基于大模型的職業教育會話機器人構建與應用

[中圖分類號]G434 [文獻標志碼]A

[作者簡介]余越凡（1998—），男，江蘇蘇州人。博士研究生，主要從事教育數字化、職業教育課程與教學論研究。E-mail ： yuyuefan 461@163.com 為通信作者，E-mail：zhiqunzhac @263.net_o

一、背景與挑戰

（一）研究背景

數字技術的革新正深刻推動職業教育變革。以ChatGPT為代表的大模型會話機器人憑借內容生成能力，展現出超越傳統技術工具的能動性。傳統教育會話機器人主要依賴計算能力實現知識問答、個性化學習路徑規劃等工具性功能。而基于大模型的教育會話機器人可以作為技術構建者行動意向的智能延伸及實踐活動的自主代理。充分釋放能動性的大模型會話機器人更接近于具有主體性的行動者，不僅會重構職業教育教學中的人機關系，還可能對傳統的班級授課和實訓教學構成挑戰1。

將會話機器人作為職業教育教學代理的研究興起于最近十幾年。早期研究主要采用基于規則的方法，如Mascitti等通過預設“刺激—響應\"規則，開發了家庭保健員培訓會話機器人，具有知識測試、學習路徑定制等功能2。此后，機器學習技術的進步推動該領域持續發展，Casillo等利用潛在狄利克雷分配模型構建了工業4.0員工培訓會話機器人，具有在地化學習資源推送、學習進度監督等功能。此時的職業教育會話機器人仍以檢索式方法為主，機器學習降低了查詢和回復間的語義差異，但沒有改變其結構化響應的本質。直到大模型出現，生成式方法才成為研究的焦點。Makhlouf等將ChatGPT設計成基于知識的系統，為護理專業學生提供保持更新的循證知識[4]。王佑鎂等歸納了ChatGPT賦能職業教育的多重角色，包括智能加強儀、教學輔助員、個性化管家、質量評估員和校企連接員。但基于大模型的職業教育會話機器人研究仍處于起步階段，其構建面臨多重挑戰。

（二）面臨的挑戰

1.傳統設計難以支持職業能力發展

職業教育旨在培養職業（行動）能力，但現有職業教育會話機器人仍以知識問答或導學為核心，秉承知識本位設計理念，導致教育者自然而然地采用“理論為實踐服務\"的課程理念組織人機對話，期望學生借此學習理論知識，并將其與實踐中遇到的實際問題聯系起來，從而提升工作能力。但職業能力的形成依賴于工作行動，去情境化、顆粒化的知識導學將那些與工作情境緊密相關的隱性能力排除在外，導致學生過分關注孤立的操作行為，忽視工作的整體性，進而阻礙能力發展。傳統設計不僅浪費了大模型作為主體間性的潛能，而且違背技能人才成長的規律。

2.推理能力和領域知識限制教學決策

職業教學須綜合學情、工作情境和職業教育規律進行整體化決策，涉及多線程、多步驟的感知與推理。但大模型多步推理能力較弱，難以獨立解決復雜邏輯推理、因果分析和決策等系統問題8。相關研究嘗試構建多智能體系統（Multi-agentSystem），通過設計多智能體角色及工作流來增強推理能力。但串行工作流延長了響應時間，削弱了其在對話教學場景中的實用性。同時，由于職業的領域特殊性，會話機器人還須具備保持更新的垂直領域知識。相關研究嘗試通過檢索增強生成（Retrieval-augmented Generation，RAG）技術拓展大模型的知識邊界，但RAG技術僅基于單次提問內容進行檢索，對單輪知識問答任務有效，在多輪、多步驟的推理中有明顯的局限性。

