第三章 新教法：重新设计“师—机—生”的课堂关系

本章从天津大学继续教育学院的高校师资实训课堂说起，延伸至朱永新教授《未来教育》对工业化学校契约的反思，系统回顾 AI 时代教学设计的演进思路。通过对清华大学“示范课、四年学伴清小搭、开源多智能体课堂 OpenMAIC”三轮探索的解析，探讨高校教师如何转型为八段“AI领学官”，用“分组—研习—表达—复盘”的 90 分钟课堂设计，把单向讲授升级为生成式、探究式的学习过程。

2026年7月下旬，受天津大学继续教育学院邀请，我为某高校的骨干教师做了一场关于“AI赋能教学创新”的专题实训。这原本是一个两天的训练营方案，后来和负责组织培训的丁老师商量，我们把“新教法、新助手、新教材、新课程”四个板块浓缩到了一天之内完成。台下坐着的老师来自各个不同的专业，有教新能源、电路和大学物理的，也有教大学英语、思政和医学课程的。

那天上午开场时，我拿出了自己写的《AI指挥官》作为引子。之所以从这本书谈起，是因为在过去两年里，我们的讲台跨越了非常多元的教育与培训现场：从在清华三亚国际数学论坛为高校教师做大模型应用培训、组织全国高校教师新教法实训营、与天津职业技术师范大学教研团队做深度研讨，到为北京昌平区教委培训中小学科学课教师，再到为国家公共就业服务中心（覆盖京津冀晋蒙鲁六省市）及地方人社部门培训就业服务专员与再就业群体。在这些不同层级的课堂上，大家普遍遇到了一个共同的困惑：AI 技术迭代得实在太快了。

经常有老师跟我感慨：“前年跟你学提示词，去年学智能体（Agent），今年又开始学‘小龙虾’（OpenClaw）。”大家原本都有各自深耕多年的学科专业，AI 是一个突如其来的新变量，原本不在老师们的知识结构里，现在却成了每个人都必须面对的基本功。面对层出不穷的工具，有个段子调侃说：“只要我学得足够慢，我就不用学了。”玩笑归玩笑，真正还在讲台上一线耕耘、没有躺平的老师，迫切需要建立起一个相对稳定的认知框架。更何况，作为大学老师，我们不仅自己要用 AI，更重要的任务是教出未来能够与 AI 协同工作的学生。只有先看清未来的学生将处于什么样的工作形态，反过来才能想明白今天的教学该怎么改。

而在日常教学一线，现在的大学老师几乎都面临着同一个现实难题：上面老师在讲课，下面学生不抬头。即便备课再精心，走上讲台也要随时面对学生“左手 DeepSeek，右手千问、豆包”的挑战。既然学生随时能向大模型提问，我们的课堂到底该怎么重新设计？

从朱永新的《未来教育》看课堂的“三体问题”

我曾听过一个段子：如果把现在的教育比作一部电影，目前的状况是——演员（学生）演得身心疲惫，观众（家长）看得焦虑万分，导演（老师）导得力不从心，而票房（就业）更是惨不忍睹。

新教育实验的发起人朱永新老师在《未来教育》等论述中曾指出，今天我们习以为常的学校形态并非天经地义，而是工业革命的产物。现代学校按照夸美纽斯的班级授课制构建，有统一的教材、统一的教学大纲、统一的课时、统一的教学内容和统一的课程设置。支撑这套模式运转几百年的，是一份基本的社会契约：学生投入时间，家长支付学费，学校层层筛选，最终的优胜者有机会获得一份稳定的好工作。

