期记忆一般通过搜索增强生成（retrieval-augmented generation，RAG）实现，将包含知识的文档切分，构建块向量索引，与向量化的相关问题合并输入大语言模型，以此缓解大语言模型缺乏扩展知识和因为知识局限产生“AI幻觉”的问题。

工具（tool） 通过调用外部应用接口获取外部信息和扩展能力范围。例如，利用搜索引擎搜索新的信息，完善知识库和任务规划等。

结合生成式人工智能技术的应用可分为4个等级。如表1所示。其中，AI智能体相较于L1和L2级别的AI应用，其特点是在预设目标内自主完成任务，需要其具备自主规划任务、拆分任务和选择工具的能力，过程中无需人类干预^[9]。基于AI智能体对环境的感知能力、强大的自主决策能力和交互反馈特性，其在教育领域的应用前景不可估量。

1.2 AI智能体在教育技术中的典型应用

相比传统的AI工具，AI智能体在教育技术领域的应用已呈现出多场景渗透、多模态融合的特征^[10]，其核心价值在于通过智能化手段破解传统教学中的个性化不足、互动性有限与评价滞后等痛点。

在基础教育阶段，AI智能体多被设计成富有个性的互动学习伙伴或任务引导者，通过激发学习者的学习兴趣、提供实时学习提示以及引导认知调节等方式满足基础教育阶段的学习需要^[11-12]。这种应用模式突破了课堂教学的时空限制，使学习者能够获得持续且精准的学习指导。

在高等教育领域，AI智能体的应用更凸显学科针对性与复杂任务支持特性^[13]。在教学活动中，AI智能体捕捉师生需求以及环境变化，实时调整教学策略与科研路径，为师生提供个性化、高效的学习研究体验^[14]。虚拟实验智能体可模拟高危或高成本实验场景，允许学生通过自然语言交互调整实验参数、观察结果变化并获取即时解释，既保障了实验安全又提升了学习深度^[15]。在人文社科领域，具备逻辑思维推演可视化和设计了“追问—反思—验证”对话模式的辩论智能体能够模拟不同立场的观点交锋，帮助使用者完善论证逻辑、拓展思维视角、锻炼批判性思维能力^[16]。

值得注意的是，AI智能体在教育中的应用正呈现“多智能体协同”的发展趋势^[17]。在混合式教学场景中，不同功能的智能体形成协作网络^[18]：内容推荐智能体负责学习资源匹配，互动辅导智能体承担个性化答疑，评价分析智能体进行学习效果诊断，而教师则专注于教学设计、价值引导与情感支持。这种“人机协同”模式既发挥了AI智能体的数据处理优势，又保留了教师在教育过程中的核心价值，代表了未来教育技术应用的主流方向。

2 AI智能体在医学英语教学中的作用机制

2.1 学习动机的激发与学习策略的支持

医学英语学习因涉及大量专业术语、复杂句式结构与特定语境表达，常使学习者陷入学习动机衰减。AI智能体具备人机交互、即时反馈、语境生成等特性，可显著激发学生的学习兴趣，基于学习者初始水平与专业需求动态设定阶梯式目标，通过任务进度可视化强化学习掌控感，进而提升自我效能感。同时，AI智能体依托医学语言特征分析，提供针对性学习路径，通过识别学习者的策略缺陷，动态调整干预方式，实现从通用指导到精准支持的升级，显著提升策略应用的有效性。

2.2 个性化反馈与语言输出能力提升

语言输出的高质量反馈是医学英语能力提升的关键环节，而传统教学中教师常因时间精力限制难以提供精准、及时的个性化反馈。AI智能体通过多维度分析体系实现反馈的精准化与即时化：在语言层面校验语法、词汇与表达规范性；在专业层面核查术语使用准确性；在语用层面评估语境适配度。其反馈体系具有即时响应、层级递进与互动解释的特征，形成“输出—反馈—修订”的闭环促进输出能力进阶。AI智能体还能通过模拟真实交际场景创造高频输出机会，并基于学习者表现动态调整任务难度，从基础语言规范到高阶语用策略逐步提升，推动输出能力系统进阶。

2.3 医学语境资源的扩展能力

医学英语的特殊性在于其与医学专业知识的深度绑定，AI智能体通过构建“语言—专业”融合的资源体系，有效解决传统教学中语境资源不足的问题。在专业术语扩展方面，AI智能体依托知识图谱实现多维度关联，包括术语间层级关系、跨学科知识链接及图文融合解释；在语料资源整合上，AI智能体依赖关联分层资源库，涵盖教材规范内容、期刊文献科研语料及真实场景应用素材，满足学习者在不同学习阶段的需求。通过这种资源扩展机制，实现医学英语与专业知识的深度绑定，解决传统教学中语境资源不足的核心问题。

