1. 引言
在当今人工智能技术快速迭代的大背景下，编程能力已成为大学生必备的核心素养之一。Python凭借其简洁的语法和强大的功能生态，尤其在数据分析、人工智能等领域展现出独特优势，成为高校计算机教育的热门选择。但对于非计算机专业的学生而言，Python学习仍存在诸多现实困境：一方面，有限的课时安排(通常仅48学时)与学生普遍薄弱的计算机基础形成矛盾；另一方面，传统“理论讲授 + 上机实验”的教学模式存在明显短板——学生往往能理解语法概念，却难以将零散的知识点串联成解决实际问题的能力。
从教育理论视角看，这一困境与认知负荷理论揭示的学习机制密切相关。Sweller (1988)指出，当学习者同时处理多重信息源时，外在认知负荷会显著阻碍知识内化[1]。非计算机专业学生在调试代码时，既要解析语法结构，又要关联专业场景，容易导致认知资源超载。此外，建构主义学习理论强调知识建构需依赖情境化实践(Vygotsky, 1978)，而传统教学中“去情境化”的代码练习难以支撑学生建立“编程能力–专业应用”的认知桥梁[2]。智能辅导系统(ITS)领域的研究进一步表明，通用ITS难以适应学科特异性需求(Brusilovsky, 1994)，需通过领域知识库定制提升解答精准度[3]。
我们前期通过“猜拳游戏”、“电子通讯录”等模块化项目教学取得了一定成效，学生参与度显著提升[4]。但深入观察发现，学生在代码实践环节仍存在两大痛点：其一，虽然可以借助大模型工具辅助学习编程，但通用大语言模型由于缺乏垂直领域知识，在解答项目相关问题时常常“答非所问”。这一现象印证了ITS领域的研究结论——通用ITS难以适应学科特异性需求(Brusilovsky, 1994)，需通过领域知识库定制提升解答精准度[3]。其二，教师需要重复解答大量基础性问题，难以兼顾个性化指导需求。这与技术接受模型(TAM)揭示的用户依赖性特征相呼应(Venkatesh, 2021)，凸显了自动化辅助工具的必要性[5]。
针对这些痛点，本研究创新性地将Coze智能体技术引入教学场景[6]。从认知负荷理论视角，智能体通过“代码解析 + 场景类比”的双通道输出，将语法解析的外在负荷转化为专业场景的内在负荷，同时减少无关信息干扰[1]。在建构主义理论框架下，智能体作为动态脚手架，通过项目知识库为学生提供“最近发展区”内的针对性支持[2]。此外，借鉴ITS领域的适应性学习路径设计(Brusilovsky, 1994)，智能体通过限定解答范围至课程项目知识库，显著提升了问题解决的精准度[3]。
通过构建项目专属知识库和动态解析机制，打造“代码检索–场景映射–逻辑贯通”的完整闭环，旨在帮助非计算机专业学生突破项目代码理解瓶颈，为编程教育智能化转型提供新思路[7]。
2. 智能体辅助项目引导式教学开发框架
2.1. 需求分析与智能体构建
非计算机专业Python教学的核心矛盾在于：如何让学生在有限学时内建立“代码实现”与“专业应用”之间的认知桥梁。基于教学实践，我们总结出智能体必须满足的三大设计原则。
首先，知识供给必须精准聚焦。以经管类专业为例，学生更需要理解代码在财务统计、信息系统等业务场景中的实际运用，而非泛泛的编程知识。为此，我们整合了8个典型项目案例，既包含猜拳游戏等通用练习，也纳入财务记账系统等专业场景，构建起“基础语法 + 行业应用”的双层知识体系。
其次，交互设计需要场景化适配。学生提问往往带有明确的专业指向性，比如“猜拳游戏里判断胜负的函数是如何实现的”。这就要求智能体不仅能识别技术关键词，还要理解项目背景，实现从“代码元素”到“业务场景”的精准映射。
最后，功能实现要符合认知规律。针对非专业学生特点，智能体需具备三个核心能力：快速定位相关代码片段、用专业类比解释技术逻辑、建立跨项目的知识关联。例如，将循环结构同时类比为“财务系统的月度汇总”和“游戏中的回合制”，帮助学生建立跨场景的理解框架。
2.2. 配置智能体–流程编排与模块设计
在Coze扣子智能体配置中，人设与回复逻辑设计十分重要，也就是编写提示词。需要明确智能体的角色与定位，规范智能体行为与输出，提升用户体验。
1) 人设与回复逻辑设计
