指向教師實踐智慧生長的多智能體建構與實踐

教研是推動教師專業發展和新課標、新教材高質量實施的重要保障。隨著大數據、AI等技術的發展，教研方式也需要與時俱進、變革創新。2025年1月，中共中央、國務院印發的《教育強國建設規劃綱要（2024—2035年）》（以下簡稱《綱要》）特別提出“促進人工智能助力教育變革”“深化人工智能助推教師隊伍建設”。2025年7月，教育部辦公廳在《關于組織實施數字化賦能教師發展行動的通知》中強調：要基于大模型研發教師智能助手，全流程支撐教師教研備課、培訓研修等工作，為教師賦能增效。近年來，筆者在國家、市、區政策的指引下，針對校本教研在內容、動力、互動方面的問題，借助全視角學習理論與數字化工具，對“循證翻轉”教研模型進行了建構和再構實踐[1]，幫助不同層次的教師通過數據發現問題、借助證據解決問題，促進了教師實踐智慧的生長。隨著研究工作的持續深人，我們對于AI循證教研過程中出現的新問題展開了系統性分析與研究，并利用多智能體優化原有的教研模型，在智能教研新范式探索方面取得了重要進展。

一、問題緣起：AI循證教研的實踐困境

課例教研是AI循證教研的基本形式，它為教師實踐智慧的生長搭建了平臺[2]。在AI循證的課例教研中，教師實踐智慧生長通過“尋證一用證一制證”的科學實證和多輪迭代機制得以實現。各教研組借助智能教研平臺的數據報告，在課堂觀察、協同反思、策略重構的三維互動中，為教師專業成長搭建起融合數據賦能、專業對話、經驗轉化與智慧創生的動態發展平臺。AI循證課例教研在實踐中取得令人欣喜的成果的同時，也出現了一些困境。

（一） “賦能” “負能”之爭

在與深度參與實踐的教研組長和教師訪談溝通中我們發現，大家一方面贊賞智能報告中翔實的師生對話、課堂互動、教學時間分析等數據與圖表；另一方面，也紛紛吐槽智能教研并不那么智能，如一些看似智能的功能，并不能解決最需要人工智能技術賦能的校本教研難題，通用的平臺功能和多維、個性的校本教研活動脫節[3]，特別是面對長達30頁的“賦能”數據報告，心理“負擔”滿滿。由于一線教師少有獨立分析這些數據的能力，AI循證教研反而增大了教師的認識負荷，使教師陷入“數據迷霧”的困境，無法快速聚焦教學問題并提出改進方案。前期探索中，部分教研組嘗試將數據報告上傳至DeepSeek等大語言模型平臺并提問，進而幫助教師解讀報告、提煉問題，但受大模型通用性的限制，泛泛而談的回答仍無法聚焦教研問題，難以為教師提供具體、可操作的教學建議。

（二）“單性異化” “教研主權喪失”風險

一方面，即使有教師能理解、吃透數據，也極易使循證教研陷入強調技術性證據的“單性異化”困境[4。過度依賴技術，反而弱化了資深教師實踐智慧的作用，制約了青年教師實踐智慧的生長。甚至有青年教師為使數據報告中師生行為數據占比、參與度曲線“達標”，將教學重心異化為關鍵詞堆砌（如刻意使用“小組合作”“討論”等術語），以迎合算法模型，造成教師教學風格同質化，學生高階思維發展窄化。另一方面，過度依賴數據報告，會產生教研主權喪失的風險。課例教研具有校本教研文化特質并精準對接學生個性化需求，需要教研團隊充分發揮專業智慧對證據進行過濾、辨別、清洗、提取和建構。有些教研組在智能教研中過于依賴證據，使教師喪失了對教研數據的主導權，無法確保技術應用與校本育人自標同向同行。

因此，我們亟須在人工智能環境下，對原有教研模型進行迭代優化，突破AI循證教研“山重水復疑無路”的瓶頸，真正賦能教師專業發展。

二、解決方案：基于多智能體的智能教研模型

在“互聯網 + ”、人工智能等“富技術”支持的校本教研進化實踐中，出現了自組織研修共同體、常態化混合協同研修等多種典型教研模式[5]。基于大語言模型的多智能體（largelanguagemodelbased multi-agents，LLM-MA）可以在復雜度較高的任務中相互配合協作、群策群力，展現出良好的能力。已有研究在學科教學、職前教師學習、在線協作知識建構等場景驗證了LLM-MA效度良好{。本研究針對目前AI循證教研中的實踐困境，依據技術、機制、素養三位一體優化路徑，建構了基于多智能體的智能教研系統框架（如圖1）。該智能教研模型可模擬課例教研中不同教師角色（授課教師、互助同伴、引領專家），支持參與教師的多輪對話、多維感知，使教師在工作場域中的學習從“他者闡釋”走向與主體體驗深度融合的“他主同一”[7]，促進教師實踐智慧的生長。