3.職業能力診斷方法的科學性不足

對學生職業能力的科學診斷是職業教育會話機器人行動的關鍵依據，但自前缺乏適用于即時會話場景的有效方法。職業能力并非簡單的規則知識應用，而是構筑于行動實例中的訣竅和技巧，只有水平高低之分而沒有標準答案。傳統教育會話機器人依賴認知診斷、知識追蹤等技術，通過判斷個體是否掌握規定的知識或技能來進行個性化指導，很難實現素質或能力培養。原因在于其完全依賴認知主義模型解釋人類智能，認為人的一切知識都能用適當的符號表征。但專家系統等早期人工智能的失敗，已證明人類智能無法用明確的規則知識完整表征。現有的職業能力診斷方法，如PISA-VET和COMET職業能力測評，依賴專門的評價環境和高成本的評價活動，無法直接嵌入會話教學過程中。

針對上述挑戰，本研究嘗試基于設計導向、行動導向、“從初學者到專家\"能力發展邏輯、支架式教學等理論基礎，應用多智能體、思維鏈（ChainofThought，CoT）檢索增強生成等技術，構建具備職業能力培養、專業化教學決策和能力診斷功能的職業教育會話機器人。

二、基于大模型的職業教育會話機器人構建

（一）理論基礎

1.“設計導向\"職業教育思想

“設計導向\"職業教育思想強調，職業工作者不僅要有技術適應能力，更重要的是本著對社會、經濟和環境負責的態度，有能力參與設計和創造未來的技術和勞動世界[。智能時代，“機器換人\"降低了封閉性工作的勞動附加值，高技能人才須超越對技術的工具性認知，將技術勞動視為社會過程，通過整體化感知工作情境，發現技術之于世界構造的潛能，開展技術設計活動。Rauner據此將職業能力劃分為功能性能力、過程性能力和整體設計能力三個依次遞進的級別，體現職業任務的設計導向要求，構成職業能力的要求維度[13]。職業教育會話機器人應圍繞開放性任務組織人機對話，給予學生技術設計空間，保障學生的自主決策權，避免機器代理決策和程式化的操作教學。

2.“行動導向\"職業教學原則

職業工作并非孤立行為的簡單集合，而是完整、連續的行動調節過程。“行動導向\"職業教學原則主張學生只有主觀能動地完整經歷工作任務全程，并圍繞行動結果進行全面且具有設計導向特征的反思，才能提升職業能力。在此過程中，學生以工作任務為載體發揮行動意向，通過比較行動目標與結果審視自我，獲取工作過程知識4，即工學結合的學習。職業教育會話機器人應在“實踐一對話\"場景下應用，以完整工作過程為主線組織人機對話，引導學生以自我負責的態度調控行動。具體而言，依據工作過程系統化理論，完整的工作行動包含明確任務、計劃、決策、實施、檢查和評價六步，學生借此實現有意義的自我建構。

3.“從初學者到專家”能力發展邏輯

德雷福斯兄弟認為，能力水平的高低不由形式化知識的積累情況決定，而是取決于人應對情境的模式，發展的終極是情境參與的直覺反應。他們共同提出了“從初學者到專家\"能力發展邏輯，以初學者、高級初學者、有能力者、熟練者和專家五個階段闡釋人類技能習得過程中發生的關鍵變化一從超然的規則遵循轉向非反思性和非概念性的熟練應對[15]。Rauner將這五階段作為職業能力的內容維度，衡量各維度的發展程度，并明確了各階段的學習范圍：定向和概括性知識、關聯性知識、具體與功能性知識和基于經驗的學科系統化深人知識[13]。職業教育會話機器人一是要根據學生能力發展情況，按照對應的學習范圍設計工作任務和對話策略。二是要基于能力發展規律對學生職業能力做有效診斷。人機對話體現學生的職業認知特征，可以利用學習范圍對應的應對模式特征來預測職業能力。“定向和概括性知識”支持利用明確的簡單規律處理程序確定的任務，“關聯性知識”支持利用情境中與任務相關的重要因素建構解決問題的條件，“具體與功能性知識”支持利用對情境的整體感知經驗性地應對特殊問題，“基于經驗的學科系統化深入知識\"支持在開放性任務中利用復雜專業知識進行基于經驗的熟練應對。