# 角色
你是一个专业的Python代码答疑助手，擅长使用Python项目代码练习知识库中的教学案例，为用户解释Python代码相关问题，包括语法、项目代码、调试、专业应用等内容。
## 技能
### 解释Python代码
a. 严格参考知识库检索到的Python项目代码片段(会自动匹配用户提问里的项目名称，比如猜拳游戏、简易计算器)。
b. 针对用户当前问题，解释代码在对应项目里的作用。
c. 用通俗语言 + 项目业务逻辑进行解释，可以使用生活化类比，不输出无关内容。
d. 用markdown高亮知识库中的代码片段
## 限制：
只回答与Python代码练习相关的问题，包括语法、项目代码、调试、专业应用等内容，拒绝回答无关话题。
所输出的内容必须围绕用户问题和知识库中的代码片段进行解释，不能偏离框架要求。
回答应简洁明了，重点突出。
只会输出知识库中已有内容，不在知识库中的信息无法提供。
2) 知识库设计
扣子的知识库支持文本、表格、照片等多种形式，本案例使用的知识库都是本地文档，整合了8个项目代码。这些资源构成了智能体实现精准解答的“核心支持”。内容分类如下。
项目代码库：包含猜拳游戏、简易计算器等8个通用项目代码，按“项目名称–核心功能–代码文件”存储，涵盖条件判断、循环结构、函数定义等基础语法的应用案例。
专业适配库：针对经管类专业，提供“财务记账系统”等项目代码，每个文件附带“专业场景说明”(如财务系统代码标注“适用于经管专业收支统计教学”)。
分片规则：采用“功能模块 + 关键词”分片策略，将代码文件按功能拆分为最小检索单元(如猜拳游戏拆分为“用户/电脑输入模块”、“胜负判断模块”、“循环控制模块”)，并为每个单元标注关键词(如while循环、random.choice函数调用)，提升检索匹配效率。
代码格式规范：代码片段必须保留完整注释(如#定义加法函数，接收两个参数并返回和)，便于智能体提取业务逻辑进行解释。
3) 工作流设计
工作流是实现业务逻辑、完成特定任务的一系列可执行指令集合，为智能体的数据流动与任务处理提供结构化框架。
基于Coze平台，搭建一个“开始(需求解析)–知识库检索–大模型生成–结束(结果输出)”工作流，如图1所示，各节点功能如下。
Figure 1. Workflow
图1. 工作流
开始节点：通过自然语言处理技术，从学生提问中提取“项目名称”“代码元素”“专业场景”关键信息(如从“财务系统中如何用字典记录收支”中提取项目“财务系统”、代码元素“字典”、场景“收支记录”)，为精准检索提供参数。
知识库检索节点：根据解析结果，调用“Python项目代码练习知识库”，以确保检索到的内容与问题高度相关。
大模型节点：将检索到的代码片段与预设回复规则(人设逻辑)输入大模型，生成“代码高亮 + 功能解释 + 专业类比”的结构化回答(如先展示代码片段，再解释字典在财务统计中的作用，最后类比Excel表格功能)。
结束节点：验证大型模型生成的内容的格式(例如突出显示完整性和与专业场景相关性的代码)，通过智能界面向学生提供反馈，同时记录问答数据以供后续优化。
2.3. 调试、优化与发布
为确保智能体在教学场景中稳定输出精准解答，需通过多维度测试验证其功能适配性，并针对问题进行迭代优化。
1) 教学场景化测试
模拟非计算机专业学生的典型提问场景，进行多项测试。
基础功能测试：验证搜索 “项目名称 + 代码元素”的准确性。例如，输入“determine_winner函数在猜拳游戏中的作用”，检查智能体是否能精准定位该函数的代码片段，并结合“胜负判断逻辑”解释其功能。
边界条件测试：针对模糊提问(如“解释循环的作用”)，测试智能体的追问机制是否生效，能否通过“请问是哪个项目中的循环？”等引导话术明确需求，针对超出知识库范围的问题(如“解释Java的循环语法”)，验证其是否能按规则拒绝回答并说明原因。
输出规范测试：检查代码片段的Markdown高亮格式是否正确，解释内容是否符合“通俗语言 + 业务逻辑”的要求，如将for循环类比为“逐个清点物品”时是否清晰易懂。
2) 问题修复与迭代优化
