基于大模型的高職項目式教學智能體開發與實踐

摘要：文章針對高職教育的產教融合需求，構建了基于大模型的項目式教學智能體框架。通過動態問題生成引擎實現職業能力標準與項目任務的矩陣映射；采用人機協同設計系統，融合工作過程系統化與強化學習策略；建立銜接CAD與真實生產環境的多模態作品生產鏈；并設計了集成模糊綜合評價與區塊鏈存證的智能評價體系。在《數據分析》課程中的實驗表明：問題生成時間縮短了74.2%，方案完整度提升了13.6%，項目完成度提高了15%，企業評價得分增長了20.8%，表明該框架能顯著增強學生的實踐能力和提升項目成果質量。本研究為技術技能人才的培養提供了智能解決方案，并推動了職業教育教學模式的數字化轉型。

關鍵詞：大模型；高職教育；項目式教學；智能體；產教融合

中圖分類號：TP391 文獻標識碼：A

文章編號：1009-3044（2025）28-0105-04

開放科學（資源服務） 標識碼（OSID）

0 引言

隨著人工智能技術的迅猛發展，大模型（Large Language Models， LLMs） 憑借其卓越的語義理解、多模態數據處理和生成能力，正在重塑職業教育領域的教學模式。高職教育是培養技術技能人才的主要基地，其項目式教學強調“做中學、學中做”的實踐導向，但在傳統實施過程中仍面臨兩大瓶頸：其一，項目設計難以動態匹配產業技術的迭代需求；其二，學生的個性化能力發展缺乏智能支撐。近年來，大模型技術的突破為教育領域提供了新路徑。基于生成式預訓練變換模型（Generative Pre-trained Transformer， GPT） 等技術的多模態融合能力，可構建覆蓋“問題提出—方案設計—作品實現—能力評價”全流程的智能體框架。

在技術實現方面，教學智能體以大語言模型為核心，結合多智能體協同、檢索增強生成（Retrieval-Augmented Generation， RAG） 等技術構建功能框架。現有研究[1-2]已提出涵蓋教育任務設定、規劃、評價等功能模塊的智能體框架，但其技術原理和標準化仍須深入探索。在應用效能方面，教學智能體在項目式教學中表現突出。研究表明[3-4]，智能體可優化教學設計、提供個性化支持并提升復雜問題解決能力，但其長期影響仍須進一步評估。情感交互和個性化支持是重要的發展方向。研究表明[5-7]，情緒智能體可提升學習動機和知識遷移能力，而個性化推薦能有效提升學習效率。本文提出基于大模型的項目式教學智能體框架，通過動態問題生成、人機協同設計、多模態作品生產和智能評價等模塊，為高職教育提供智能化解決方案，以助力技術技能人才培養。

1 項目式教學智能體框架設計與大模型技術適配

項目式教學智能體研發框架包含“提出項目驅動問題”“人機協同設計項目方案”“人機協同完成項目作品”和“多角色項目評價”四大模塊，智能體開發框架如圖1所示。

1.1 提出項目驅動問題

在實踐導向的框架下，“提出項目驅動問題”模塊的技術路徑遵循“情境預設—框架引導—數據驅動—特征挖掘—問題生成”的閉環邏輯。

基于行業真實工作場景預設職業化學習情境，通過模擬典型崗位任務鏈構建實踐場域，將課程標準與職業能力標準進行矩陣映射。基于認知學徒制理論，建立分層引導框架并采用工作過程系統化設計方法，將崗位核心能力拆解為可觀測的行為指標。在交互實施環節，通過多模態在線討論平臺整合文本、語音、視頻等多維數據流，借助神經網絡構建個性化對話路徑，并設計包含認知沖突、角色代入、情境遷移的交互策略集群。運用自然語言處理技術對交互日志進行語義角色標注，結合聚類算法提取學生的認知特征圖譜，同步采用貝葉斯網絡推理學習意圖演化軌跡。基于職業能力成長模型與崗位勝任力特征庫，生成具有真實生產價值的項目驅動問題，確保問題集既涵蓋專業領域知識模塊，又嵌入行業技術標準與工作規范，形成職業能力培養與項目任務解決的螺旋上升結構。此模塊的大模型技術適配如下：

