陈瑞 | AI智能体教师融入下的人机协同双师教学模式探究

✦

•

✦

文章引自：陈瑞.融入AI智能体教师的人机协同双师模式研究[J].现代教育技术,2026,(6):114-125.

MET

摘要：随着生成式人工智能技术与数字化课堂的深度融合，多模态大模型驱动的AI智能体正逐渐成为教学活动的关键载体。参考AI智能体的组成结构，结合AI智能体的相关研究成果，文章设计了AI智能体教师、阐释了其技术架构并探索了其教学实现。在此基础上，文章依托人机协同“双师共教”模式，以双过程认知发展理论和建构主义教学理论作指导，进一步构建了融入AI教师智能体教师的人机协同双师模式，并介绍了其部署应用的相关情况。为评估融入AI智能体教师的人机协同双师模式的应用效果，文章在计算机类的本科生专业课程“计算机体系结构”中进行了此模式的教学应用。通过教学应用效果对比实验，文章发现：此模式对学生的学习成绩、认知能力均有显著提升作用，对学习动机也有一定的增强作用。文章的研究为AI智能体教师开发提供了理论指导，并为AI智能体技术应用于教学实践提供了有效路径，有助于推动人机协同教学的开展和范式转型。

关键词：AI智能体教师；双师模式；人机协同；课堂教学

近年来，以大规模预训练语言模型为代表的生成式人工智能技术取得突破性进展，ChatGPT、ChatGLM、DeepSeek等通用大模型正加速赋能教育领域的各类业务场景[1]。AI智能体融合了大模型的强大认知推理能力，可以调用工具精确执行任务，是连接大模型与多元教育场景的关键技术，也是当前数字化教学模式转型的研究热点[2]。面向创新能力提升和数智素养发展的需求，使用AI智能体技术构建数字教师，将重塑人机协同的教学新范式[3]。AI智能体教师可以根据个性化教学需求，设定不同的任务角色，通过教学案例、课程语音、课堂图像和视频等多种形式与学生进行多维交互，提高学生的学习兴趣和参与度，高质量完成教学活动。融入AI智能体教师后，传统的“师-生”教学结构将加速向“师-生-机”转变，形成人机协同的“双师共教”模式。在双师模式下，学生的学习方式将从单向知识吸收转为人机协同探索。将双师模式应用于本地化教学场景，可实现个性化适配、持续交互学习、实时监测与精准反馈，并构建起“发现问题-干预-反馈-追踪”的教学闭环，助力形成人机协同教学、协同学习和协同管理的教育新形态。

一 AI智能体：多模态大模型驱动的自主智能体

1 AI智能体简介

AI智能体是指结合大模型的强大理解生成能力，通过“感知环境-推理决策-执行动作”循环独立完成特定任务的系统[4]。大模型是AI智能体的核心大脑，支撑所构建的智能体展现出强大的自主规划、感知反馈和多任务执行能力，并与外部环境进行自主交互。在实际应用中，AI智能体通过不断调用多模态大模型增强其感知与推理能力——多模态大模型是基于Transformer架构嵌入和融合多信息源的先进智能技术，具备多种模态数据的理解能力，可以实现跨模态的全面感知与深层次逻辑推理，生成文本、音频、图像、视频等多模态内容[5]。多模态大模型驱动的AI智能体能够主动感知环境，根据目标需要履行特定角色，依照指令提示和状态信息调用外部工具、历史记忆、专业知识库，通过自主决策、持续学习和个性化优化，实现与外部环境的持续交互迭代，并通过多角色协作执行复杂的任务[6]。