4.支架式教學

支架式教學是以最近發展區理論為基礎的建構主義教學方法，通過提供與學習情境緊密相關的支架，幫助學生逐步建構起對某一事物或問題領域的認識。支架類型多樣，形式上可分為范例、問題、建議、向導和圖表等，功能上可分為概念支架、程序支架、策略支架和元認知支架等7。工作過程可抽象為綜合運用概念性和程序性知識的行動過程。職業教育會話機器人一是應基于能力發展邏輯生成分梯度的支架，幫助每位學生從各自的最近發展區上升到目標能力發展階段。二是以建議形式提供概念支架。在職業能力發展過程中，概念性知識就像學習騎自行車時的輔助輪，在技能成熟后會自然\"隱退\"5，相關支架也應圍繞學生的工作決策，僅在技能未成熟時生成。三是以問題形式為學生提供程序支架。相較于其他形式，基于問題的程序支架不直接向學生提供決策提示或操作步驟，而是通過問題鏈引導學生逐步剖析問題，契合設計導向和行動導向的職業教學。

（二）系統架構與實現

基于上述理論基礎，本研究依托千帆大模型平臺，設計并實現了基于大模型的職業教育會話機器人，由多智能體系統、代理服務器、云數據庫和UI界面組成（如圖1所示）。多智能體系統參考LangGraph[8]和AutoGen[設計，包含管理中樞，以及智能教師、工作分析和能力診斷三個子系統。系統將智能體視為循環圖中的節點，節點間的交互關系受圖的邊和邊邏輯約束。同時，管理中樞與數個獨立的基礎業務流循環圖連接，所涉智能體均能以協程的方式并行調度。

1.管理中樞

管理中樞具有智能感知、智能體調節、邊邏輯調節和信息注人等功能。智能感知工具從學生和場景數據庫中調取學生信息、課程安排、工作任務和能力發展目標等數據，并判斷學生回復的相關性。智能體調節工具基于模板生成提示語并創建智能體，或通過繼承會話上下文實現智能體無縫更替。邊邏輯調節工具利用預設的邊邏輯調整子圖并發關系及其內部業務流，動態適應任務需求。信息注人工具將各子系統生成的教學輔助信息傳遞給智能教師，其途徑有兩種：一是將全局性信息以系統記憶的形式傳遞給智能體；二是在等待學生回復的窗口期，以問答形式將信息插入到智能教師的消息列表中。

2.智能教師

智能教師采用ERNIE-4.0-Turbo-8K大模型。管理中樞從功能性、過程性和整體設計三個能力要求維度出發，根據教師設定的能力發展目標確定支架生成策略（見表1），并結合工作任務信息構成提示語，驅動智能教師主動開始支架式教學。能力發展目標的設定須同時遵循能力級別的遞進順序和能力發展邏輯，如學生第一級別職業能力（功能性能力）處于“從初學者到高級初學者”階段，后兩個級別職業能力可不作要求。根據工作階段的不同，智能教師有“計劃\"和“反思\"兩種啟動模式：計劃模式下，根據工作任務要求生成支架，并以工作過程為線索引導學生逐步剖析任務；反思模式下，圍繞學生的行動過程和結果生成相悖的假設性問題，以此誘發認知沖突，促使學生反思行動過程。以“電子電路與CAD制版”課程中目標確定的程序化工作任務為例，對話效果如圖2所示。

3.工作分析

工作分析多智能體系統采用ERNIE-3.5-8K大模型，由主控節點及知識檢索、空間解析和決策解析三個下游節點組成，旨在利用垂直領域知識對工作任務或學生工作決策作出專業分析。由于工作分析不是簡單的問答任務，需要從多角度進行多步驟的復雜推理，本研究提出了交替檢索增強生成（InterleavingRAG，IRAG）方法（如圖3所示）。首先，主控節點從目標應對模式視角分析工作任務或會話上下文，拆解出若干關鍵問題，并交由知識檢索節點查找對應領域知識。其次，主控節點根據領域知識總結答案，并基于所有檢索歷史進行追問，直至達到最大迭代輪數或主控節點后主動停止。最后，調用空間解析或決策解析節點，基于IRAG檢索結果對工作任務的行動空間或學生工作決策進行分析。空間解析節點以實例的方式說明目標應對模式下處理工作任務的要點與策略，決策解析節點則運用概念性知識解釋目標應對模式下學生決策的不足之處，分析結果將作為能力診斷和智能教師教學決策的重要提示。