但走向 AI 时代，这份契约正在失效。家长和学生发现，即便在考试中卷成了“优胜者”，走出校门时依然很难单靠传统技能获得理想的就业机会。北京大学教育学院林小英老师在《十三邀》访谈中也曾谈到，教育原本应当包含“为人生做准备、为升学做准备、为职业做准备”三个完整维度；而长期以来，我们的学校更像是一个巨大的“筛选器”，用标准化考试筛选出记忆力好、像机器一样精准的人。但在人机共生时代，比记忆、比算题、比标准化精准，碳基生物永远比不过硅基生物。社会不再需要只会做题的“标准件”，未来的教育必须从“筛选（Selection）”转向“建构（Construction）”与“放大（Amplification）”——用 AI 去发现并放大每个学生身上那些不可被计算的天赋。

这种建构包含两个层面：一是能力的建构，让学生在动手实践中长出解决真实问题的筋骨；二是意义的建构。北京十一学校原校长李希贵在博鳌教育论坛上有一句话让我印象极深：“没有意义就没有学习。” 教材是对学科知识的抽象，而在抽象的过程中往往剥离了现实的鲜活。在清华三亚国际数学论坛的高校教师培训上，以及后来与天津职业技术师范大学教研团队的交流中，我反复跟老师们探讨一个问题：为什么有的大学老师上课受欢迎？不是因为他会讲段子，而是他帮学生找到了这门课的“意义之锚”。正如管理学大师德鲁克所说，企业是社会的器官，是为了解决特定社会问题而存在的；大学里的每一个学科和专业也是如此，它之所以存在，一定是因为社会需要这方面的人才去解决某类特定的真实问题。一位好老师在课堂上最核心的使命，就是重建“抽象知识”与“真实社会挑战”之间的连接。

当我们顺着这个思路去重新审视大学课堂的教学设计时，就会发现课堂的内部结构已经发生了根本变化。

在天大继教学院的课堂上，我和老师们讨论：什么是“新教法”？新教法的核心，是课堂从原来的“师生二元结构”，变成了“师生加 AI”的多元结构。而且教室里的 AI 还不只一个——老师有老师的 AI 助教，学生有学生的 AI 助手，学校还有学校的教务助手。

这很像刘慈欣在小说《三体》里写到的概念。在物理学上，两个星体之间的“二体问题”规律是清晰的，轨迹是稳定的；但一旦变成“三体”，系统就会陷入混乱，很难再用老办法去捕捉它的规律。现在的大学课堂也是如此。过去老师按照时间进度一章一章地讲，全班保持同步性；现在把材料发下去，感兴趣的学生用 AI 辅助，可能拿到课程的第一天就能从头看到尾，班里每个学生的进度、关注点和理解程度拉开了很大差距。这时候，如果老师还是削足适履，要求学生“象征性地用一下 AI，回头还得严格按照我原来的进度听讲”，那就失去了 AI 赋能的意义。

那么，在一学期的课程里，老师有组织、有目的地带学生用 AI 上课，和学生课下自发打开 DeepSeek 随便问问题，区别究竟在哪里？当什么问题 AI 都能回答时，我们原定的人才培养计划和核心课程教学目标该怎么实现？老师又怎么判断学生达没达到目标？

在过去三年里，清华大学从 2023 年起围绕这个问题做了一系列持续的探索。在实训课的第一阶段，我带着老师们集中梳理了清华这几年的三轮实践：从最早的 8 门示范课，到陪伴学生四年的 “清小搭”，再到今年开源的多智能体课堂 OpenMAIC。通过拆解这三个真实的案例，我们试图回答三个最务实的问题：AI 赋能教学到底好在哪？过去大家想学却学不会的难点在哪？今天条件成熟了，我们普通高校的老师该怎么学？

清华大学的三轮探索：示范课、清小搭与开源的 OpenMAIC

清华大学探索 AI 赋能教学的脉络非常清晰。2023 年 ChatGPT 刚刚兴起时，学校先在全校选了 8 门课作为第一批示范课试水，一年后将经验推广到 100 门课；随后，视角从“单门课程”扩展到“学生个体”，推出了从入学起陪伴本科生四年成长的 AI 学伴“清小搭”；到了今年，随着智能体开源浪潮的到来，又将多智能体课堂平台完全开源，把原本需要上百万元投入的系统门槛大幅降了下来。