AI智能体以多模态大模型为技术支撑，通过精确解析用户多模态指令驱动多个核心模块交互形成反馈闭环，可以自主感知、学习、决策和执行，通过推理规划分解任务并确定行动策略，反馈作用于外部环境以达成目标，其组成结构如图1所示。具体来说，AI智能体包括五个主要模块：①观测感知模块，负责采集文本、音频、图像、视频等多源数据，并接收传感器、网络等信息，通过调用多模态大模型将多维信息对齐并融合成统一的语义场景。②推理规划模块，负责接收观测感知模块和环境反馈提供的信息，理解用户意图和任务目标，将任务分解为一系列可执行的子任务，并运用思维链进行多步逻辑推理，判断出从当前状态到达目标状态的最优路径，据此制定执行方案。③学习调优模块，负责结合经验和反馈信息持续改善系统性能，通过反思、内省和元认知机制，使AI智能体能够识别、纠正错误，并迭代评估和优化输出的对象。④行动执行模块，严格执行下达的指令，负责调用外部工具、搜索资源来扩展其能力，并通过与不同工具的多次交互协作来提供准确输出。⑤记忆检索模块用于短期存储当前任务中的对话上下文和中间步骤、长期记忆结构化的外部知识，并从向量数据库和知识库中检索相关的知识来辅助推理，为推理规划和学习调优这两个模块提供核心数据支撑。这五个模块相互配合，构成一个完整的“观察-思考-行动”闭环。在此闭环中，AI智能体通过不间断的迭代学习来适应环境变化，同时单个AI智能体与用户、外部环境以及其他AI智能体协同工作，通过任务协作来提高系统的可扩展性和适应性[7]。

图1AI智能体的组成结构

2 AI智能体的应用现状

当前，国内外纷纷探索了大模型驱动的AI智能体在教育领域的落地应用。其中，国外对AI智能体的教育应用探索集中在个性化学习支持和课程开发方面，如美国可汗学院基于GPT-4推出教学智能体Khanmigo，既能即时响应学生的问题并提供个性化辅导，还能实时分析学生的学习数据、辅助教师规划课程以实现差异化教学[8]；瑞士洛桑联邦理工学院开发的化学智能体ChemCrow支持化学知识学习与化学实验模拟，能够调用专业的化学工具和外部知识库，基于思维链推理自主规划和执行复杂的化学任务，帮助学生更好地理解化学知识和实验原理[9]。而国内正处于加快推进教育数字化和智能化发展的阶段，对AI智能体的研究涵盖了从辅助教学、教案生成、学科助学到智能评教等多个主要场景的应用探索[10]，如清华大学将智谱清言智能体作为助教系统应用于多门试点课程的教学，并通过高质量通用对话为师生提供智能化服务[11]；天津大学推出新生智能体，其汇集了与学生学习、生活有关的海量信息，具有丰富的知识储备和强大的语言生成能力，能回答学习科研、校园生活、个人发展等方面的常见问题[12]。

AI智能体可以根据教育目标、课程设置、教学方法和评价体系，将先进教育理念和核心场景的真实需求深度嵌入设计方案，提高与当前教育形态的适应性[13]，因此应用AI智能体构建数字教师具有重要意义。AI智能体教师可以辅助内容生成，支持课堂互动和教学反馈，提供精准教学数据分析和优化建议，帮助人类教师做出更科学的教学决策，促进学生创新思维培养和学习能力提升[14]。

二 AI智能体教师的设计及其教学实现

1 AI智能体教师的设计

（1）设计思路

AI智能体教师是AI智能体面向教学场景完成本地化适配与优化所形成的系统，其设计需统筹技术功能、教学规律和学生的认知特点等，通过精细化角色定位和教学工作流的有机集成，确保其发挥应有的教学效能。通过人机协同执行教学任务，AI智能体教师可以覆盖“教-学-管-评-测”全链条场景，辅助生成多模态教学内容，主动支持课堂互动、教学反馈和个性化干预，提供沉浸式的学习体验，并动态调整教学策略、精准调度资源、个性化辅导学生，从而提升教学管理的质量与效率[15]。