融合GPT-4與行業知識圖譜實現智能問題生成。利用GPT-4的上下文學習（in-context learning） 能力解析崗位任務書，通過提示工程（prompt engineering） 嵌入《國家職業標準》條目，結合課程學習（Curriculum Learning） 策略，漸進生成符合CDIO（構思—設計—實現—運作） 工程教育模式的問題簇。同步部署GraphSAGE（圖采樣與聚合） 算法挖掘行業知識圖譜中的技能節點關聯，構建包含設備參數、工藝規范等特征的動態問題庫。采用Anthropic的Constitutional AI機制確保問題符合職業教育倫理，通過LangChain（語言模型鏈式調用框架） 實現與企業制造執行系統（Manufacturing Execution System， MES） 的應用程序接口（Application Programming Interface， API） 對接，使驅動問題實時映射產線技術迭代需求。

1.2 人機協同設計項目方案

以職業能力培養為導向，“人機協同設計項目方案”模塊的技術路徑遵循“規則解析—資源重構—智能支撐—動態調優—方案成型”的協同機制。

基于崗位工作說明書解析項目任務規則，采用工作分解結構法拆解職業能力單元，通過建模工具實現任務流程的可視化編排。構建行業級項目案例知識圖譜，運用跨媒體檢索技術整合生產現場的影像日志、工藝圖紙等多模態素材，采用增強現實技術開發虛實融合的交互載體。在智能支撐層，部署基于強化學習的策略推薦引擎，根據學生認知負荷水平動態推送思維導圖、決策樹等結構化支架工具。通過多通道人機交互界面實時采集操作行為數據，采用注意力機制神經網絡進行意圖識別，結合模糊綜合評價法生成分層反饋矩陣。借助數字孿生技術構建三維項目沙盤，通過蒙特卡羅仿真驗證方案可行性，同步對接企業質量管理循環，形成符合ISO標準且具備技術遷移價值的項目方案原型。此模塊的大模型技術適配如下：

采用GPT-4 Turbo（多任務代碼生成模型） 與Stable Diffusion（穩定擴散圖像生成模型） 構建跨模態設計系統。基于GPT-4 Turbo的代碼生成能力解析工作分解結構（Work Breakdown Structure， WBS） 任務樹，自動生成可編程邏輯控制器（Programmable Logic Controller， PLC） 梯形圖、數控加工程序等技術文檔。運用Stable Diffusion的ControlNet + MeshGPT實現二維圖紙到三維模型的轉換，結合低秩適應（Low-Rank Adaptation， LoRA） 微調技術注入特定行業的設計規范。部署ChatGLM3（對話生成語言模型3代） 作為設計協商中介，利用其長上下文處理能力分析多角色討論記錄，通過推理-執行（ReAct） 框架生成沖突解決方案。引入GPT Agents（多智能體任務框架） 實現方案可行性自檢，自動調用MATLAB/Simulink（數學建模與仿真平臺） 進行仿真驗證。

1.3 人機協同完成項目作品

在產教融合導向下，“人機協同完成項目作品”模塊的技術路徑采用“數據索引—智能檢索—生成優化”的三階智能系統。

通過多模態數據融合引擎，整合項目需求文檔、工藝視頻和設備傳感數據等異構資源，運用工業級ETL（Extract-Transform-Load） 工具進行數據清洗與標準化處理，采用卷積神經網絡提取數據特征、長短期記憶網絡捕捉操作時序模式，經預訓練大語言模型向量化后構建具備行業知識屬性的向量數據庫，實現崗位知識元與國家職業標準的語義映射。部署基于注意力機制的問答檢索模型，將學生的自然語言提問通過預訓練大語言模型編碼為語義向量，結合余弦相似度算法與倒排索引技術，在知識圖譜支撐下實現工藝規范、安全標準的精準匹配。搭建領域增強型生成框架，通過依存句法分析解構技術需求，運用思維鏈提示工程構建包含行業術語的上下文模板，調用經微調的行業大模型生成可執行方案，同步生成符合ISO質量管理體系的工藝卡與檢測報告，形成閉環的項目作品生產流程。此模塊的大模型技術適配如下：