2.4 教师教学辅助工具

AI智能体通过自动化代替教师处理机械性教学任务：在备课环节，基于课程标准与学习者特征生成教案框架、匹配教学资源并设计互动活动；在测评环节，支持参数化出题与动态题库更新，实现客观题自动评分与主观题多维度评价；在教学分析环节，通过学习数据可视化呈现班级整体与个体的学习状态，识别共性薄弱点与个性化需求，为教师提供数据驱动的教学改进建议。同时，通过构建知识图谱实现学习过程的精准导航，预测潜在学习障碍，辅助教师优化教学决策。

3 首都医科大学“医学英语术语”智能体的建设实践

3.1 建设需求分析

在“健康中国”和“新医科”背景下，高等医学教育亟须培养具备国际竞争力的高素质医学人才，医学英语术语的掌握是医学人才进行国际学术交流活动的基石。但在传统教学过程中，医学英语术语的学习面临三大核心痛点：一是词根、词缀记忆碎片化，医学英语词汇中的词根、词缀纷繁庞杂，学生难以快速掌握其关系逻辑和记忆要点；二是术语学习与临床场景严重脱节，传统课堂缺乏临床训练场景，学生得不到充分的语言环境锻炼机会；三是个性化练习不足，教师准备的练习难以适配不同专业学生的术语侧重需求，也无法针对个体错误提供精准强化。

基于上述痛点，“医学英语术语”课程AI智能体定位为服务全专业医学生的术语学习辅助工具，覆盖“记忆—应用—测评”全流程：通过系统化词根词缀教学夯实记忆基础，结合临床场景构建术语应用语境，最终通过动态测评实现学习效果的闭环验证，打造集智能化教学场景、个性化学习路径、沉浸式医学语言生态的三维智能教育矩阵，达成从静态知识传递到动态能力生成的范式跃迁。

3.2 AI智能体技术框架设计

“医学英语术语”智能体核心组件构架包括：

规划模块 该模块基于DeepSeek-V3基础大模型人工智能设计，通过大模型自主推理对复杂任务进行自动拆分。例如，针对“系统学习消化系统相关术语”之类的复杂任务，AI智能体能将任务自动拆分为“词根词缀拆解→术语关联临床场景→错题复盘”子任务序列，先通过“词根词缀拆解练习”（如“gastr-”“enter-”的含义与组合规则）夯实基础，再进入“术语—临床场景关联”（如将“peptic ulcer”与胃镜报告描述关联），最终通过个性化的“错题复盘”，强化学习记忆。

记忆模块 AI智能体通过短期记忆实时捕捉学生在对话和练习过程中产生的数据，记录高频错误术语（如“cardi-”与“cardio-”混淆）、答题时长等动态学习特征；而长期记忆基于RAG技术整合首医大教师整理的专属知识库，包括20余部首医大主编的系列医学英语教材的核心内容，覆盖范围不仅包括医学英语术语，还包括医学英语学术论文写作、会议交际、临床情景交流等丰富语料内容，通过专业化的知识资源丰富AI智能体的医学英语知识体系，并以知识图谱的形式存储知识内容之间的相关性，保证了AI智能体生成内容的准确度，极大地降低了产生“AI幻觉”的概率。

工具模块 AI智能体通过对接学校医学影像库与术语发音库，实现“术语—图像—发音”联动学习功能。学生在查询医学术语时，智能体会自动调取对应的医学影像并同步播放标准发音，强化多感官输入，帮助学生记忆词汇。

3.3 开发流程与迭代

AI智能体开发采用“跨学科协作”模式，即医学英语教师负责提炼教学需求，明确术语教学重点与临床关联场景，开发人员负责技术框架实现架构落地，重点优化术语知识图谱的关联逻辑；临床医师参与专业审核，确保医学英语术语的临床应用场景描述准确无误。

2024年秋季学期，应用AI教育智能体的“医学英语术语”AI课程上线首医大学堂云平台，2024级临床医学专业试点班学生参与使用并学习“医学英语术语”课程。基于首轮反馈完成两项核心迭代：一是补充中医术语英译本适配内容，解决中西医术语混杂学习的适配问题；二是优化词根词缀推荐算法，自动优先推送高频词缀的分层练习。

通过需求导向的架构设计与跨学科协作开发，“医学英语术语”AI智能体实现了“规划—记忆—工具”三大核心组件的有机整合，既解决了传统教学中的术语记忆碎片化、场景应用薄弱等痛点，又构建了个性化、系统化的学习支持体系。通过迭代优化，逐步构建AI智能体赋能的线上线下混合式教学新模式与“师—机—生”智能交互新生态。这一技术创新成果在临床专业研究生学习试点中的初步应用中已展现出良好的适应性，其功能设计与迭代方向为后续的效果验证提供了坚实基础。