AI智能体教师应在人工干预较少的情况下，独立完成复杂的教学任务，并根据预设目标和实时反馈进行自我决策与调整，以实现其在教学过程中的动态迭代优化。按照教学大纲进行本地化适配时，AI智能体教师需确保教学内容的精准度，并根据不同学生的学习进度动态调整教学内容和教学方式，为人类教师开展教学活动提供多方面支持：①在基础规划阶段，AI智能体教师需根据教学目标与学生特点，生成教学方案和多模态教学资源，模拟并支撑课堂教学情境，通过收集学情数据，创建更符合学生实际需求的教学内容。②在交互识别阶段，AI智能体教师需聚焦于课堂教学中学生的行为模式和情绪变化识别，并由人类教师引导学生主动与AI智能体教师开展合作学习，帮助澄清概念误解，拓展知识边界。③在决策支持阶段，AI智能体教师需通过调用多模态教学信息、接入学生的学习数据等，为即时调整和改进教学方法提供依据，并对学习目标的达成度、学生的参与度等进行实时智能评估。

（2）技术架构

AI智能体教师的技术架构以多模态大模型为核心组件，并配置数据收集处理组件、用户交互组件、任务规划组件、知识记忆组件、公共基础组件等功能组件，具体如图2所示。

图2AI智能体教师的技术架构

①核心组件多模态大模型负责精确解析教学任务并将其转化为实际的教学决策，其监督微调功能让多模态大模型通过示例数据学习特定的任务格式、领域知识或指令遵循方式，来更好地适配教学任务；强化学习功能进一步通过反馈信号让多模态大模型优化生成的教学内容质量，提升输出教学行动的工作流；而在线学习功能确保多模态大模型的生成能力在长期使用过程中不发生退化。②数据收集处理组件主要管理实时数据流、进行学习数据的采集，同时高效存储多模态数据并确保数据安全。多种模态的数据先通过嵌入处理转换成统一格式的数字向量，再进行有效的信息融合之后输出。③用户交互组件主要处理用户输入的提示词和多模态指令，支持通过上下文对话窗口进行即时互动。④任务规划组件主要根据用户任务产生对应的思维链模板，将复杂任务层次化分解为一系列子任务，在任务分解产生的候选行动空间中选择最优执行路径，并在需要时检索增强外部知识以提升规划的准确性，最后按照特定的逻辑顺序生成并执行一连串动作步骤。⑤知识记忆组件主要用于对专业领域的知识和数据进行存储管理，并基于知识库和数据库短期或长期记忆AI智能体教师在运行过程中产生的重要信息。⑥公共基础组件通过预置的功能接口（包括智能体标准数据交互接口、第三方工具API服务接口等），实现教育场景的快速适配和定制化调整，为发挥多模态大模型的效能提供基础支持。这些组件在智能体管理引擎的驱动下，根据特定的教学模式服务于课堂教学与学习交互，识别学生的认知特点，解析学习数据，追踪学习轨迹并精准执行教学方案。

值得一提的是，利用专业知识库中丰富的教学数据对多模态大模型进行微调，是构建AI智能体教师的重要技术实现路径[16]。其中，人类教师的授课情况、教学质量、教学行为等多维度教学数据，课堂互动、学生课堂参与度等实时数据，学习进度、学生专注力、学习效果、学业成绩等学习数据，智能设备采集的非入侵、伴随式、无感式教学数据等，都可用来微调多模态大模型；同时，教师也可根据相关的数据分析结果实现对课堂教学活动的全方位管理[17]。而微调的方法包括提示词工程、更新权重变量等，使多模态大模型的参数适应特定的教学模式，并使AI智能体教师掌握教育领域的表达范式与业务逻辑，从而实现教育情境适配内容的高效产出。通过对教师教学、学生学习、课堂内容等不同模态数据的语义对齐和特征提取，并挖掘多模态数据之间的关联互补关系，可以准确识别、理解教学需求，生成有针对性的教学改进建议，从而助力不断优化教学策略，提升精准教学效果。