第一轮探索：示范课里的“学科认知框子”

在 2023 年首批选出的 8 门示范课中，包含了新城市科学、环境、电路、数字电子技术、化工、大学物理、写作和心理学。其中最值得教学设计者细看的是建筑学院龙瀛老师主讲的《新城市科学》。

这门课在慕课时代、混合式教学时代和虚拟教研室时代就一直走在前面。当把它改造为 AI 辅助课堂时，龙老师在教学设计上想得很细：如果允许一半的时间在线上自学，线下的课时让学生干什么？哪些内容让学生看慕课和问 AI 去吸收，哪些研讨和调研必须放到线下来做？

为了支撑这套教学设计，他们做了两件核心工作。

第一件事是搭建经过人工校验的课程知识库与知识图谱。他们把 20 万字的《新城市科学概论》电子版教材、10 章 38 节的慕课课件、1000 多篇中英文论文以及 280 个研究报告汇总成知识库。但把资料堆进去并不等于大模型就真正理解了学科脉络——哪个是大概念、哪个是小概念、哪个是基本原理、哪个是演绎出来的结论，如果直接让 AI 自动生成知识图谱，准确率大概只有 80% 到 90%。对于日常闲聊，80% 就够用了；但对于严谨的大学教学，剩下的 10% 到 20% 往往是致命的。因为他们团队在此前做虚拟教研室时就已经人工梳理过概念体系，在这个基础上结合平台支持，最终构建出了 6 个层级、57 个知识单元、138 个知识点的精确知识图谱。

第二件事，也是对一线老师启发最大的一件事，是在知识图谱之上制作了**“功能卡片”（也就是针对教学环节的专用智能体）**。

为什么要做功能卡片？大家用了两三年大模型后都有体会：同样是和 AI 对话，不同人使用提示词（Prompt）的水平差距很大。提示词写得精准，AI 给出的质量就高；提示词写得一般，AI 给出的就是满街可见的“大路货”。本科生刚接触一门新学科，还没有建立起专业思维，自己提问往往漫无边际。

而教学最核心的价值，恰恰是给学生建立起一个学科认识问题、研究问题的“框子”。

于是，龙老师把一整学期的课程分成了学习、选题、调研、写论文、答辩等五个环节，提炼出**“实验计划、观察报告、改造方案、修改评价、出题”五大类共 25 个功能卡片**。每一张卡片里，都由老师预先写好了针对该环节的提示词框架。比如学生在开题阶段研究“校园安全相关的城市规划问题”，点开卡片，系统就会给他一个清晰的思考框子：这个研究用到了哪些新数据类型？新的分析方法是什么？已有文献做到了哪一步？相关理论定义是什么？

有了这个框子之后，学生再去和 AI 对话，就不再是盲目搜索，而是像一位专业学者那样有章法地推进研究，并且知道该如何评价和迭代 AI 给出的结果。后来他们在总结中还发现了一个很有意思的延展：因为《新城市科学》是一门学科概论课，当把这门课的 AI 助教主干搭好之后，继续往各个子领域输入资料，树枝自然就长出来了——一门课的助教，顺势生长成了整个学科的专业模型。

在首批示范课里，另一个很有代表性的案例是清华的《写作与沟通》课。

写作课是哈佛大学所有本科生唯一的必修课，清华现在也将其作为全体本科生的通识必修课。现在用 AI 写一篇文章太容易了，很多人会问：还有必要开写作课吗？非常有必要。因为写作课不怕学生用 AI，它真正考察的是学生在和 AI 沟通的过程中有没有自己的思路与方法，对 AI 生成的内容有没有评判能力，借此锻炼学生的逻辑思维与学术表达。