4 首都医科大学“医学英语术语”智能体的应用效果

4.1 典型应用场景

个性化术语记忆场景 AI智能体通过分析学生答题数据生成“定制词根词缀表”，如针对呼吸系统术语掌握薄弱的学生，自动推送“pulmo-”“broncho-”专题练习，并关联“肺炎”“哮喘”等疾病的英文病例片段，实现“词缀—术语—疾病”的链式记忆强化。

临床语境练习场景 AI智能体模拟“标准化病人问诊”情境，在“肺炎病例”对话中，当学生误用“consolidation”（实变）描述早期炎症浸润时，实时提示“infiltration更适用于肺泡内液体或细胞的早期聚集阶段”，并链接胸部X线影像的英文解读示例，强化术语的场景适配性认知。

教师辅助场景 AI智能体为教师自动生成 “班级术语掌握热力图”，通过颜色标注直观呈现各章节术语的错误率分布。例如，若显示“神经外科术语”错误率达42%，教师可据此设计“颅神经解剖术语”专题课，并调用智能体病例库资源补充教学案例。

4.2 应用数据与反馈

2024年秋季上线以来，“医学英语术语”AI课程使用人数已超过4 000人，其中117个知识点下包含的1 202项课程资源被访问调用多达73 000余人次，学生在线学习过程中人均使用AI智能体27.9次，使用效果获得师生的一致好评。

根据结课后的反馈调查，学生普遍对AI智能体在课程学习中的作用给予较高评价，认为其系统地梳理了医学英语词根、词缀构成规律，在学习中能即时输出实例剖析，提高了记忆医学术语的效率，并能帮助学习者建立结构化的英语学习思维，有效提升了学习者在医学文献阅读等场景下理解专业术语的能力。

参与授课的教师也普遍反馈，在AI智能体的帮助下可以轻松收集医学领域的各类文献、病理报告、学术论文等资料，极大地提升了备课效率。AI智能体助力教师梳理课程脉络、生成教学资源、创新教学设计、收集学习数据、展开教学活动，授课教师从重复的任务中被解放出来，将精力集中于如何更有创造性的教学上，构建了医学英语教学的新生态。

5 AI时代技术赋能英语教育教学的发展方向

随着大语言模型的迅猛发展，AI技术不仅推动了英语教学工具的迭代，更引发教学理念、模式与生态的系统性重构。结合首医大医学英语教学中AI智能体的作用机制与实践路径，本研究认为AI赋能英语教育教学的发展方向可归纳为：

AI 智能体正从“辅助工具”向“协同伙伴”转型，凭借其自主规划、任务执行与交互反馈能力，从“辅助工具”转变为“教学参与者”，在教学决策、评价设计、策略推荐等层面与教师“共教”、与学生“共学”，构建 “师—机—生”多元协同新范式。

同时，须深化专业语境融合与任务驱动教学，依托其语境动态生成能力，AI 智能体将推动语言学习与专业知识融合，使教学从“知识灌输”转向“情境体验”，未来应强化智能体与课程内容的深度耦合，围绕学科真实任务设计活动，提升语言使用的真实性与实践性。

构建基于学习数据的智能反馈系统是另一重要方向，借助学习轨迹追踪与数据分析能力，英语教学可实现实时诊断与精准干预，未来须依托智能体构建多维度数据采集与反馈模型，动态调整教学节奏与内容，实现“因人施教”的个性化精细教学。

多模态交互与沉浸式语言体验也将成为趋势，融合语音识别、VR等技术的多模态智能体，可构建“虚拟诊疗室”“模拟国际学术会议”等沉浸式场景，显著提升学习者的语言参与度、情境适应力与交际信心，成为高阶能力培养的核心路径。

此外，教师角色与数字素养体系须重构，教师将从“知识传授者”转型为“学习设计师”“人机协同主导者”，需具备智能体应用、技术批判与风险识别能力，教师培训体系须围绕 AI 素养重构核心能力，引导负责任的技术使用。

综上所述，AI智能体驱动的技术革新正重塑英语教学范式，未来将呈现“技术深融课程”“数据驱动决策”“人机协同育人”等特征，教育工作者需以变革思维推动教学升级，实现从“技术支持”到“智能引领”的跨越。

6 结束语

本研究系统探讨了AI智能体在医学英语教学中的应用价值，通过理论分析与实践验证，揭示了大模型时代AI智能体通过个性化支持、环境构建、资源拓展等多重机制，有效解决了医学英语教学中专业术语难记、语境应用薄弱、教学资源不足等痛点，其作用不仅体现在学习效率的提升，更在于学习模式的重构。