4.能力診斷

能力診斷多智能體系統采用ERNIE-3.5-8K大模型，由主控節點及三個分別用于診斷功能性、過程性和整體設計能力的下游節點組成，旨在根據當前會話語境判斷學生以目標應對模式處理任務的能力，從而診斷其是否達到預設的發展目標。該系統基于少樣本思維鏈（Few-shot-CoT）技術實現（如圖4所示）。主控節點將會話上下文、工作任務、能力發展目標，以及工作分析系統的解析結果等信息傳輸給對應的下游節點。下游節點基于少樣本提示，利用CoT模擬人類評價過程，對照目標行動空間中的實例描述和決策分析結果，找到充分的循證證據，通過智能體內部推理得出結論。

（三）應用模式

工學結合作為職業教育類型特征的集中體現，是職業教育教學必須堅守的根本原則。在工學結合的學習中，“學習的內容是工作，通過工作實現學習”，以工作任務而非學科系統化知識為線索開展行動導向的學習成為必然的選擇。為實現基于大模型的職業教育會話機器人的有效應用，本研究基于設計導向和行動導向思想，將人機會話融人工作行動，旨在利用會話機器人引導學生開展主動和全面的工作及學習活動，達到腦力和體力勞動的統一，由此構建了工學結合一體化人機協同教學模式（如圖5所示）。

工作前階段對應工作中的明確任務和計劃步驟。教師作為教學活動的設計和引導者，一是要確定能力發展目標、設計相應的工作及學習任務，并將相關信息錄入場景數據庫，引導會話機器人按照預設時間節點發起適合情境的會話。二是要引導學生以明確任務和計劃為目標開展人機會話。會話機器人在計劃模式下開展支架式教學，引導學生從目標應對模式的視角分析任務，據此一步步地規劃行動。根據任務分工方式的不同，可以開展面向團隊或個體的會話，可以小組討論與人機會話同時進行，也可以基于個人分工開展一對一的會話。

工作中階段對應工作中的決策和實施步驟。為學習工作過程知識，學生需要以意向孤的形式建立過去經驗與工作情境間的反饋回路，最大程度地控制身體對情境作出回應。教師和會話機器人需賦予學生充分的獨立決策權，使他們自我負責地推進工作。教師作為課堂的組織者，僅在必要時進行調控，保證學生具有足夠的主動性，并確保其工作有正常推進的可能。同時，教師還需萃取學生行動中存在的問題，并錄人場景數據庫，以支持會話機器人下一階段的精準教學。

工作后階段對應工作中的檢查和評價步驟。首先，教師組織學生與反思模式下的會話機器人交互。會話機器人結合教師提取的問題，引導學生對工作過程進行回顧并提出質疑，幫助學生從目標應對模式的視角反思工作過程。其次，教師組織學生對行動結果進行迭代控制。最后，教師綜合學生整體工作與學習情況，給出總結性反饋。

三、實驗與結果

（一）實驗設計

1.研究對象

本研究以廣東省A職業技術學院2022級電子信息工程技術專業學習“電子電路與CAD制版\"課程的兩個班級為研究對象。隨機選取1班共53名學生作為實驗組，2班共57名學生作為對照組。兩組學生在入學成績上沒有顯著差異，課程安排與進度均完全相同。實驗組利用基于大模型的職業教育會話機器人開展工學結合一體化人機協同教學，對照組則采用傳統的“理論為實踐服務\"式教學。