更值得关注的是写作与沟通中心老师们自己的使用体会。写作中心老师人数不多，但一学期要批改全校学生大量的文章。在这个过程中，除了工作量大，还有一个更深的问题：人是有偏好的。全校学生的专业背景和想法五花八门，遇到老师自己熟悉的题材或偏爱的风格，老师很容易理解；但遇到一个非常小众、老师自己也不太熟悉的跨学科领域，老师该怎么客观评价他写得好不好？怎么发现文字背后的逻辑问题？现在，写作中心的老师们把自己对写作的思想框架装进 AI 助教，让 AI 助教先帮老师去理解那些跨学科的小众选题、做初步的逻辑剖析，再由老师来做最终的判断。这种“人机互补”的方式，很好地克服了单一教师的知识盲区。

第二轮探索：以学生为单位的四年学伴“清小搭”

看完了以“单门课程”为单位的助教，如果把视角转换一下——课程助教只管这门课以内的事，出了这门课它就不管了；那么在大学四年里，谁来陪伴一个完整的人？

这就是清华在第二阶段推进的探索：为每个入学的学生匹配一个以“学生个人”为单位的 AI 学伴——“清小搭”。从大一到大四，学生在每个阶段有不同的目标和任务，选课只是大学生活的一部分，他还有日常校园生活、办事流程、大三找实习、科研训练乃至心理健康等方面的需求，都可以通过与这个伴随四年的学伴互动来获得支持。

在课堂上讲到这里时，我把“清小搭”与今年在全球引起轰动的开源项目 OpenClaw（俗称“小龙虾”） 放在一起做了对比。

大家知道，“小龙虾”最初其实就是一个“一人公司”做出来的产品，早期既有突出的长处，也有不少不完善的地方。但它之所以在全球引发追捧，甚至后来 OpenAI 把它的开发者请过去、吸收其长处推出了新一代产品 Codex，并将几百万用户的 Codex 与拥有数亿用户的 ChatGPT 合并，是因为它代表了 AI 从“被动问答”走向“自主智能体（Agent）”的必然方向。

那么，无论是“清小搭”、“小龙虾”，还是我们在培训中推荐老师们安装的腾讯 WorkBuddy（它吸收了小龙虾的长处，同时做好了安全加固，目前像广东省的公务员系统都在普及使用），它们最核心的长处究竟是什么？

答案是：记忆（Memory）与自学习能力。

孔子讲“不二过”，意思是不要犯同样的错误。我们对高阶的“AI 数字员工”或“AI 学伴”也有同样的要求：我今天纠正了你的一个错误，下次你就应该记住，不要让我每次打开对话框都从头再教一遍。

为什么学生自己随时能用免费的 DeepSeek，学校还要做“清小搭”？因为 DeepSeek 知道全世界的很多东西，但它唯独不知道“你”。它不知道你大一选了什么课、大二选了什么课，不知道你是什么专业、大三打算找什么方向的实习、平时有什么兴趣爱好，所以它只能给你一些放之四海而皆准的泛泛建议。而一个真正的个人学伴（就像我们在 WorkBuddy 里配置的 soul.md 灵魂文件与 memory.md 记忆文件一样），最关键的价值就在于它存满了关于你的记忆——因为它持续记录了你四年的成长轨迹，在某些方面它甚至比你自己更了解你，从而能给出真正有针对性的建议。

第三轮探索：开源的多智能体课堂 OpenMAIC

理解了示范课和“清小搭”之后，很多老师最关心的问题是：“这套东西虽好，但以前搭建和调试的成本动辄上百万元，我们普通学校的老师怎么用得起？”

这就要谈到第三个案例——由清华团队与面壁智能联合研发、并在今年全面开放的多智能体课堂平台 OpenMAIC（open.maic.chat）。

大家都听过 MOOC（慕课），慕课虽然听课时间自由，但有一个全球共性的痛点：完课率低。因为慕课是单向的视频输出，缺少互动，没有学习氛围，听不下去直接关掉也没有什么成本。早些年国外最大的教育平台可汗学院在 OpenAI 的支持下做过一个叫 Khanmigo 的智能体课堂；而在国内，清华团队开发的 OpenMAIC 则进一步将其发展成了**“多智能体交互课堂”**。