其優化路徑如下：在技術層面，基于扣子（Coze）智能體開發平臺，以低代碼或零代碼的方式快速構建和管理多智能體，開發輕量化校本模型，利用其多模態能力將課例教研中的結構化、非結構化數據（如手寫高階思維課堂教學評價表、教研活動記錄、專家指導視頻、語音等）及案例成果等，轉化為可共享的校本知識庫。在機制層面，注重教研中人機協同、人在回路[8]，建立教師主導的智能協作新模式，為教研提供經驗積累和數據洞察，實現經驗與證據的雙向賦能。在素養層面，結合教育部等九部門《關于加快進推進教育數字化的意見》，重點提升教師數據解讀、人機協同決策等數字素養和人工智能應用水平，創建人機協同、跨校共享的智能教研生態。

圖1中，基于多智能體、面向真實教學問題解決的多成員同步協作位于系統框架中心，是對原有“循證翻轉”教研模型（如圖2）中“社會性情境優化”“直接情境優化”的深化。對話從用戶交互模塊開始，該模塊包含兩個組件，分別是對話組件和上傳組件。對話組件支持教師直接輸入問題，使用自然語言與智能體進行引導式或遞進式多輪互動對話。智能體通過內嵌的自學習成果、知識庫中的內容和角色設定優化對教師的反饋。上傳組件支持外部獲取證據、最佳案例、智能教研報告的上傳。智能體將根據不同的工作流或教師對話，自動運行多角色智能體分組討論，提供決策支持。同時，智能體還可在多輪對話中調取與教師交互的歷史數據，啟用學習機制中形成的長期記憶，優化回復策略，根據用戶的提問偏好給予個性化反饋。教師可在多輪對話中與不同角色進行互動研討，快速聚焦問題，明確教研目標，增強教師個體層面對課例的深度反思，提升教研團隊知識共享質量。

圖1基于多智能體的智能教研模型

圖2“循證翻轉”教研模型

在“尋證一用證一制證”的“循證翻轉”教研過程中，已有結構化、知識化或碎片化的教研成果和優秀案例也可以投喂給平臺，納人校本知識庫，提供更加精準、更加條理化和個性化的問題解決策略。基于課例教研流程，筆者設計了三個具有特定功能的智能體角色：專家教師、授課教師和同伴教師。各智能體深度集成天語言模型，設定清晰的角色身份、職能定位及責任分工，以確保在教研活動中發揮其獨特的作用。

如教師作為“授課教師”角色，上傳教學設計、課堂實錄，與智能體圍繞教學中的真實復雜問題展開對話交流和互動協作；“同伴教師”角色則通過對教學設計和課堂實錄提出問題、觀點質疑、邏輯反駁等方式激發深度研討；“專家教師”依托DeepSeek、Kimi等大模型的語義理解與知識聚合能力，整合多方觀點形成結構化總結，提煉教學改進策略，引導不同發展層次的教師開展理性思考和決策。這種角色分工，有效促進了教師實踐智慧分階段持續生長，彌補了校本教研中專家指導資源不足的短板。

三、實踐驗證：多智能體促進教師實 踐智慧生長成效分析

（一）研究樣本與流程

本研究樣本來自上海市松江區初中化學“課的結構化、可視化”研修班成員。實驗前，他們被隨機分成平行的五組（設實驗組和對照組），每組設組長一名，成員涵蓋不同成長階段的教師，具有一定代表性。本研究選取區級公開課“水的組成探究”這一課例開展教研，旨在引導教師從課堂問題鏈、三個助手在課堂上的使用情況、落實課標情況、學生實驗探究如何開展、如何構建探究物質的思路五個真實問題展開深度教研。實驗過程不限制時間，直至完成教研任務。對照組配備通用大模型、“希沃校本研修”平臺，未配備知識庫和插件工具；實驗組運用多智能體，具備通用大模型和知識庫等設置。實驗結束后，對扣子平臺和校本研修平臺記錄的操作、交流及討論內容等數據進行整理，為后續分析提供支撐。