2 AI智能体教师的教学实现

（1）教学任务推理规划

基于“任务分解-增强决策-优化执行”的循环架构，AI智能体教师进行自主构思并实现任务规划：将教学任务拆解为若干可执行的子任务，设计解决方案，生成最优任务解决路径，并依据任务执行反馈持续优化决策路径；同时，实时监控各子任务的执行情况并获取用户反馈，如果结果未达预期，系统就会动态优化任务解决路径，以确保目标实现。为了应对复杂的教学任务，AI智能体教师需应用思维链技术对任务进行分解，生成完整的推理步骤或多个推理路径；同时，需结合内部知识开展单路径或多路径推理，并依据人工设置的推理规则学习逐步推理。为了提升复杂问题的解决效果，AI智能体教师需评估不同的推理路径，采用多次采样投票策略自动生成思维链；同时，需依据外部的反馈信息实时修正原始规划，依托认知观察机制驱动决策流程，借助多模态思维链实现跨模态知识融合，并根据执行效果进一步改善规划[18]。

当接收到任务请求后，AI智能体教师首先要进行必要的逻辑思考，将任务转化为可执行的目标链。具体来说，可通过对包含显式推理过程的数据进行监督微调，生成带有清晰推理步骤的高质量执行流程，来引导AI智能体教师建立“感知-推理-行动”的工作模式。在此过程中，AI智能体教师可利用强化学习提升规划和反思两大核心能力，并推行奖励机制以增强推理规划和任务分解能力，从而生成明确且准确的中间子目标；同时，通过评估生成的子目标与真实子目标的对齐程度，为规划能力提升提供有效的反馈信号。之后，需在训练过程中有针对性地模拟错误状态或构建需从错误中恢复的场景，以培养AI智能体教师的反思和自我纠错能力；同时，通过学习执行错误动作后如何使用返回、重试等操作触发预设的安全机制，以及如何在回到正轨后重新评估并执行正确的动作，来显著增强AI智能体教师的鲁棒性和适应性[19]。

（2）教学知识检索增强

为使AI智能体教师具备多步推理和任务执行的能力，需为其配置记忆模块：①短期记忆模块负责记录近期的关键信息，包括最近的对话、上下文窗口提示等。在进行每次对话交互时，此模块都会将对话历史作为上下文的一部分提供给多模态大模型，同时存储当前感知输入和中间推理的内容。②长期记忆模块负责巩固随时间推移的重要信息，包括检索得到的历史知识和环境信息，涉及信息的长期存储和推理，以有效提高任务处理的连续性和适应性[20]。AI智能体教师可以利用参数记忆和向量数据库来模拟人类的长期记忆，其中参数记忆负责存储隐性语义信息，而向量数据库保存近期的语义记忆和情景记忆。当需要跨会话保存信息或查询知识时，记忆模块可结合知识图谱引入向量数据库存储专业知识，从而建立长期记忆机制。将记忆信息整合到动作链中，可有效增强AI智能体教师的行动执行质量。

AI智能体教师利用检索增强技术提升任务执行效果，通过整合本地教学知识库和外部专业知识库中的教学资源，在生成的执行方案中融入更加精准的教学要素，可有效提高生成结果的准确性和可靠性，具体可从以下方面入手：①运用知识图谱技术，构建学科知识点与教材、讲义、习题等的关联图谱；②根据课堂教学方案，精准推送符合学生学习需求的资源，并提供搜索功能，便于学生快速获取专业领域的知识，以提升学习效率和质量；③依托学习数据的深度分析，生成个性化知识图谱，注重过程性评价和精准反馈，识别学生的优势与短板，以提供有针对性的学习方案；④将对话内容和执行动作记录下来，利用嵌入技术将其转换为向量表示，在数据库中进行相似度检索，使任务执行时能自动调用过去累积的知识。依托与本地知识库的持续性交互，AI智能体教师可不断优化迭代其知识和能力，从而深化对教育内容的理解，并提升其应对多样化任务的综合能力。

（3）教学活动优化执行

AI智能体教师通过检索记忆模块中与当前任务有关的信息来优化教学执行方案，生成操作计划，利用记忆反思能力判断是否要动态修改教学活动，若无错误则执行原始操作流程[21]。教学活动的优化执行主要包括两种操作：①利用内部推理及其相关的操作知识，生成有效操作集合。②工具调用操作通过应用程序编程接口API、智能体接口MCP、代码执行器、计算器、数据库等操控浏览器，连接数字工具与物理设备。工具调用操作是正常执行任务的重要保证，能够获取多模态大模型本身知识以外的信息，或执行一些需要操作才能完成的任务。用带标注的数据对AI智能体教师进行微调，可进一步提高调用工具的稳定性。但这需要提前判断是否有足够的知识来支持任务执行，如果记忆模块包含了类似的任务案例，就可以成功执行教学活动，并让多个AI智能体彼此交流、基于记忆知识生成各自的行动策略。