2.測量工具

本研究使用的測量工具包括COMET職業能力測評試題和技術滿意度調查問卷。COMET職業能力測評采用筆試形式，包含一道綜合性情境測試任務，評價學生的功能性、過程性和整體設計能力[13]。測試時長50分鐘，測試結果由兩位專業教師進行評判。采用線性加權Kappa檢驗評分者信度，結果為0.92，表明一致性很強。技術滿意度調查問卷改編自Papakostas等開發的計算機編程教育會話機器人滿意度調查問卷2。問卷從使用滿意度、專業化推理和個性化教學三個維度調查學生對基于大模型的職業教育會話機器人的滿意度，采用李克特五點計分法，共9個題目，各維度克隆巴赫 α 系數分別為0.949、0.817、0.914，整體 α 系數為0.951。

3.研究過程

準實驗研究時間為2024年11月15日至12月13日。兩個班級由同一名教師執教，課程內容與工作任務均相同，授課頻次為每周2次，每次2課時，共計16課時。教學結束后，組織所有學生開展COMET職業能力測評和基于會話機器人的能力測試，并對實驗組學生進行技術滿意度調查。基于會話機器人的能力測試規定時長30分鐘，包含3輪工作任務逐級復雜、支架策略逐級遞增的會話，三個能力維度中任意一項達到目標發展階段即可進入下一輪會話。

（二）實驗結果

1.應用效果

COMET職業能力測評實驗組回收答卷52份，對照組回收答卷53份，采用獨立樣本 t 檢驗比較兩組學生職業能力差異，結果見表2。可以發現，實驗組的功能性能力！ （t=2.231，p=0.028lt;0.05 ）和過程性能力（ t=2.156 ， p=0.034lt;0.05 ）顯著優于對照組，但兩組學生整體設計能力（ t=1.428 p=0.157gt;0.05 ）無顯著差異。

實驗組技術滿意度調查共發放問卷53份，回收有效問卷49份。使用滿意度、專業化推理和個性化教學三個維度的平均值分別為4.14、4.13、4.12，說明實驗組學生對基于大模型的職業教育會話機器人較為滿意。

注： 。

2.能力診斷效果

在基于會話機器人的能力測試中，共64人完整完成測試任務，測試結果按照能力發展階段進行量化：若學生某一能力維度未通過第一輪測試則計為0，通過第一輪測試但未通過第二輪測試則計為1，以此類推。接著，以COMET職業能力測評作為校標，采用Spearman相關系數評估二者的校標關聯效度，結果見表3。可以發現，在三個能力維度上，兩種測評方法的結果間均存在中等程度的正相關關系，且具有顯著性（ _plt;0.01 。對于人機會話教學而言，會話機器人的能力診斷效果可以接受。

四、結論與啟示

（一）研究結論

第一，基于大模型的職業教育會話機器人及其應用模式能夠有效提升學生的功能性和過程性能力，且顯著優于傳統模式。區別于沿用普通教育設計理念和技術范式的既有研究，本研究不關注課程知識的掌握，也不關注推理能力、決策能力等孤立的能力要素，而是關注整合能力觀下的職業（行動）能力培養與診斷，即職業行動是各方面能力有機結合與動態協同的結果。基于大模型的職業教育會話機器人能夠在教師的協同增智下開展符合能力發展規律的會話教學，其對話過程通過工學結合一體化人機協同教學模式融入工作與學習中，能夠有效支持學生職業能力發展。同時，能力導向的分層會話也為科學有效的能力診斷提供了語境支持，其診斷結果反映“職業的效度”，而非“課程的效度”。但相較于傳統模式，學生的整體設計能力沒有顯著提高。可能的原因有兩個：一是實驗時間較短，絕大部分學生仍停留于功能性或過程性能力發展過程中；二是缺少企業實踐，課堂教學難以提供與企業中工作邏輯完整化程度相當的任務以支撐整體設計能力的發展。