（二）實驗數據收集與分析框架

我們采用過程挖掘分析和內容分析兩種方法，收集實驗組與對照組動態數據，從教師實踐智慧生長的路徑與質量兩個維度，探究基于多智能體的智能教研模型對促進教師實踐智慧生長的作用機制（如圖3）。限于篇幅，本研究聚焦“三個助手在課堂上的使用情況”主題教研過程進行分析。

過程挖掘包括計劃、提取、數據處理、挖掘分析四個階段[9，始終聚焦“智能教研模型對促進教師實踐智慧生長的作用”這一核心問題。參照古納瓦爾德納等提出的社會知識建構互動分析模型（Interaction Analysis Model，IAM ）[10]，我們設計了“共享信息一發現沖突一意義協商一智慧生長一應用反思”教師實踐智慧生長五階段數據收集框架，對各平臺數據（如圖4）進行多方提取、清洗后，利用自然語言對文本數據進行如表1所示語義標注，為后續精準評估提供可靠基礎。在挖掘和分析階段，我們通過對比實驗組與對照組在智慧生長各階段的活躍度、遞進性、連貫性差異，分析多智能體在課例教研中的運用成效。

圖3智能教研模型促進教師實踐智慧生長成效分析框架

圖4各平臺數據提取

表1循證教研中教師實踐智慧生長五階段分類標準

內容分析法可以避免過程挖掘分析法僅對實踐智慧生長階段分析帶來的局限性，從智慧生長各階段（尋證一用證一制證）教師的觀點質量維度對實驗組和對照組進行比較。基于保羅提出的批判性思維理論，我們構建了深度、廣度、清晰度三個維度的質量分析框架[11]（見表2），每個維度又劃分為高、中、低三個等級，進而可以揭示智能教研模型對教師實踐智慧生長各質量維度的促進作用。

（三）實驗結果

1.過程挖掘分析

結果顯示，在實踐智慧生長的五個階段中，由于增加了教師同伴參與，實驗組在共享信息、發現沖突、意義協商階段表現出更高的活躍度，在應用反思階段，對照組表現得活躍度更高，這或許與對照組在面對面情境中成熟教師（組長）更具針對性的總結、指導有關。實驗組在“共享信息 $$ 意義協商”“發現沖突 $$ 智慧生長”“意義協商 $$ 智慧生長”遞進性上都明顯優于對照組。這表明在多智能體的引導和輔助下，教師可以迅速識別關鍵問題，快速進入深度研討狀態，整合同伴教師和專家教師觀點，各環節有更緊密的邏輯銜接，可以更高效地進人“應用反思”階段。對照組雖然也有一定的智能分析能力，但遞進性較差，在觀點深化上比較滯后。實驗組在“共享信息 $$ 發現沖突”階段表現出更高的智慧生長連貫性，說明多智能體有助于教師快速準確識別分歧。對照組則會出現邏輯斷層現象，在“發現沖突 $$ 意義協商”階段，對照組出現了碎片化和表面化現象，明顯弱于實驗組。由此可見，多智能體表現出對教研持續深化研究和優化的能力。

表2實踐智慧生長質量分析框架

2.內容分析

結果顯示，在教師實踐智慧生長質量的深度維度，多智能體介人可促進教師深度思考，讓教師能更加有邏輯和層次地分析問題，表現出較強的批判性思維能力。我們在梳理了教師觀點的廣度后發現，實驗組在廣度維度高水平占比較低，說明多智能體介人雖可促進對教學問題的深度研討，但也限制了教師的自主發散能力。此時，對照組在廣度維度表現出更強的發散性，但也存在思維松散、缺乏聚焦的風險。實驗組在教師觀點表達的清晰度維度高水平占比遠超對照組。這說明專家教師、同伴教師智能體介入后，提升了教師實踐智慧外顯表達的條理性和邏輯性，教師的表達能力提升明顯。對照組教師的觀點則多停留在中等或低等水平，難以進一步提煉優化。

四、反思展望：智能教研的生態化發展

（一）相比于依賴個人經驗的傳統課例教研

在多智能體的介人下，指向教師實踐智慧生長的智能教研通過對教師教研數據、教學數據的智能分析，高效、精準地識別了教研問題。指向教師實踐智慧生長的智能教研還能從教師需求出發，通過與AI平臺“同伴教師”“專家教師”的生成式對話、“數據 + 經驗”的多輪次循證化研討，幫助教師實現需求導向下的深度教研反思，解決了教研問題，拓展了實施策略。

