1. 引言
2025年4月，教育部召开了教育数字化战略行动2025年部署会，会议强调需善用人工智能，以赋能教育高质量发展，使之在教育强国建设中发挥更大的作用[1]。《2024年地平线报告：教与学版》首次新增人工智能相关内容，并将其纳入关键趋势[2]。从古至今，我国一直崇尚因材施教，但是受限于时间还有精力，教师无法完全顾及到每一位学生。在这种传统面授模式中，学生无法获得持续性的个性化学习支持，而教育智能体以大语言模型为载体，同时也是一种计算机系统实体，具备自主性、反应性和目标导向性等，能为破解这一困境提供技术路径。早期教育智能体存在着有时无法理解人类的自然语言指令、开发成本过高等问题，难以满足师生高质量教育发展的需要。而以DeepSeek、ChatGPT为代表的大语言模型，因经历过海量数据的训练，突破了通用性的瓶颈，标志着基于大语言模型的教育智能体应运而生[3]。新的教育智能体采用基于人类反馈的强化学习、深度神经网络模型等技术，有望重构个性化学习，并形成教育智能体赋能个性化学习的新形态，为未来大规模的个性化学习创造新的可能。
为此，本研究作为理论建构探索，致力于构建教育智能体支持下个性化学习的理论框架，揭示其区别于传统模式的核心特征。全文遵循“技术解析–内涵重构–特征解构–机遇挑战”逻辑，首先剖析教育智能体的发展历程及一般架构，继而界定其支持下个性化学习的内涵，并对比智能导师系统，挖掘基于大模型教育智能体的新特征，解析核心要素与应用场景，最后结合机遇挑战提出观点，为教育智能体赋能个性化学习的新形态提供理论参考。
2. 教育智能体的发展历程
2.1. 教育智能体的起源和发展
智能体源于人工智能、分布式系统等领域，它具有自主性、反应性、社会性、进化性等特征，核心特点是可以根据所提供的任务，持续地自主地发挥相关作用。教育智能体继承了智能体的核心特性，并在此基础上针对一些特定的教育环境或者任务进行了重新设计和优化[4]。
在现如今基于大语言模型的教育智能体出现的早期，教育智能体曾经历过萌芽期、探索期、突破期和现如今的成熟期，但是其主要实质仍是一种软件或者硬件实体。在教育智能体萌芽期，技术基础只能基于一些固有的规则推理和一些专家系统，主要以智能导师系统(ITS)为主，通过一些提前预置的知识库和简单的决策树来实现基础教学辅助，并以文本命令为主，交互形式单一，缺乏动态适应的能力，并高度依赖人工规则。比较典型的则是华东师范大学EduChat系统，该系统整合了教师、学生、助教三类智能体，各智能体间协同工作，高效完成各个任务，形成了“人机共生”学习共同体。自2010年探索期以来，人工智能迅猛发展，各个领域获得突破，促进了人工智能实现第三次跨越式的飞跃，教育智能体搭乘人工智能发展的“快车”，其功能也逐渐趋于完善，使其在教育领域的作用和重要性凸显[4]。教育智能体当今不仅可以和用户实现认知上的交互，准确提供个性化的指导及建议，更能和用户建立情感上的纽带和联系，丰富学习者的学习体验，充分激发学习者的学习热情以及学习动机。教育智能体正凭借独特优势，重塑着教育智能体支持下的个性化学习新模式[4]。
2.2. 教育智能体的一般架构
大模型驱动的教育智能体以多模态信息感知、智能推理决策和动态执行作为其核心技术，形成了“感知–决策–行动”的逻辑闭环。其中，大语言模型是教育智能体推理能力的核心，使其能够自主规划、决策任务，再使用工具执行各个子任务，生成最优的任务解决路径，并结合任务执行效果的反馈，持续优化决策路径。作为教育智能体核心的推理能力，经历过思维链(COT)、思维树(TOT)、ReAct等推理框架的演变[5]。
本研究结合ReAct推理框架，以及刘明[5]教授等对于教育大模型智能体技术架构的研究阐述，设计了教育智能体的一般架构(如图1所示)，包括核心(大语言模型)、记忆体、工具体、规划体等关键模块，以此来执行相关复杂任务的大模型应用程序。
Figure 1. General architecture of an educational agent
图1. 教育智能体的一般架构
规划体的主要功能包括：基于思维链将教学任务分解为较小的、可操作的多个子目标，有效处理一些复杂教学任务；反思和再计划，通过反思和自省框架，对学生过去的行为进行分析，根据学习评估结果及时调整学生后期的学习策略，同时提高模型自身的智能和适应性。
记忆体的主要功能包括：通过短期记忆进行教育提示语的记忆存储；长时记忆则利用一种RAG技术，即检索增强生成(Retrieval-Augmented Generation, RAG)技术，形成基于该技术的学科知识库；混合记忆则记录师生对话历史数据[5]。
工具体的主要功能包括：调用外部数据库，如学习信息数据库API、课程资源库API、考试资源库API等[5]；相关插件，如教学资源搜索引擎(MITA)、学习数据分析工具等；其他大模型，如EduChat教育大模型、MathGPT数学大模型等，可与其他外部不同类型的大模型进行协作处理，以此来完成更加复杂的教育任务。