为了让在场的老师们有直观感受，我在天大继教学院的课堂上直接把网址发到微信群里，将一份 10 页左右的《九段高手与十步问道：成为 OPC 超级个体》PDF 讲义上传上去，并留出时间让老师们现场上传自己的课件试一试。

老师们在电脑上亲手操作后发现，只需要上传一份条理清晰的 PPT 或 PDF 讲义，平台就能自动站在教学者的视角帮你生成三样东西：第一是带完整讲稿的课件；第二是嵌入教学过程中的随堂测试题（比如每讲五分钟自动插入一道练习题或一次互动，完全符合教学法的设计规范）；第三是直接生成一个可独立下载、供学生交互使用的 HTML 网页工具。

更让老师们感兴趣的是它的课堂互动机制。在 OpenMAIC 的虚拟教室里，不仅是主讲老师和助教由智能体担任，系统还会在右侧的群聊框里给你配好几个不同性格的**“智能体同学”： 有的虚拟同学是活泼跳脱的“显眼包”，思维发散，会在老师讲课过程中主动跳出来提问、暖场，给其他同学提供启发； 有的虚拟同学则是严谨的“学霸型”**，一节课上完，自动帮大家把整堂课的重点总结成条理分明的笔记（就像以前下课大家找学霸借的“小抄”）。

我在现场和老师们交流了一个切身体会：我们给现在的大学生上课，有时候他们在台下倒也不是没听，但你想在课堂上让他们开口互动，往往很难得到响应——现在的年轻人似乎更习惯在网上回复，而不习惯在现实教室里举手发言。OpenMAIC 这种多智能体课堂，一方面把单向的慕课进化成了多人交流的形态，“把一个人学出了一个班的感觉”；另一方面，它实实在在地提供了当下常说的**“情绪价值”**。学生上课需要情绪价值，老师讲课其实也需要情绪价值，人类老师不可能天天一对一去满足每个学生的情绪需求，而不同人设的智能体同桌恰好可以把学生“哄”进良好的学习氛围里。数据也表明，学生与模型的交互度越高，对知识素养的掌握水平就越好。

而且，OpenMAIC 的开源解决了学校最顾虑的两个现实障碍：一是老师个人平时备课、生成互动网页和测试题，直接用它的免费网页就能完成；二是如果学校担心教案或学生学情数据不能传到校外公网，由于代码已经开源，学校自己的计算中心或服务商完全可以在校内局域网独立部署一套，既安全又大幅降低了投入成本。

跨越注意力的门槛：成为八段“AI领学官”

当知识库软件（如腾讯 ima）、本地智能体工作台（如 WorkBuddy）以及开源平台（如 OpenMAIC）把技术层面的障碍逐一扫清之后，我们在与各高校老师交流时发现，真正最难跨越的其实是第二个障碍——我们正在与短视频平台、与 B 站、与电子游戏争夺学生的注意力和时间。

在大模型训练领域，那篇著名的《Attention Is All You Need》（注意力就是你所需要的一切）探讨的是面对海量语料时如何合理分配注意力权重，避免记了后面忘了前面。在今天的课堂教学里，道理完全相通：做课件、改作业还只是工具层面的事；在系统层面上，哪怕你后面的教学环节设计得再精妙，如果一开始没有抓住学生的注意力，后面就没有“然后”了。

怎么才能抓住注意力？在与天津职业技术师范大学、中国传媒大学等高校教研团队探讨“生成式、探究式学习”时，我们形成了一个共识：既然在企业界“一人公司（OPC）”已经成立，那么在教学领域，学生借助 AI 自主研究的条件也已经完全成立；课堂必须从“以教为主”，转向“创造条件吸引学生自主探究为主”。