構建基于GPT-4V（視覺增強型生成模型） 與DALL·E 3（圖文生成模型3代） 的多模態協同系統。GPT-4V解析設備傳感數據流與視覺檢測圖像，通過思維鏈（Chain-of-Thought） 提示工程生成工藝優化建議。DALL·E 3根據計算機輔助制造（Computer-Aided Manufacturing， CAM） 文件生成裝配體爆炸圖，結合InstructPix2Pix模型進行圖紙規范性修正。部署LLaMA-2（開源大語言模型2代） 作為質量管控中樞，利用QLoRA生成符合ISO標準的質檢報告。

1.4 多角色項目評價

在職業能力認證導向下，“多角色項目評價”模塊的技術路徑采用“數據驅動—標準嵌入—協同研判—能力認證”的立體評估體系。

基于國家職業資格框架構建評價量規生成引擎，運用層次分析法配置過程性指標權重，結合ISO質量管理體系設計結果性評價矩陣，實現量規參數與行業認證標準的動態綁定。部署多源感知融合系統，運用操作日志挖掘技術解析版本控制數據，識別協作場景中的肢體語言特征，通過協議對接工業設備獲取工藝參數，構建覆蓋“認知—行為—成果”的三維數據立方體。基于多屬性決策模型計算機器評分，搭建混合智能研判平臺。運用主題模型提取師生互評文本中的能力特征，對接企業生產管理系統驗證作品的生產適配度，并通過區塊鏈技術對評價過程進行存證。生成包含崗位勝任力雷達圖與能力發展建議的評估報告，同步推送至職業技能證書管理平臺，形成“評價—診斷—認證”的職業能力發展閉環。此模塊的大模型技術適配如下：

集成BERT（Bidirectional Encoder Representations from Transformers） 與GPT-4構建智能評估矩陣。采用BERT的下一句預測（Next Sentence Prediction， NSP） 任務識別過程性評價中的能力項匹配度，GPT-4構建多智能體評價系統，其中教師Agent生成教學反思，企業Agent模擬MES驗收，學生Agent進行同伴互評。部署Mistral-7B分析生產數據與評價量規的偏離度，運用LangChain的智能體（Agents） 模塊協調多源評價結果。

2 案例驗證教學智能體的有效性

為驗證“高職項目式教學智能體”的實踐效能，選取某高職院校計算機應用技術專業數據分析課程的3個實驗班（實驗班A、實驗班B、實驗班C，共141人） 開展實證研究，另設1個對照班（對照班D，47人） 。該課程對接數據分析師（國家職業技能標準四級） 崗位要求，實驗周期為2周，圍繞“電商平臺用戶行為分析”項目，全面應用項目式教學智能體框架的四大模塊，旨在比較實驗班與對照班在學習成效、職業能力達成度、學習體驗等方面的差異。

2.1 項目驅動問題生成

1） 情景設定。基于真實電商數據設定“用戶行為分析”情境，覆蓋用戶畫像、消費預測、異常行為檢測等核心任務。數據來源于Kaggle電商數據集（含200萬條用戶交互記錄） ，涵蓋不同消費群體的購買記錄、訪問路徑、反饋信息等多維數據，以確保實驗的真實性和實踐性。通過構建多元化數據場景，模擬真實電商運營環境，提升學生對數據分析業務的理解。