通过ReAct推理框架，教育智能体首先读取输入的需要完成的教育任务，再通过记忆体检索历史教学数据和教育提示语，然后通过规划体将教学任务分解成多个小任务，再通过工具体进行决策行动计划，最后调用相关的API执行行动，观察行动结果，不断反思迭代，最后输出任务最终结果，有效达成教育任务目标。
3. 教育智能体支持下个性化学习的内涵
3.1. 传统的个性化学习
传统的个性化学习是教师依据每个学习者的需求，对学习进度和学习方法进行优化的学习方式[6]。教师会针对学生的个性特点、学习风格、兴趣爱好以及发展潜能，采取适宜的方法、手段、内容、起点、进程和评价方式，旨在促使学生在各方面实现充分、自由且和谐的发展[6]。在实际教学情境中，教师需要深入了解学生的学习情况，进而制定具有针对性的学习计划与教学策略，以此满足学生的学习需求。不过，教师往往难以全程伴随学生的个性化学习过程，其实现主要依赖于教师对学习者个体差异的深入理解以及对教学策略的灵活调整。总体而言，传统的个性化学习是为了满足每个学生的个人学习需求和发展，而定制学习内容、策略和路径的学习方式，在传统课堂教学中通常被作为补充方式来推进。
3.2. 基于大数据的个性化学习
作为传统个性化学习的升级，基于大数据的个性化学习表现为自适应学习，即依据学习者的个人能力或技能水平，动态调整课程内容的水平或类型，该过程包含自动干预和教师干预两种类型。通过分析学生的已有信息，建立用户适应模型，从而实现个性化的内容呈现、路径推荐和学习支持[7]。同时，根据学生在学习内容嵌入式评价中的结果以及对知识的理解程度，动态调整教学内容的呈现方式。此学习方式以个性化学习为核心，借助与学习分析紧密相关的技术来监控学生的学习进度，并通过分析数据改进教学，致力于生成“自动化、动态和交互式”内容[8]。其技术实现主要是利用技术监测学生的学习进度，依据数据修改教学内容和进行功能调整。自适应学习中的个体差异主要与学生的个体特征和学习行为相关，通过分析学生的学习数据和行为模式来进行教学决策，涵盖实时学情分析、智能作业批改和个性化学习推荐等，以提高学生的学习效果和成绩，但在学生的个人发展方面关注不足。概括来说，自适应学习是根据学生在学习进程中的表现和反馈信息，实时调整教与学的策略，主要侧重于依托学生的个性化学习兴趣和需求，通过预设方式提供个性化的学习资源和学习路径等。
3.3. 教育智能体支持下的个性化学习
传统教学中“教师–学生”二元主体的互动，转变成“师–智能体–生”三元协同关系[9]，当前教育智能体支持下的个性化学习借助大模型驱动的教育智能体，重构了师生主体之间的互动关系，其以多模态信息感知、智能推理决策和动态执行为核心技术，构建了“感知–决策–行动”的逻辑闭环，展现出更贴合学生个性化需求的新形态。
大语言模型作为教育智能体推理能力的核心，使其能够自主规划和决策任务。前文有提到，它经历了思维链(COT)、思维树(TOT)、ReAct等推理框架的演变[5]，其中ReAct作为主流推理框架之一，在教育场景中发挥着重要作用。在感知环节，整合多模态数据，例如通过摄像头捕捉学生的面部表情、语音语调等，以此获取学生的学习状态和情绪反馈；推理环节，对教学任务进行逻辑拆解，将复杂的大任务分解为若干可操作的子任务；行动环节，调用工具体中的外部资源，如题库API、教学资源搜索引擎等，若检测到学生某个方面概念薄弱，则定向推送梯度练习题或者生成动画进行演示；反馈环节，通过强化学习评估学生的行动效果，进而调整后期的学习策略，形成一个持续自我优化的闭环。
教育智能体支持下的个性化学习强调在个体学习者的“高自主性”和教育智能体的“高生成性”之间，通过提问与追问等高互动，形成不同的学习路径，满足个性化需求。它具有创造性、复杂问题解决的路径多样性、自我监控和自我调节等特点，促使学习方式从低认知接受式学习转向高意识生成式学习，让学习者通过主动参与和构建知识，实现深度理解，提高学习效率。
4. 教育智能体的应用现状
自从各种大语言模型进行迭代升级以来，基于大语言模型的教育智能体逐渐出现，各国也纷纷开始重视对其相关技术的开发和应用，以此赋能教育高质量改革。其中，我国华东师范大学开发的EduChat，该智能体适用于情感支持以及苏格拉底式教学模式。本研究为了更加显著地呈现教育智能体的应用现状[5]，特引入5个典型的国内外教育智能体(即EduChat、北大问学、浙大先生、MapCoder、WebAgent)，并对其进行互相比较分析，提炼出教育智能体的新特征，总结了各自的应用场景、基于的大语言模型、优势和不足。
4.1. 新特征