三 融入AI智能体教师的人机协同双师模式构建与部署应用

1 理论基础

（1）人机协同“双师共教”模式

本研究针对课堂教学向数字化、个性化教学转型的需求，设计了AI智能体教师来辅助人类教师，并应用学习行为分析、个性化反馈和沉浸式交互技术来提升课堂的教学效率。在此基础上，本研究构建了人机协同“双师共教”模式，并依据人类教师和AI智能体教师在专业知识要素传递、全过程教学能力等方面的特点，明确了人机协同双师角色定位：人类教师作为课程设计者和学习主导者，负责统筹考虑教学活动的整体安排；AI智能体教师则通过实时数据分析和精准反馈，持续优化学生的学习体验。在人机协同“双师共教”模式中，AI智能体教师与人类教师形成了一种互补的关系，两者各具优势：AI智能体教师能融合多模态信息，进行更加丰富、准确的概念表征，为学生提供个性化的学习指导和全过程的评估反馈，并结合其连接的海量专业知识库，根据学生的需要动态适配资源，为其提供全面重构的知识体系；而人类教师具有丰富的教学经验，擅长对复杂的知识点、概念等进行深入讲解，在培养学生的创造性思维和学科综合能力、促进其知识的深度理解和加工方面具有不可替代性。

（2）双过程认知发展理论

双过程认知发展理论认为，人的思维和认知存在两种既独立又协同的加工系统——一种是快思考系统，主要依赖经验和情感，消耗认知资源少，用于处理熟悉情境和简单决策；另一种是慢思考系统，需要高度集中注意力和加大认知投入，负责复杂问题解决与深度推理。在人机协同“双师共教”模式中，AI智能体教师对应快思考系统，人类教师则对应慢思考系统。在进行认知资源分配时，AI智能体教师与人类教师应相互协同、充分发挥各自的优势，使人类教师在AI智能体教师的协助下能够更大程度地减少工作负荷、提升教学成效。

（3）建构主义教学理论

建构主义教学理论认为，知识不是被动传输的，而是学生基于已有经验，在与环境的互动中主动建构完成。建构主义教学理论强调学生需与不同的主体对话并即时反馈，这启示人机协同“双师共教”模式应在提供多元交互通道的基础上及时收集反馈信号，重视对导致行为结果的过程进行归因分析，并综合考虑学习过程中个体的认知路径、知识构建、心理活动、情绪激励等影响因素。在人机协同“双师共教”模式中，AI智能体教师擅长在真实、具体的情境中快速响应，可作为学生的“认知支架”，调用其内嵌的知识与经验，帮助学生在解决问题的过程中即时获得支持；而人类教师引导学生对知识进行有意识的、深层次的主动加工，依靠逻辑思维与整合性认知，促进学生对复杂内容的个性化意义建构。

2 模式构建

（1）核心内容

依托人机协同“双师共教”模式，以双过程认知发展理论和建构主义教学理论为指导，本研究构建了融入AI智能体教师的人机协同双师模式，如图3所示。此模式包含三大核心内容：任务角色协同作为结构，定义双师的角色与关系；动作知识混合作为功能，通过规划策略组合，将协同的潜力通过任务执行动作得到释放；反馈优化归因作为调节，通过数据反馈不断校准协同的方向、优化混合的配置。由这三大核心内容组成的“协同-混合-归因”方案构成了一个自我进化的动态系统，支持人类教师和AI智能体教师进行安全可信的分析决策，最终实现人机共存、多维交互的“双师共教”新模式。