比如中国传媒大学的一位老师，在课堂上就把教材和案例全部放进腾讯 ima 共享知识库，跟学生约定：凡是知识库里大家自己能看懂的内容，课上就不再重复讲了；大家来到线下教室相聚，最核心的价值是展示各自基于知识库做出来的作品，在交流中看到彼此的想法。

这就引出了教师在 AI 时代的新角色。在《AI指挥官》的“九段高手”体系中，进入高级阶段后，七段是“AI团队长（管理数字员工）”，八段是**“AI领学官”**，九段是“AI指挥官”。

前阵子我们在雄安新区给管委会各委办局抽调的骨干做过三天培训，目标就是培养政务应用场景里的“AI领学官”——他们既懂业务又懂一点 AI，回到单位后要能带着身边的同事一起把 AI 用起来。在高校里，老师更是天然的领学官。

过去我们说老师要“传道、授业、解惑”，现在传授具体知识的“授业”和常规答疑的“解惑”，AI 可以分担很大一部分；老师作为“AI领学官”，要把主要精力花在**“给方法”和“给激励”**上。

人的大脑可以分为本能脑、理性脑和情绪脑，“给激励”直接作用在学生的情绪脑上。做老师的都很熟悉“学习金字塔”理论：光靠耳朵听到的东西，一个月后可能只记得 5%；但如果让我亲手做出来、再站到台上给大家复述和讲一遍，留存下来的就会多得多。

以前在课堂上很难做到这一点，是因为“做成一件事”花的时间太长了——今天在课上学怎么做，真正动手做出成果可能要等到几周甚至几个月之后。而现在有了 AI，我们可以把实现成果的时间大幅缩短：老师 10 分钟前在台上讲清楚方法，10 分钟后学生就能在 AI 的辅助下把作品做出来，并当场走上讲台展示给全班看。 因为展示的是身边同学刚刚做出来的作品，大家天然更有共鸣；老师和同学现场给出直接的点评与正反馈，学生就能立刻从这种成就感中学到更多东西。

在北理工给机电学院那个班的大三学生做三周实训时，我发现他们前两年在另一个校区读书，刚搬回主校区，一个班的同学居然还没认全，平时只认识自己寝室的室友。于是我在课堂上强制要求他们打散分组，这周在这个组，下周换到另一个组，通过共同完成项目、轮流上台展示，三周下来不仅作品做出来了，全班同学也真正熟络了起来。

如果我们再往前走一步，思考如何让一门课保持长久的新鲜感，就会发现：好的课程不仅要像“大片”，更要向“游戏”演进。

商业培训领域有位老师提过一个观点叫“好课像大片”，意思是原来的课程像平铺直叙的纪录片，而大片一上来先给你一个悬念，像好导演一样把叙事层层展开，以此抓住注意力。但在大学教学里，光像“大片”还不够——因为大片的悬念看一遍就知道了，很难看第二遍；而游戏哪怕你已经玩过一遍、知道结局了，还会接着玩第二遍、第三遍。为什么？因为游戏有即时的正反馈机制：你打中了就是打中了，积分立刻跳出来，每个人都喜欢“赢”的感觉。

就像《黑神话：悟空》和《原神》在海外流行之后，许多外国年轻人为了搞懂里面的设定，主动去学中文、跑到山西去看古建筑一样。当老师化身为**“游戏科学的总设计师”**，把原本枯燥的考题转化为探索式的世界观与反馈机制时，学科认识问题、解决问题的方法就潜藏在了游戏通关的过程里。