尽管AI智能体为医学英语教学带来诸多可能，但其应用仍面临一些挑战：一是技术局限性，如对医学语境中隐喻表达、情感色彩的理解不足，生成内容依旧存在“AI幻觉”风险；二是专业适配性问题，现有AI模型对医学专业英语的支持不足，需要不断完善语料库和资源库；三是伦理风险，包括数据隐私保护、算法偏见带来的教育公平问题等。这些挑战的解决需要技术开发者、医学教育者与语言专家的跨学科合作。

展望未来，AI智能体在医学英语教学中的应用将呈现三大趋势：一是多模态融合，结合语音、图像、VR等技术，构建沉浸式医学英语学习环境，如通过虚拟手术场景训练器械名称与操作指令的英语表达；二是深度个性化，基于学习者的认知特征、专业需求与学习风格，实现从内容到方法的全方位定制；三是人机协同深化，AI智能体不仅辅助教学，更能与教师共同进行教学决策，如联合设计针对特定学习困难的干预方案。

从更广阔的视角看，AI智能体赋能医学英语教学的终极目标，是培养兼具扎实医学功底与卓越跨文化沟通能力的国际化医学人才。在这一过程中，技术始终是手段而非目的，教育的本质是培养人的批判性思维、创新能力与人文关怀，这些不应被技术所遮蔽。未来的研究需进一步探索人机协同的最佳平衡点，在技术进步与教育本质之间找到可持续的发展路径，使AI智能体真正成为推动医学英语教育变革、服务健康中国建设的有力工具。

参考文献

[1] 邹斌, 汪明洁. 人工智能技术与英语教学: 现状与展望[J]. 外国语文, 2021(3): 124-130.

[2] 孙凌云, 潘越. 关于智能时代的教育变革思考: GPT带来的机遇和挑战[J]. 中国基础教育, 2023(7): 41-45.

[3] 罗素, 诺维格. 人工智能: 一种现代方法[M]. 姜哲, 金奕江, 张敏, 等译. 北京: 人民邮电出版社, 2010.

[4] 金丽琴. 教育智能体赋能项目式学习的关键环节[J]. 教学与管理, 2025(19): 26-30.

[5] 毛新军, 陈火旺, 王怀民, 等. 智能体的理论研究[J]. 计算机科学, 1997(5): 63-67.

[6] 侯建华, 田金文. 智能Agent: 一种新的AI概念框架[J]. 军民两用技术与产品, 2004(1): 41-43.

[7] 项后军, 周昌乐. 人工智能的前沿: 智能体(Agent)理论及其哲理[J]. 自然辩证法研究, 2001(10): 29-33.

[8] CHU Z, WANG S, XIE J . et al. LLM Agents for Education: Advances and Applications[EB/OL]. [2025-04-08].

[9] 阿里云创新中心. 真格基金戴雨森谈生成式AI[EB/OL]. (2023-07-12)[2025-07-10].

[10] KAUTZMANN T R, JAQUES P A. Effects of adaptive training on metacognitive knowledge monitoring ability in computer-based learning[J]. Computers & Education, 2019, 129: 92-105.

[11] 郑娅峰, 赵亚宁, 黄璟玥, 等. 教育智能体: 研究现状和发展趋势[J]. 现代远程教育研究, 2025(4): 3-13.

[12] 钟明. 基于英语教材人物AI智能体口语陪练模型的搭建[J]. 教学与管理, 2025(11): 55-58.

[13] 张静. AI智能体辅助混合式外语自主学习模式: 设计、实施与优化[J]. 外语界, 2025(3): 29-37.

[14] 陈默, 杨玉辉, 杨清元, 等. 智能体赋能高等教育变革: 基于DeepSeek-R1的范式重构与“浙大先生”实践探索[J]. 现代教育技术, 2025(5): 111-118.

[15] 王战军, 李旖旎. 数智时代我国高等教育评估体系的转型与重构[J]. 大学教育科学, 2024(2): 106-117.

[16] 唐懿文, 陈奇峰, 肖寒, 等. 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[J/OL].中国医学教育技术, 1-8[2025-07-17].

[17] 刘明, 杨闽, 吴忠明, 等. 教育大模型智能体的开发、应用现状与未来展望[J]. 现代教育技术, 2024(11): 5-14.

[18] 吴永和, 姜元昊, 陈圆圆, 等. 大语言模型支持的多智能体: 技术路径、教育应用与未来展望[J]. 开放教育研究, 2024(5): 63-75.