图3融入AI智能体教师的人机协同双师模式

①任务角色协同：是指在“双师共教”过程中，对人类教师与AI智能体教师的职责、权限及互动关系进行明确划分和动态适配，主要负责人机双师在课堂全流程中实时分配、调度教学任务，增强人机协作能力、泛化鲁棒性并促进持续学习。在此过程中，人类教师主要负责规划教学方案和培养思维认知，依据课程标准和学情经验，制定单元的教学目标、重难点、教学主线逻辑及评价标准，并通过深度对话、思辨讨论、情境启发等培养学生的高阶思维能力；而AI智能体教师主要负责执行即时教学任务和提供课程资源，基于预设方案和实时学情响应课堂需求，根据教学内容提供相关的案例、跨学科知识点等。在功能设置上，“任务角色协同”应用多模态大模型进行任务协调，为人类教师提供中央控制接口，可随时干预或接管教学流程；同时，将教学方案解析为可执行的任务序列分发给AI智能体教师，实时生成教学资源，学生通过统一的多模态接口进行交互，使用智能设备界面获得个性化练习、提示和反馈。此外，“任务角色协同”还通过在线强化训练，动态调节人机双师协作的内容和方式，并通过局部观察或全局信息优化协作的策略。

②动作知识混合：是指通过规划策略，对人类教师与AI智能体教师的教学动作、教学知识进行组合编排，主要负责双师模式运行时的教学任务执行。不同的动作、知识被整合成互动混合的动作链和动作知识库，在动作生成和决策制定中起到关键作用，有助于减少规划幻觉。在此过程中，人类教师主要负责制定教学策略、设定教学环节，选择讲解、探究、合作学习等策略，通过情境导入、概念建构、探究实践等规划课堂的具体流程；而AI智能体教师主要负责支持个性学习、生成精确决策，根据预设的策略逻辑，判断触发条件是否满足，据此自动执行或切换学习任务。在功能设置上，“动作知识混合”内置策略配置模块、动作执行编排模块和动作知识模块，将设定的策略转化为奖励函数，再由AI智能体教师根据决策结果生成多样化教学动作。其中，策略配置模块存储预设的教学策略模板，接收教学过程数据和教学结果数据，输出当前最优的动作方案；动作执行编排模块将策略配置模块输出的动作方案转化为可执行的、时序与逻辑正确的教学动作流，并协调多模态动作的执行顺序；动作知识模块管理动作所需的知识内容，为动作执行提供语义化的知识支撑。

③反馈优化归因：是指基于教学过程与结果的多源数据，对教学效果进行系统性分析与归因，并将分析结果作为反馈信号，持续校准任务角色的协作关系、调整动作知识混合的策略配置，主要负责对学习效果的精确定量评估，为个性化辅导和教学优化提供科学依据。在此过程中，人类教师主要负责从知识掌握程度、学习状态、思维能力等多维度分析学生的学习情况，完成对学习效果的综合评价并将评价结果反馈给学生，同时结合课堂观察与长期教学经验，诊断自身教学存在的问题与教学成效影响因素，据此动态调整教学策略；而AI智能体教师在课堂全过程中实时采集学生的学习数据（包含问题作答、讨论参与度、专注度等多类数据），分析并定位学生错误背后的认知误区，完成对学习问题的诊断。在功能设置上，“反馈优化归因”内置多源数据采集模块和可解释诊断模块，根据采集的学习数据计算学生的知识掌握程度，通过结构化关系推理诊断学习效果，使用反馈数据不断优化教学内容和策略，支持人机协同双师模式实现良性闭环。此外，可通过迭代优化查询、检索结构化因果图谱并支持在相互关联的知识源之间进行多跳因果推理，来提升反馈优化归因的事实准确性和可解释性；也可通过从外部数据源动态检索相关的知识并将其整合到反馈循环中，来获得更准确且更具时效性的诊断结果。

