做了几年教育信息化产品，写一点不那么"汇报材料"的思考。文中方案都来自一个正在迭代的智慧教学平台（教师端+学生端+管理端），踩过的坑比成功的经验多。
一、先说结论：过去十年的教育信息化，方向偏了
在教育口做了几年，见过最多的场景是：学校花几百万上一套系统，老师用两周，然后回到 Excel 和微信群。
问题出在哪？过去的教育信息化本质是"把线下流程搬到线上"------签到搬成网页签到，成绩单搬成电子成绩单，题库搬成电子题库。系统越多，老师的切换成本越高。一个老师日常要在教务系统、直播系统、作业系统、学情系统之间来回横跳，每个系统都只解决一小段。
AI 热起来之后，很多厂商的做法是给每个系统加个"AI 按钮"：AI 生成 PPT、AI 出题、AI 批改。这比没有强，但它还是没有解决那个根本问题------老师仍然需要知道"该去哪个系统、点什么按钮"。
Agent 带来的变化其实是交互范式的变化：从"人找功能"，变成"功能找人"。老师不需要知道学情数据在哪个菜单里、组卷要走几步流程，他只需要说"帮我出一份覆盖前两章的期中卷，重点考机械波的干涉，班里上次考得最差的部分多出两道"------剩下的让 Agent 去办。
这是我认为 Agent 时代教育信息化真正值得重构的东西：不是把 AI 塞进旧系统，而是让对话成为新的入口，让旧系统退化为 Agent 背后的工具层。
二、具体怎么做：一个教师端 Agent 的架构实践
道理讲完了，讲落地。我们平台里教师侧有一个"AI 教学智能体"，它的实现思路值得展开说，因为这里面每个设计决策都是被需求逼出来的。
2.1 核心思路：不让大模型"猜"，让它"查"
第一个也是最容易被做错的地方：很多人做教育 Agent 的第一反应是接一个大模型 API，让老师直接跟模型聊。这条路走不通，因为通用大模型对你的学校、你的班级、你的学生一无所知。你问它"我们班这次期中怎么样"，它只能一本正经地编。
我们的做法是：Agent 主体是一个带工具调用（tool call）能力的调度器，教学数据全部通过工具函数实时查询，大模型只负责理解意图和组织答案，永远不让它生成事实性数据。
具体来说，给 Agent 配了一组工具，比如：
-
学情类：考勤统计、作业/考试完成度查询、成绩查询、考试成绩分析
-
组卷类：智能组卷（generate_exam_paper → 试卷预览 → 一键导入考试）
-
知识图谱类：查知识点信息、查前驱/后继知识点、全局搜索，一共十来个
-
资源类：检索 PPT / PDF / 视频等教学资料
这样当老师问"帮我分析一下班级最近一个月的整体学情"，Agent 会自己去调相关的分析工具，拿到真实的班级数据之后再组织语言回答。数据永远来自数据库，语言永远来自模型------这一条守住了，幻觉问题在教育场景里就解决了大半。
2.2 组卷：Agent 落地价值最明显的一个场景
挑一个具体场景细说。为什么是组卷？因为它是"高频 + 规则繁琐 + 依赖数据"三者的交集，正是 Agent 比表单流强大一个量级的地方。
传统组卷流程：老师进题库 → 按章节筛题 → 手动挑题 → 手动配分 → 检查知识点覆盖度 → 反复调整。一次像样的期中卷，熟练的老师也要一两个小时。
Agent 化之后的流程是一句话：帮我出一套【第一章单元测验】考试试卷，考试时长：90分钟，其中单选题：10道，多选题：5道，填空题：5道，简答题：3道"
Agent 拿到这句话，实际做了四件事：调知识图谱工具确定"第一章"包含哪些知识点、调题库查询工具加载题库中的习题、调组卷工具生成试卷草稿、最后把试卷以预览的形式给到老师确认。注意最后一步：老师仍然要过目和微调，Agent 负责把一小时的工作压到五分钟，而不是替老师做决定。
我们内部管这个叫"AI 出草稿，人拍板"。教育场景里任何涉及评价和决策的环节（出题、打分、评优），都建议保留人工终审，这既是质量兜底，也是让老师敢用的信任基础。
2.3 知识库（RAG）：让 Agent 认识"你这门课"
第二个关键组件是教师侧的知识库。老师把自己的讲义、课件、大纲传上去，Agent 回答问题时会先检索这些私有资料。
这件事对教育场景特别重要，因为每个老师对同一门课的理解和侧重都不一样。同样是《数据结构》，A 老师用 C 语言讲、B 老师用 Python 讲，通用模型根本无法适配。RAG 相当于给每个老师配了一个"读过他全部讲义的助教"。
工程上没什么玄乎的，就是文档解析 → 切片 → 向量化 → 检索召回，但有两个实践细节值得说：