在教育智能体萌芽期，教育智能体主要是以智能导师系统为主[9]，其高度依赖专家所提前构建的知识库，虽能支持一定程度上的个性化学习，但知识拓展有限，且开发成本高；对比智能导师系统，基于大语言模型的教育智能体，在前文中提到，因采用了ReAct推理框架等，可整合多模态信息以感知师生的状态，并可将复杂教学任务分解成可操作的小任务，从而使支持的教育任务更加多样化，且跨学科知识更易于扩展，开发成本更低。对此，本研究从多个特征维度，对智能导师系统和基于大模型教育智能体进行比较(如表1所示)。
Table 1. Comparison of the characteristics of intelligent tutor systems and large-scale educational agents
表1. 智能导师系统和大模型教育智能体的特征比较
特征维度 |
智能导师系统 |
基于大模型的教育智能体 |
多模态信息感知性 |
通过采集学生语音、面部表情等来感知学生的学习情况或情感状态 |
通过相关工具和多智能体协作，采集师生的多模态信息，感知师生的状态、需求及情绪等 |
复杂教育任务适应性 |
主要支持个性化的学科知识学习 |
支持更多类型的个性化教学任务，可将复杂教育任务分解为可操作的小任务 |
跨学科知识扩展性 |
高度依赖专家所提前构建的知识库，知识难以迁移、规则固定 |
基于大模型本身具有学科通用知识，可利用RAG技术、相关工具增强和扩展通用知识 |
开发成本 |
缺乏开发框架，门槛和经济成本高，需要领域专家深度参与知识库开发 |
有多种框架已开源且有专门的在线开发平台，开发门槛降低，更新维护更方便 |
4.2. 应用场景
本研究梳理了5个典型的国内外教育智能体，并分析它们的开发框架、大语言模型、调用工具、应用场景等，以总结它们在教、学、管、评四大应用场景中发挥的作用，基本情况如表2所示。
Table 2. Basic information about typical large-scale educational models at home and abroad
表2. 国内外典型教育大模型智能体的基本情况
智能体 |
开发框架 |
调用工具 |
大语言模型 |
优势 |
不足 |
应用场景 |
EduChat |
LangChain |
Web Search |
预训练和微调的EduChat模型 |
教育反馈的准确度高 |
缺乏有效的教学应用策略 |
情感支持、苏格拉底式教学等 |
北大同学 |
LangChain、AutoGen |
数学工具、编程工具 |
GPT-4 |
实时分析学生表情和提问 |
处理超纲题目时有一定错误率 |
数学解题辅导、编程代码调试 |
浙大先生 |
CARSI资源共享平台 |
API调用、多模态工具 |
DeepSeek V3、智海–三乐模型 |
全场景覆盖、个性化学习、低代码开发、多模态支持 |
内容准确性不足、算力限制 |
学习辅助、教育管理、校园生活服务等 |
WebAgent |
大语言模型、网页自动化工具 |
Selenium
WebDriver |
Flan-U-PaLM、HTML-T5 |
自动化网页任务支持 |
技术成本、资源要求高 |
支持自动化教育任务管理 |
MapCoder |
多智能体框架 |
代码执行器、代码结果分析工具 |
GPT-4 |
有效应对复杂问题 |
反馈的可解释性不足 |
编程教学、个性化编程 |
在深入研究国内外5个典型教育智能体的基础上，总结出它们在教学应用场景中发挥的作用，主要表现为支持个性化学习、驱动课堂教学、优化教学流程等。其中，EduChat更突显了基于大模型的教育智能体具有情感支持的新特征；MapCoder、北大同学可用于支持精准教学；WebAgent可实现自动化教务管理流程；浙大先生可支持全场景覆盖，广泛应用各种教学领域。
5. 教育智能体支持下的个性化学习未来的机遇
当前各大模型的迅猛发展，使得教育智能体可以构建动态的知识图谱和进行多模态感知，并能通过各种工具解析学习者的认知轨迹和情感波动，如同一位私人导师。甚至某些学校使用数学智能体，实时诊断每位学生解题时的逻辑断点，还可联动相关工具使抽象函数转变为动态的几何模型，使得学生的理解效率上升；这种基于大模型的教育智能体，其支持下的深度个性化学习，甚至打破了传统课堂时空的限制——西藏学校的学生可通过卫星联网与相关设备，同步获取到更优质的精讲课程。这在很大程度上促进了“教育平权”。但是技术的迅猛发展，也会隐藏着一些矛盾。例如，在中小学日常作文部分的阅卷中，更多学生倾向于使用AI提供的“高分模版”，使得学生创造性表达萎缩；部分学生甚至过度依赖智能进行解题，这样会导致学生丧失独立思考的能力，长期使用解题APP的学生空间想象能力相比独立思考的学生更差，将会导致其在空间想象能力测试中得分下降。
6. 教育智能体支持下的个性化学习未来的挑战
当今时代，技术的赋能虽极大促进了教育的发展，但若缺少监管或人文校正，则可能使得教育在一味的效率提升中丢失灵魂。教育的终极形态或许是人与机器两者协同进化，而不是谁取代谁，让技术成为照亮人类思维深度的明灯，而不是成为遮蔽人类智慧光芒的迷雾。