（二）相比于現有智能分析功能的教研平臺

現有的一些智能教研平臺，不僅受限于課例采集的專用設備，在數據智能分析的維度和深度上也存在局限性，缺乏靈活性。平臺有些功能與實際教研活動脫節，有些操作過于復雜，還帶來了壁壘問題。而在大模型支持下的多智能體，可兼容現有多個教研平臺數據，多角色教師在AI對話互動中積極、靈活地介入，能夠顯著提升教師觀點表達的清晰度和精準度，促進教師系統化思維框架的形成，增強實踐智慧。

（三）多智能體需要在實踐應用中微調與 優化

結合知識庫遷移學習、關聯多任務學習等微調方法，可進一步優化多智能體性能，以適應課例教研場景中教師實踐智慧生長的需求。比如，在課例教研中形成的教師實踐智慧可以豐富校本知識庫，并在教研中多次調取應用，通過遷移學習，將其轉化為多智能體適應課例教研場景的專業能力；通過關聯的多任務學習，智能體逐漸學會處理多個相關任務，提高其任務表現。本案例數據報告中，三個助手應用的時間節點、師生互動分析數據、認知過程維度是分隔的，但在對學生高階思維的促進探究中需要將其關聯整合，教師可以手動建立關聯并投喂訓練智能體（如圖5），進而構建起人機協同、跨校共享的智能教研生態。

誠然，多智能體在課例教研中對實踐智慧的廣度和情感支持維度仍存在提升空間，且教師實踐智慧生長還與其所處的職業發展階段有關，對多智能體賦能的差異化需求尚未充分匹配。同時，本實驗樣本代表性邊界較為局限，多智能體促進教師實踐智慧生長的普適性還有待驗證。可以預見，隨著AI大模型技術、算法迭代和校本知識庫的持續優化，多智能體系統將逐步發展為兼具場景適配性與動態演化能力的教研智能體集群，通過個性化知識推送、教學策略生成與教研協同支持等功能，為教師專業發展提供精準化賦能，助力《綱要》落地實施，助推教育強國建設目標的實現。

注：本文系2023年度上海市教育科學研究項目“基于CDIO的初中工程教育實踐研究”（立項編號：C2023248）的階段性研究成果。

參考文獻

[1]李朝輝，閻文麗，跨學科項目化學習校本研修“循證翻轉”模型的建構與實施[J].教學與管理，2023（31）：22-26.

[2]吳支奎.課例研究與教師實踐智慧的生長[J].教育與職業，2009（23）：46-47.

[3]穆肅，陳孝然，胡小勇．教師專業發展視域下智能教研平臺功能分析[J].現代遠距離教育，2024（2）：23-32.

[4]王麗華，時一帆，盧國成，智能教研的本質、誤區與回歸[J].現代遠程教育研究，2025（2）：33-41.

[5]李朝輝，閻文麗.借力教研新社區，創新研修新模式：區域實驗教學管理模式創新探索與實踐[J].當代教育實踐與教學研究，2019（12）：196-197.

[6]游霖瑋，宋韜，李箭，等．基于大模型的地理教育多智能體的構建、運用與評估[J].地理教學，2025（7）：8-12.

[7]宛平，顧小清，從他者闡釋走向他主同一：多智能體賦能教師學習的實踐轉變[J].現代遠距離教育，2024（6：16-24.

[8]孫眾，于子淳．人工智能課堂教學分析與改進：人在回路的協同機制[J].電化教育研究，2023（1）：116-122.

[9]AALST W V D. Process Mining：Data Science in Action[M].2ed nd. Berlin：Springer，2016.

[10]GUNAWARDENA C N，LOWE C A，ANDERSON T. Analysisof aGlobal Online Debate and the Development of an Inter-action Analysis Model for Examining Social Construc-tionof Knowledge in Computer Conferencing[J]. JournalofEducational Computing Research，1997（4）：397-431.

[11]PAUL R， ELDER L. Critical Thinking：Tools for Tak-ingCharge of Your Professional and Personal Life[M].2nd ed. Lanham：Rowman amp; Littlefield Publish-ers，2020.

圖5三個助手應用與學生高階思維發展關聯圖

（作者李朝輝系上海市松江區民樂學校化學特級教師，日喀則市上海實驗學校初中部化學教研組組長；閻文麗系上海工程技術大學附屬松江泗涇實驗學校高級教師；李紅系日喀則市上海實驗學校高級教師）

責任編輯：牟艷娜