这一点，我在给不同年龄段的学生上课时有着极其一致的体会。在此之前，我们曾为澳门濠江中学来北京研学的中学生设计过一场围绕“北京中轴线”与《山海经》的 AI 实训课。传统的博物馆研学，往往是导游在前面拿着小喇叭讲、学生在后面低头刷手机，回来抄百度百科写一篇千篇一律的游记。那次我们彻底改了教法：让学生先用“快相”把自己在故宫、天坛拍下的文物照片，转写为带有历史纵深感的《山海经》神兽考据文案，再调用豆包和即梦生成神兽插画与互动脚本，把神兽“白泽”设计成镇守北京中轴线的数字向导。原本对古建筑提不起精神的中学生，为了让自己小组设计的神兽剧本更严谨，主动追着老师查证古建规制；在自贡恐龙科普夏令营里，我们干脆把课堂改造成了“我是出题人·吐槽大会”——让学生用 AI 生成一份“真假参半”的恐龙考卷去考倒对面的小组，并现场开展辩论。为了给对手挖坑、也为了挑出对方 AI 生成内容里的科学漏洞，孩子们把侏罗纪与白垩纪的地质特征翻了个底朝天。

从澳门中学生的研学营、自贡的科普夏令营，再到天大继教学院带高校老师体验把中医问诊做成《中药铺子“土郎中”》闯关网页，以及在北理工实训中直接让大三工科生把作业做成游戏化交互作品，底层逻辑都是一脉相承的：不论是中学生还是大学生，一旦完成了从“被动答题人”到“主动出题人与创造者”的身份反转，注意力根本不需要老师去强行维持。

九十分钟“分组—研习—表达—复盘”四步课堂

回到日常每一周的 90 分钟课堂，我们将这套领学官的方法总结为四个标准步骤——分组（Group）、研习（Research）、表达（Express）、复盘（Review，对应教练技术中的 GROW 模型）：

第一步是分组与设标（约 20 分钟）。打破寝室与小圈子进行分组，老师不做长篇大论的铺垫，只讲一小段最核心的思维框架，并发布一个需要当堂完成的任务目标。同时，把传统的“课后作业”彻底改成“项目”——既然学生在未来的工作里本来就要调用 AI 完成任务，与其担心学生用 AI 写作业偷懒，不如直接布置一个必须调用 AI 才能完成的项目，老师像企业老板一样只考核最终做出来的结果与过程思路。

第二步是人机协作研习（约 30 分钟）。学生在小组内调用 AI 工具动手制作原型。为了让不同专业的学生都能问出高质量的问题，我们在课堂上教给学生一个简单通用的提示词万能框架——RTR 模型（Role 角色、Task 任务、Restriction 限制条件），并配合心理学中的**“乔哈里视窗”：对于“我知道、但 AI 不知道”的专属资料，教学生建立工作区把背景喂给 AI；对于“我不知道、但 AI 知道”的专业盲区，则教学生使用“反问挖坑法”**，在提示词最后要求 AI 先站在领域专家的角度向自己提出 3 到 5 个关键问题，通过回答 AI 的追问把思考引向深入。

第三步是上台表达与展示（约 20 分钟）。每个小组派代表走上讲台，展示在 AI 辅助下刚刚做出来的作品，并向全班说明自己是如何组织提示词、如何筛选和修正 AI 输出结果的。

第四步是点评与 GROW 复盘（约 20 分钟）。由老师或同学进行即时点评，老师可以现场改变一两个任务条件，启发大家思考如何进一步迭代，最后从现场鲜活的反馈中复盘提炼出本节课的核心学科方法。

在天大继教学院上午第一节课下课休息时，一位教新能源专业的老师主动走到讲台前跟我交流：“吴老师，之前别人给我们演示智能体，只演示这个能干嘛、那个能干嘛，但没告诉我们怎么把多个智能体放在一个网页里听我们指挥。今天看完这个脉络，我特别想下午亲手搭一个试试。”当一位老师自己心里生出了“我想亲手搭一个试试”的冲动时，这场从“教书匠”向“AI领学官”的转型，其实就已经悄然发生了。