2） 智能生成問題。采用GPT-4與行業知識圖譜，解析《國家職業技能標準》，生成10個符合CDIO理念的問題簇。GPT-4根據崗位能力要求，結合數據分析核心技術，生成涵蓋數據預處理、模型選擇、特征提取、結果解讀等關鍵環節的問題。問題難度梯度合理，兼顧基礎知識與高級技能，確保學生能夠逐步深入，完成從問題理解到方案實施的全過程。

3） 動態問題庫構建。利用GraphSAGE算法對接企業MES，實時更新數據特征，生成針對性問題。系統根據實時業務數據變化，動態調整問題庫內容，確保問題的時效性與企業需求匹配度。學生在解決實際問題的過程中，培養了數據分析與解決復雜問題的能力，增強了其對行業前沿技術的理解與應用。

本模塊實驗結果如圖2（a）所示。實驗班的問題生成速度顯著提升，平均生成時間為8.4 min，顯著低于對照班的32.5 min；問題多樣性達到10個，遠高于對照班的4個；崗位匹配度高達92.3%，較對照班的74.6%有顯著提升。這驗證了智能體在問題生成方面的有效性。實驗班通過智能體自動生成問題，縮短了問題設計時間，提高了問題的針對性和多樣性，確保了問題與行業需求的高度一致性，為后續項目方案設計與實施提供了高質量的起點。

2.2 人機協同方案設計

1） 任務解析。利用Codex解析用戶行為分析的WBS任務樹，自動生成數據預處理、模型訓練和結果分析方案。智能體根據WBS任務分解原則，將復雜的數據分析任務細化為若干子任務，涵蓋數據采集、數據清洗、特征工程、模型選擇、模型評估等關鍵環節，并生成詳細的執行方案，以確保學生對任務的理解和分工協作的有效性。

2） 多模態設計。結合Stable Diffusion生成數據流圖和模型架構圖，幫助學生理解復雜流程。通過圖像生成技術直觀呈現數據處理流程與模型結構，彌補了文字描述的抽象性，增強了學生對項目各階段的理解與掌握，尤其是對復雜算法和數據流的可視化解析，從而提高了學習效率。

本模塊實驗結果如圖2（b）所示。智能體框架顯著提升了方案設計的效率與完整度，實驗班的方案生成時間平均為2.5 h，顯著低于對照班的6.7 h；方案完整度達到94.8%，較對照班的81.2%提高了13.6個百分點。方案錯誤率方面，實驗班為3.1%，遠低于對照班的12.6%。結果表明，智能體在復雜任務解析與方案生成方面具有顯著優勢，能有效助力學生掌握系統性思維與實際操作技能，提升項目方案的科學性、完整性與準確性。

2.3 人機協同完成項目作品

1） 任務分配與進度跟蹤。智能體自動將“電商平臺用戶行為分析”項目拆分為數據采集、預處理、探索性分析、特征工程、模型建立、結果可視化等子任務，并對各子任務的完成進度進行實時監控。

2） 代碼生成與調試。智能體結合最新的代碼生成模型，為學生提供Python代碼示例（例如，數據處理用Pandas、數據可視化用Matplotlib或Seaborn、機器學習用Scikit-Learn等） ，幫助學生快速搭建數據分析流程。

3） 作品集成與測試。各模塊完成后，通過智能體將代碼、數據及報告集成到統一的項目系統中。對集成后的作品進行性能壓力測試和數據分析準確性檢測，并生成詳細的測試報告（如響應時間、錯誤率、結果偏差等） ，以確保系統的穩定性和最終分析結論的可靠性。

本模塊實驗結果如圖2（c）所示。從代碼質量來看，實驗班平均得分為90分，對照班為75分，實驗班高出15分（提升20%） ，這表明智能代碼生成與自動調試建議大大提高了代碼編寫的標準化和正確率。從集成測試結果來看，實驗班得分為88分，相較于對照班的70分，高出18分（提升約25.7%） ，這說明在智能仿真平臺的輔助下，作品集成后的接口銜接與系統穩定性明顯增強。從項目完成度來看，實驗班得分為92分，對照班為80分，提升了12分（提升15%） 。綜合來看，智能體在任務分配與進度監控方面能有效保證項目整體按時高質量完成。