第二，本研究設計的基于大模型的職業教育會話機器人系統架構，能夠在控制響應延遲和API調用成本的同時，改善大模型推理能力和領域知識不足問題。首先，串并行混合的多智能體結構將復雜任務分解為多個同步推理的分支，提高運行效率。其次，相較于傳統檢索策略，交替檢索能夠深入挖掘任務所需專業知識，增強工作分析和能力診斷效果。然而，有 22% 的學生表示，會話機器人有時無法做出恰當、有針對性的即時響應。可能有兩個方面的原因：一是并行結構造成教學輔助信息延遲注入；二是RAG通過文本語義特征相似度檢索獲得的既定陳述難以應對開放性工作任務中上下文敏感的問題。

（二）研究啟示

第一，要以完整行動過程為線索開展工學結合的人機會話，使職業教育會話教學從知識/技能導向轉向能力導向。職業能力作為人們成功完成工作所必備的本領，其發展離不開基于工作的意識體驗。現象學理論認為，意識體驗是個體以身心與環境一體的方式，在時間的流變中整體感知和構建對象的過程。職業教育會話教學既不能脫離實踐情境，也不能只針對靜止的工作瞬間講授固定的知識和技能，而是要關注完整行動過程中的顯隱特征。未來，可以將職業教育會話機器人嵌入生產設備中，應用多模態大模型技術深度感知現實工作情境，生成更加契合情境的工作與教學策略。

第二，要充分利用大模型的生成機制，提升職業教育會話機器人能力導向的個性化教學能力。受“框架問題\"22的限制，傳統教育會話機器人離不開先驗的知識導學規則。但明確的相關性規則不是能力發生的充要條件，面對開放場景，人腦可以從任何來源獲取信息，潛在的相關命題是無限的。大模型憑借其生成機制，能夠在開放命題中考慮多元相關因素。未來，一是要利用后訓練技術，使大模型能夠根據能力發展規律分層生成會話內容，更好地適應能力導向的會話教學任務。二是要優化大模型的知識攝取機制，如利用超關系知識圖譜3挖掘知識間的隱含關聯，突破傳統知識庫和知識圖譜關系簡單、形式固化的知識呈現模式，為大模型提供基于上下文感知的精準知識支持。

[參考文獻]

[1]吳慶華，郭麗君.生成式人工智能時代高職院校的教學變革：挑戰、框架與路徑[J].大學教育科學，2023（6）：112-120.

[2] MASCITTII，FEURIM，UNGHIF，etal.COACHBOTmodularecoursewithvirtualcoachtlsupport[CProcedingsofthe 2ndInternationalConferenceonAgentsandArtificial Intellgene.Setubal：NSCC-INSTSYSTTechnologiesInformationCotrolamp; Communication，2010：115-120.

[3] CASILLOM，COLACEF，FABBRIL，etal.Chatbot inindustry4.0：anappoach fortraining newemploys[C/Proceedingsof IEEEInternational Conference on Teaching，Assessment，and Leaming forEngineering.NewYork：IEEE，2O2O：371-376.

[4]MAKHLOUFE，ALENEZIA，SHOKREA.Efectivenessofdesigniga knowledge-basedartifialintellgncechatbot systintoa nursing training program：a quasi-experimental design[J]. Nurse education today，2O24（137）：106159.

[5]王佑鎂，王海潔，王旦，等.ChatGPT賦能職業教育數字化轉型的多重角色與實踐路徑[J].電化教育研究，2024，45（1）：76-83.

[6] CHANG CY，KUOSY，HWANGGH.Chatbot-facliatednursingducation：icorporatingaknowedge-basedchatbotstto a nursing training program[J]. Educational technology amp; society，2022，25（1）：15-27.

[7]趙志群.職業教育工學結合一體化課程開發指南[M].北京;清華大學出版社，2009：1，5-9，94-95.

[8]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.

[9]TRIVEDIH，BALASUBRAMANIANN，KHOTT，etal.Interleavingrtrieval withchain-of-thoughtreasoning forknowledgeintensivemulti-stepquestions[C/Proceedingsofthe61stAnnualMeetingoftheAsociationforComputationalLinguistics. Stroudsburg：ASSOC COMPUTATIONAL LINGUISTICS-ACL，2023：10014-10037.