---

本章教改行动工具箱（工具二）：一页课时改造设计表

工具定位：对应在线演练场 01 新教法 模块（school-new-method.html（见随书 A4行动工具卡手册））。供高校与高职一线任课教师在不改动原有教学大纲的前提下，用 30 分钟将任意一节 90 分钟传统讲授课，重构为“分组—研习—表达—复盘”四步协同课堂。

一、 教师备课即插即用指令（Prompt）

在日常备课或准备教学创新设计时，教师可将以下指令复制进大模型（或结合 OpenMAIC 平台），快速生成本节课的教学设计方案：

【提示词模板：90分钟四步课堂改造】 “你是一位熟悉高校‘AI领学官（八段）’教学法与生成式探究学习的教学设计师。请帮我将下面这节传统的 90 分钟大学课程，按照‘分组与设标（20分钟）—人机协作研习（30分钟）—学生上台表达（20分钟）—点评与GROW复盘（20分钟）’的四步结构进行重构，并输出一份可直接打印的《一页课时改造设计表》。 我的课程基本信息如下：

• 课程名称与授课对象：【如：《新能源发电技术》/《大学英语》/《工程项目管理》，面向大三本科生】
• 本节核心知识点：【请填入本节原定的核心章节内容】
• 过往教学痛点：【如：单向讲授学生低头看手机、缺少互动氛围、课后作业易被AI直接代写】 在正式生成完整表格前，请先站在教学设计的角度向我提出 3 个关于本课学情与可用工具的澄清问题；待我回答后，再为我输出包含开场任务设计、学生课堂专用‘RTR+反问’功能卡片提示词、学生上台展示要求及教师点评追问清单的完整单页教案。”

二、 标准交付物：《一页课时改造设计表》（A4 单页模版）

课程与章节名称	________________________	授课对象与年级	________________________
一、 教学设计转向	从“教师单向讲授 + 传统课后作业”，转向“教师给框架与激励 + 学生当堂调用 AI 完成微型项目并展示思考过程”。
二、 Step 1：分组与情境设标（0—20分钟 · 讲25%）	1. 破冰分组与开场悬念（5分钟）：跨宿舍打散分组，抛出一个真实行业问题或场景任务抓住注意力：________________________________ 2. 教师给方法/搭框子（15分钟）：知识库与慕课里能自查的基础概念课上不讲，教师只讲透 1 个学科核心认知框架与评判标准：________________________________
三、 Step 2：人机协作研习（20—50分钟 · 练35%）	1. 当堂微型项目任务（以项目代作业）：小组在 30 分钟内调用课程知识库/OpenMAIC/大模型完成：________________________________ 2. 阶段功能卡片（学科框子）：提供预设的 RTR + 反问挖坑法 提示词框架，引导学生先让 AI 反问边界条件再生成方案。 3. 预设的“专业判断点”：AI 在该问题上容易生成泛化套话或忽略 ________________ 条件，观察学生能否依据专业知识识别并调整。
四、 Step 3：学生上台表达（50—70分钟 · 享20%）	上台 3 分钟展示要求（缩短反馈周期，激活情绪脑）： 不照念 AI 生成的文字，重点展示三项内容：① 如何使用提示词框架与投喂背景资料；② 如何评判并修改 AI 的初稿；③ 现场演示作品或交互原型。
五、 Step 4：教师点评与复盘（70—90分钟 · 盘20%）	1. 现场变条件追问：教师当堂调整一个边界条件，引导学生思考如何将方法迁移至新情境。 2. GROW 总结与知识库沉淀：从现场反馈中复盘本节核心规律，将优秀学生作品归档至课程共享知识库（如 ima）。

三、 课堂质量评估与教师责任边界

1. 课堂评估核心标准：一看学生能否说明方案选择理由；二看学生能否发现并修正 AI 的错误或平庸之处；三看学生能否将学科框架用于新的情境。
2. 教师不可让渡的责任边界：AI 可以辅助讲解、生成练习与提供伴学反馈，但课程教学目标、课堂秩序与正式学业评价由教师负责。