2.4 多角色項目評價

1） 自評與互評。智能體系統基于項目關鍵指標（如數據處理準確性、代碼質量、創新性、項目報告完整性、團隊協作情況等） 設計了評分表。該評分表不僅包含定量打分項，還輔以開放性評價題目。學生在項目完成后進行自評并互相評分，這促使學生從不同角度反思自身不足，同時借鑒他人優秀之處，進一步促進了知識鞏固和能力提升。

2） 企業評價。為使項目更貼近市場需求，邀請了來自電商平臺、數據分析及信息技術領域的企業專家對學生的項目作品進行綜合評價。專家評價不僅包括定量評分，還提供了對項目實際應用價值、創新性及可推廣性的定性建議。專家評價指標直接對接企業實際崗位要求，為學生未來就業提供了參考和方向指導。

3） 智能反饋。智能體將學生自評、互評以及企業評價數據進行匯總和深度分析，識別出各階段普遍存在的問題及個體差異。智能體系統根據分析結果，為每位學生生成個性化的學習改進報告，報告中詳細指出了改進建議、推薦的學習資源和后續提升方案，以幫助學生針對性地彌補短板，提升整體數據分析能力。

本模塊實驗結果如圖2（d）所示。在自評與互評得分方面，實驗班平均得分為85分，而對照班為70分，實驗班提升了15分（約21.4%） ，這表明在智能評分表和雙向評價機制的作用下，學生對自身及團隊表現有了更客觀的認識，并在反思中不斷進步。在企業評價方面，實驗班的企業評價得分為87分，對照班僅為72分，實驗班高出15分（提升20.8%） ，這表明企業專家的參與使得評價更貼合實際崗位需求，也為學生未來就業提供了寶貴指導。在智能反饋滿意度方面，實驗班達到90分，而對照班僅為75分，差距為15分（提升20%） ，這表明個性化改進報告有效激發了學生的學習熱情和自我提升意識。

3 結束語

本研究構建了基于大模型的四維智能體框架，驗證了智能體技術在高職項目式教學中的有效性。實驗數據表明，該框架在問題生成效率、方案設計質量、作品完成度和評價客觀性等維度均取得了顯著提升，充分體現了產教融合的實踐價值。未來將進一步優化智能體的認知推理能力，探索跨專業領域的知識遷移路徑，以推動形成更具適應性的職業教育智能生態系統。

參考文獻：

[1] 盧宇，余京蕾，陳鵬鶴.基于大模型的教學智能體構建與應用研究[J].中國電化教育，2024（7）：99-108.

[2] 謝鑫，趙正，崔永輝.基于多專家智能體的智能化課程評價模型設計與應用[J].航海教育研究，2025，42（1）：54-60，68.

[3] 倪德慧，鄭烜斌.教學智能體在混合式教學中的應用探析[J].教育信息化論壇，2024（21）：27-29.

[4] 翟雪松，季爽，焦麗珍，等.基于多智能體的人機協同解決復雜學習問題實證研究[J].開放教育研究，2024，30（3）：63-73.

[5] 朱珂，卞茗慧，王東.教育智能體情緒線索賦能在線學習的模型構建及實踐研究[J].遠程教育雜志，2024，42（3）：68-78，112.

[6] 陳國衛，文昊林，范菊琴.大語言模型在教學中的應用研究情況與未來發展[J].科學咨詢，2024（6）：105-109.

[7] 徐振國，劉志，黨同桐，等.教育智能體的發展歷程、應用現狀與未來展望[J].電化教育研究，2021，42（11）：20-26，33.

【通聯編輯：王力】