[10] RAUNERF，HEINEMANNL，MAURER A，etal.Competence development andasessment in TVET[M].Dordrecht：Springer， 2012：2-3.

[1]GILLS.Cognition，communicationandinteractionransdisciplinaryerspectivesoninteractivetechologyM].London：Sringe， 2008 ：277.

[12]趙志群，王煒波.德國職業教育設計導向的教育思想研究[J].中國職業技術教育，2006（32）：62-64.

[13] RAUNERF.Handbook of fundamentals of modern vocational education[M]. Singapore： Springer，2O24：143，7-737.

[14]趙志群.關于行動導向的教學[J].職教論壇，2008（20）：1.

[15]DREYFUSHL.Overcomingthemythofthemental：howpilosopherscaprofitfromthephenomenologyofeverydayexperise[J] Proceedings and addresses of the american philosophical association， 20o5，79（2）：47-65.

[16]閆寒冰.信息化教學的學習支架研究[J].中國電化教育，2003（11）：18-21.

[17]CAGIK.Scafingstrategiesineetronicperfomancesupportsyst：typsadchallngesJ]Iovatiosincation and teaching international， 2006，43（1） ：93-103.

[18]Langchain-AI. LangGraph[EB/OL].（2024-06-20）[2024-10-15]. htps：//angchain-ai.github.io/langgraph.

[19]WUQ，BANSAL G，ZHANGJ，etal.AutoGen：enabling next-gen lmapplicationsvia multi-agentconversation[EB/L].（2023- 10-03）[2024-10-15]. htps：//arxiv.org/abs/2308.08155.

[20]ERICSSONKA，KRAMERT，LEHMANAC，etal.Theroleofdeliberatepracticein teacqusitionofexpertpeforce[] Psychological review，1993，100（3）：363-406.

[21] PAPAKOSTASC，TROUSSASC，KROUSKA A，etal.Arule-basedchatbotoferingpersonalizedguidance incomputer programming education[C]//Generative Intelligence and Intellgent Tutoring Systems.Cham：Springer，2O24：253-264.

[22] FODOR JA. The modularity of mind[M]. Cambridge：MIT Press，1983：114.

[23] PANDA P，AGARWAL A，DEVAGUPTAPU C，et al.HOLMES：hyper-relational knowledge graphs for multi-hopquestion answering using LLMs[EB/OL]. （2024-06-10）[2024-12-20]. htps：/arxiv.0rg/abs/2406.06027.

Construction and Application of Vocational Education Chatbot with Large Language Models

YU Yuefan1， ZHAO Zhiqun1， HUANG Fanghui2 （1.Faculty of Education， Beijing Normal University， Beijing 100875; 2.Department of Political Work， China Fire and Rescue Institute，Beijing 102202）

[Abstract] Despite the rapid development of generative large language models（LLMs）， the construction of LLM-based vocational education chatbots still confronts some challnges，including the difculty of traditional designs to support the development of professional competence，the limitations of thereasoning ability and domain knowledge of LLMs to teaching decision-making，and inadequate scientificity of professional competence assessment methods.To address these challenges，based on the theoretical foundation of the \"design -oriented\" vocational education ideology，the \"action -oriented\" vocational teaching principles，the \"from novice to expert\" competence development logic，and scaffolding teaching，the study constructs an LLM-based vocational education chatbot and its application model by comprehensively utilizing multi-agent systems， chain -of-thought prompting，and retrieval -augmented generation technologies.A quasi-experimental study in a course titled \"Electronic Circuits and CAD Plate Making\" is conductedin higher vocational education.The results demonstrate that the LLM-based vocational education chatbot and its application model can significantly improve students'level 1 and level 2 professional competence.Furthermore，the chatbot can improve LLM reasoning capabilities and domain knowledge deficiencies while controlling response delay and API call cost，therefore achieve effctive competence assessment. This study further discusses optimizing strategies of the LLM-based vocational education chatbot.

[Keywords] Large Language Models;； Multi -agent; Chatbot; Professional Competence； ScaffoldingInstruction