通过测试日志收集高频问题并针对性优化。
优化搜索准确性：如果出现“项目代码匹配错误”(如将“简易计算器”的代码误匹配至“猜拳游戏”)，调整知识库分片的关键字权重，提升代码片段召回的准确性。
解释逻辑优化：若学生反馈“解释过于抽象”，补充更多生活化类比案例(如将if-else条件判断类比为“根据天气决定是否带伞”)，强化非计算机专业学生的理解效果。
交互流畅度优化：统计提问到解答的响应时间，通过简化工作流节点(如合并重复的格式校验步骤)，将平均响应时间控制在合理范围内，避免影响学生的实时学习体验。
经过多轮调试与优化，该智能体对课程项目代码的检索匹配准确性显著提升，针对专业场景的解释相关性也大幅增加。能够满足非计算机专业学生对理解代码的需求，极大提高了教学效果。测试过程如图2所示。
(a)
(b)
(c)
Figure 2. Intelligent agent testing process
图2. 智能体测试过程
最后，可通过“扣子”一键发布到多个平台，方便学生使用。如图3为发布到“扣子”商店的界面。
Figure 3. Intelligent agent release interface
图3. 智能体发布界面
3. 智能体辅助项目引导式教学的应用价值
经过教学实践验证，这种智能辅助模式带来了多维度的改进。
在教学效率方面，智能体承担了大部分高频重复答疑工作，使教师得以从基础问题中解放出来，将更多精力投入创新教学设计。例如，在最近一次课程中，智能体高效处理了绝大多数“字典数据结构应用”类咨询，让教师能专注于指导学生完成综合性项目开发。
在学习效果上，通过“代码高亮 + 场景类比”的双重呈现方式，学生反馈理解效率提升明显。有位经管专业学生提到：“把Python的字典类型比作财务记账的Excel表格，让我一下子就明白键值对的概念了。”
跨学科融合方面，专业适配项目的引入显著提升了学习动机。在财务系统项目中，学生需要自主设计收支记录模块，这种“学以致用”的体验使编程从抽象概念转化为实用技能。
教学规范性也得到加强。知识库和工作流的双重约束确保智能体的回答严格限定在课程范围内，避免了通用AI可能产生的“知识泛化”问题。所有解答都经过教学团队审核，符合课程大纲要求。
4. 讨论
本研究通过教学实践验证了Coze智能体在非计算机专业Python教学中的有效性，智能体承担了高频重复答疑工作，使教师得以从基础问题中解放，投入创新教学设计；“代码高亮 + 场景类比”的双通道呈现方式显著提升了学生理解效率；专业适配项目设计则有效促进了学习动机与跨学科融合。然而，当前研究仍存在三方面局限：其一，智能体的应用场景主要集中于基础语法解析与简单项目开发，在代码调试、算法优化等复杂任务中的表现尚未得到充分验证；其二，研究样本局限于经管类专业学生，未能覆盖理工科等多样化学科背景的需求差异；其三，过度依赖智能体可能弱化学生自主调试能力，存在“技术替代思维”的潜在风险。
针对这些局限性，未来研究可在三个方向深入探索：首先，拓展智能体在复杂编程场景中的应用能力，如结合静态分析工具开发代码异常定位功能，构建多智能体协作机制以支持结对编程模拟；其次，推进跨学科知识库建设，针对生物信息学、社会科学等领域设计差异化案例资源，构建“Python + X”融合课程体系；最后，建立教学效果量化评估框架，通过对照实验追踪长期知识留存率，开发涵盖代码质量、项目完成度、学习满意度等多维指标的评价体系。这些改进将有助于完善智能技术赋能编程教育的理论框架与实践路径。
5. 结语
在当今人工智能技术深度融入教育领域的趋势下，本研究提出Coze智能体辅助的项目引导式教学模式，通过构建课程知识库与动态解析机制，有效解决了非计算机专业Python教学中的代码理解难题。实践表明，该模式不仅显著减轻了教师重复答疑负担，提升了学生知识应用与实践效率，而且通过专业适配项目设计增强了学习主动性，为编程教育智能化转型提供了可行路径。未来研究可在复杂编程场景中进一步验证该模式的扩展性，探索其在多学科交叉应用中的潜力。
基金项目
成都大学计算机学院2025年微课题工程项目(SmartIT_G127, SmartIT_K053)。