一是检索结果要和工具调用打通。老师问"第三章里我讲过的那个快速排序的例子在哪页 PPT"，Agent 需要同时调知识库检索和资源检索两个工具再合并回答，单一 RAG 通道不够。
二是别指望 RAG 解决一切。公式推导、代码运行这类任务，直接交给模型本身能力反而更好。哪些走检索、哪些走模型原生能力，需要按场景测试调优，这是个持续迭代的过程，不是一次性配置。
三、学生端：从"资源库"到"陪练"
说完教师端说学生端。学生端的教育信息化，过去基本等于"网课平台 + 题库 App"。Agent 时代能多做什么？
我们的答案是AI 学习助教，定位不是"答案机器"，而是"陪练"。几个设计点：
第一，知识点和教学资源、练习题深度绑定。 学生在知识图谱页，可以方便的看到知识点之间的关联关系，点击知识点进入详情页，可以快速查询知识点基础信息、阅读、学习教学资源，还可以快速进行习题练习。
第二，用知识图谱做"因材施教"的地基。 个性化学习喊了十年，多数产品的实现是"错题多就多推同类题"，本质还是题海。真正有用的个性化需要一个前提：知识之间有结构化的依赖关系。学生连错三道"机械波干涉"的题，图谱能告诉你根源可能是"波的叠加原理"没懂------推的应该是前驱知识点，不是更多干涉题。我们做了知识图谱模块（教师端可编辑知识点和关系，学生端可视化浏览），Agent 的学习路径生成工具（generate_study_path）就建立在它之上。没有结构化知识的数据底座，AI 的个性化就是玄学。
第三，错题本是数据资产，不是功能摆设。 每次考试和练习的错题自动归集，这些数据反过来既驱动学生端的个性化推荐，也驱动教师端的学情分析。数据在学生和教师两端之间形成闭环：学生错得多 → 教师端预警 → 教师调整教学 → 下次考试验证。教育信息化的价值，最终体现在这种闭环能不能转起来，而不是单点功能多炫。
四、课堂场景：不要高估 AI，也不要低估"扫码"
有个容易被 AI 从业者忽视的场景：课堂。直播和 AI 都火了这么多年，但线下课堂仍然是高校教学的绝对主体。
我们在课堂互动上做了两个朴素的功能：扫码签到和扫码讨论。学生扫码进实时讨论区，匿名的、实时的弹幕式讨论。技术上一毛钱难度都没有，但在大班教学里效果惊人------一百多人的大课，平时提问没人举手，开了匿名讨论之后，一个问题能收到几十条回答，而且老师能看到那些"不敢举手的学生"到底在想什么。
说这个不是为了凑数，而是想说明一个判断：AI 重塑教育信息化，不等于所有环节都要 AI 化。 有些环节要重投入（Agent、RAG、知识图谱），有些环节一个二维码就够了。判断标准只有一个：这个环节的真实痛点是什么，最小成本的解法是什么。把 AI 当锤子到处找钉子，是这波浪潮里最容易犯的错。
五、几条踩坑总结
最后提炼几条我们认为有普适性的经验，不分行业其实也成立：
-
幻觉治理靠架构，不靠提示词。 教育场景对事实错误的容忍度极低（把错误答案讲给学生，一次就够了）。别指望在 prompt 里写"请不要编造"能解决问题，靠工具调用让模型只组织语言、不生产数据，才是正解。
-
Agent 的工具粒度是门手艺。 工具切太粗（一个"教学管理"大接口），模型调用准确率低；切太细（几十个工具），模型选择困难。我们的经验是按"教师的一个自然意图"来切，一个工具对应老师一句话里能说清的一件事，效果和可维护性最平衡。
-
教师的时间是最贵的资源。 所有功能设计的度量衡就一个：给老师省了多少分钟。智能组卷省一小时，学情分析省两小时，这些是老师真金白银愿意买单的。至于那些"领导看的大屏"，好看归好看，但别指望它驱动老师使用。
六、写在最后
回到标题：Agent 时代如何重塑教育信息化？
我的答案是把这篇文章的内容压缩成三句话：交互上，让对话取代菜单，让功能主动找人；数据上，先建知识图谱和学情数据的结构化底座，再谈个性化；边界上，AI 出草稿、人做决策，评价环节永远保留人工终审。
我们自己在做的这个平台（教师端 Agent + 学生端 AI 助教 + 知识图谱这条线）也只是把上面这些跑通了一个初版，离理想形态还有距离------比如学习路径的长期效果追踪、Agent 主动式提醒（不是老师问才答，而是主动推送"这周该带学生复习 XX 了"），都还在路上。
教育信息化的历史包袱很重，但 Agent 这一波确实是十年来第一次，交互范式本身发生了变化，而不仅仅是"系统又升级了一版"。对在这个行业里的开发者和产品人来说，现在入场不算晚。
有问题欢迎评论区交流，具体的架构细节也可以展开聊。