（2）弱主从关系

在融入AI智能体教师的人机协同双师模式中，人类教师与AI智能体教师之间是一种弱主从关系，即人类教师处于决策的核心主导地位，凭借其独有的创造力、判断力和理解力，负责整个教学活动的安排，直接控制任务的整体方向和进程，确保任务按照预定目标进行，并灵活调整策略和指令来适应环境或任务需求的变化；AI智能体教师则高效为人类教师提供辅助性工作，以其强大的数据处理能力、精确的执行能力和持续的工作能力，显著减轻人类教师的教学负担，提升其整体的工作效率。但与传统的主从关系或辅助协作关系不同，AI智能体教师并不处于绝对的从属地位，而是在被允许的范围内具有一定的自主决策权，与人类教师之间还存在一种深度互动、相互依赖的伙伴关系：AI智能体教师根据教学目标选择最佳策略与人类教师协作，人类教师则结合自身的教学经验选择最佳策略与AI智能体教师进行协作——双方的协作不限于简单的任务分配和执行，而是更强调相互的信息交换、决策制定和协同工作，最终实现教学效果的最大化。

基于上述弱主从关系，实施融入AI智能体教师的人机协同双师模式时宜先确保人类教师作为教学主导者的地位，在此前提下进行合理的角色和任务分工：人类教师承担目标制定者和课堂动态调控者的角色，主要负责深度差异化教学、高阶思维引导等任务，专注于启发式教学和能力培养，引导学生掌握思考方法和认知结构；AI智能体教师则承担知识传授者的角色，主要完成数据分析诊断、即时教学等任务，为学生提供个性化的资源推送和学习支持，并从多角度评价、分析学生的学习行为。除了角色和任务分工，两者的协作关系主要表现为：人类教师能够清晰定义任务需求，为AI智能体教师提供明确的策略或指令；而AI智能体教师通过反馈机制，实时报告任务进度、遇到的问题及潜在的解决方案，使人类教师能够迅速做出反应，进一步优化教学策略[22]。通过上述分工协作，人类教师与AI智能体教师组成了优势互补、协同增效的教学共同体，既在各自擅长的领域发挥最大作用，又在动态反馈与策略调整中持续优化教学过程，最终实现对学生个性化学习与高阶思维能力培养的双重支撑。

3 部署应用

上述“协同-混合-归因”方案为融入AI智能体教师的人机协同双师模式提供了清晰的运行逻辑与机制框架，但此模式的真正落地还需将抽象的协同规则、功能策略与调节机制转化为可运行、可交互的技术系统。基于此，依托“协同-混合-归因”方案，集成AI智能体教师的主要功能层，本研究开展了人机协同双师模式主要功能层的部署，如表1所示。人机协同双师模式的主要功能层包含计算资源层、数据资源层、模型组件层、管理引擎层和感知交互层，各层均以解决具体的教育场景问题为主要任务，协同形成“感知-决策-执行-反馈”的闭环。

表1人机协同双师模式主要功能层的部署

①计算资源层：综合考虑用户规模、实时性、安全性、成本等因素，提供本地化部署或云端大规模部署两种实现方案。其中，本地化部署是将智能体的模型、数据、运行环境安装在本地计算服务器和存储设备上，确保数据在本地处理，能够极大地提高数据的安全性和隐私保护程度，并有效规避网络传输延迟带来的问题，从而满足实时性应用的需求。而云端大规模部署可以满足大量用户的并发请求，并通过云端集群训练算法模型。但要注意的是，不同的教学任务对计算资源的需求差异较大，且任务负载可能会随时间的推移而动态变化。为了提高资源的利用率，本层使用框架工具对计算资源进行动态优化的分配与调度，以更好地适配不同的任务负载。

②数据资源层：采集的数据和存储的资源包括结构化的学生信息、成绩和非结构化的文本、语音、图像视频、行为数据等，并由向量数据库、关系数据库、知识图谱分别承担不同类型数据的存储与管理职责。其中，向量数据库负责存储非结构化数据的嵌入向量，支持语义相似度匹配与多模态检索；关系数据库负责存储结构化数据，支持事务处理与精确查询；知识图谱则负责存储课程知识点之间的语义关系与结构，支持规划推理与个性化学习路径推荐。本层可通过Pandas工具库和PaaS平台进行数据的综合管理与加工，可将不同格式、不同