KG-RAG賦能拔尖創新人才培養質量提升

中圖分類號：G640 文獻標識碼：A 文章編號：1002-4107（2025）09-0067-04

黨的十八大以來，習近平總書記高度重視科技創新，扎實推動國家創新驅動發展戰略，為人工智能賦能新時代指明方向。隨著人工智能產業的迅速發展，人工智能教育已逐漸成為各界關注的核心議題，多個國家的高等教育機構積極響應，開設了人工智能及相關領域的本科專業，以應對日益增長的拔尖創新人才培養需求。人工智能的高質量發展亟須在人才培養上發力，精準把握全球人工智能發展態勢，明確突破口和主攻方向，培養大批兼具創新能力與合作精神的高端人才。為此，教育部于2018年4月印發了《高等學校人工智能創新行動計劃》，提出“加快人工智能領域學科建設，加強人工智能領域專業建設，加強人工智能領域人才培養，構建人工智能多層次教育體系”。同年，《普通高等學校本科專業類教學質量國家標準》發布，推動高等教育理念向以學生為中心、突出產業導向和持續改進的現代化方向轉變，更加注重學生能力培養與社會需求相契合。除了對人工智能理論的學習，實踐也是拔尖創新人才培養的重要一環。而國產操作系統對于國家的科技自主性和信息安全至關重要，它能減少對國外技術的依賴，保護關鍵基礎設施免受外部風險，確保國家數據的安全性和隱私保護。同時，推動國產操作系統的研發和應用，有助于提升本土技術創新能力，促進產業鏈的自主可控發展，并增強國家在全球科技競爭中的話語權3]。鑒于對二者的思考，本研究秉持理論實踐相融合理念，構建了“理論掌握一實踐探索一競賽創新一成果轉化\"教育模式，激勵學生投身于國內頂尖研究生創新賽事，把人工智能前沿技術融人國產開源操作系統，以競賽成果推動學術成果轉化，培養兼具創新能力與實踐素養的人工智能復合型人才，助力人工智能本土創新發展，為國內操作系統開源生態建設添磚加瓦，推動行業創新生態的繁榮與進步。

一、新時代對拔尖創新人才的要求與培養現狀

新時代對拔尖創新人才提出了更高要求，需要具備創新能力、跨學科思維、開放視野、理論與實踐結合能力及終身學習素養。然而，當前培養模式存在個性化不足、實踐機會有限等問題，傳統教學難以滿足跨學科整合需求，制約了學生深度掌握知識的能力。為此，須改革教學模式，融合KG-RAG（KnowledgeGraph-Re-trievalAugmentedGeneration，知識圖譜—檢索增強生成）等先進技術，構建“理論一實踐一競賽一成果\"的培養體系，以提升人才質量，應對全球科技競爭挑戰。

（一）對拔尖創新人才的要求

隨著科技的飛速發展，人工智能已經成為推動社會進步和產業升級的關鍵力量。新時代背景下，人工智能技術被廣泛應用于智能醫療、智慧城市、智慧教育、金融科技等多個領域，展現出強大的創新驅動力。中國的人工智能市場需求前景廣闊，因此需要高質量、高水平的人才來支撐和推動人工智能行業發展，特別是需要更懂創意、更懂跨界、更懂開放、更會合作與共享的人才，需要以產業智能化需求為基礎、理論與實踐相結合的復合型人才。因此，這一趨勢對拔尖創新人才培養提出了全新的要求。

第一，創意思維與創新能力。人工智能領域的發展日新月異，因此對人才的創意思維和創新能力提出了更高要求。具備創新能力的人才不僅要掌握現有的技術和方法，還要具備從全新視角審視問題、提出獨特解決方案的能力。這種創新能力不僅體現在算法層面的突破，還涉及應用場景的拓展、模型設計的優化以及系統架構的革新。拔尖創新人才應能跳出傳統思維框架，面對復雜問題時從多個維度提出創新路徑，從而推動行業技術持續進步。

第二，跨學科融合能力。人工智能的核心價值在于跨領域的深度融合，拔尖創新人才需要具備跨學科的思維方式和能力。這種能力要求其能夠理解并融入其他領域的知識體系，將人工智能技術應用到醫療、金融、制造、農業等行業，并提供切實有效的解決方案。拔尖創新人才要善于融合多領域知識與技能，深度對接技術與行業需求，具備推動各行業智能化轉型的能力，從而全面提升自身的核心競爭力。

第三，開放視野與共享精神。人工智能的發展不僅體現在技術層面的突破，更是一個國際合作與知識共享的動態過程。拔尖創新人才應具備開放視野，主動跟蹤前沿技術趨勢，關注各領域的最新研究進展。同時，共享精神作為推動技術進步與創新的關鍵因素，要求人才積極參與技術社區、開源項目及跨學科的學術合作，貢獻研究成果與技術，促進技術的普及與發展。通過知識共享，人工智能領域能夠吸納全球智慧，推動技術的深度創新與突破。

第四，理論與實踐相結合的能力。在人工智能快速發展的背景下，理論深化與實踐推動相輔相成，構成技術創新的關鍵路徑。拔尖創新人才需要具備扎實的理論基礎，能夠結合前沿技術，將理論模型轉化為解決實際問題的有效方案。人工智能技術的復雜性和動態性要求研究者不僅要具備從理論層面推導解決方案的能力，還要在實踐中應對不確定性與技術挑戰。通過參與高水平創新競賽，人才得以在真實場景中驗證理論成果。在技術應用落地中，他們要綜合跨學科知識，提供具有高效性和可操作性的解決方案。理論與實踐的有機結合，使拔尖創新人才在學術研究與技術應用中實現雙向突破，推動人工智能技術的普及與深度應用。

第五，自我驅動與終身學習能力。人工智能技術的快速迭代要求拔尖創新人才具備卓越的自我驅動力與持續學習能力。具備自我驅動特質的人才，能夠在實踐中主動發現問題、尋求解決方案，并在技術變革中保持敏銳的學習熱情，及時掌握最新研究動態與技術進展。終身學習能力已成為應對技術革新與行業需求多樣化的核心素質。面對智能體、大語言模型等前沿領域的興起，拔尖創新人才須持續拓展知識邊界。通過對技術、應用場景與行業趨勢的動態學習，深入提升理論素養與實踐能力，從而在學術研究和產業應用中保持領先地位。

（二）拔尖創新人才培養現狀

新時代背景下，傳統的教學模式已難以滿足對拔尖創新人才培養的要求，尤其在個性化學習、創新能力培養以及教學模式改革等方面存在顯著不足。國內外的研究表明，人工智能教育亟須轉向更具創新性和實踐導向的模式，以適應新興產業對拔尖創新人才的要求。具體而言，人工智能作為一門跨學科的領域，融合了計算機科學、數學、心理學、社會學等多學科知識，涵蓋了計算機視覺、機器學習、深度學習、語音識別、知識工程等多個子領域。每個子領域都有其獨特的研究內容和應用場景。如何高效整合跨學科知識體系，促使學生全面理解并能夠靈活應用，已成為當前教育面臨的關鍵挑戰。現有教學模式缺乏個性化學習路徑推薦、知識空缺檢測及智能交互問答等智能化教育場景，無法為學生提供定制化的學習方案，也難以及時識別并填補知識盲點。這種不足限制了學生與知識的高效互動，阻礙了實時疑難解答與個性化輔導的實現，進而影響了學生對復雜概念和實際應用的深度掌握。此外，學生因課時限制缺乏項目參與機會，導致理論知識難以有效轉化為應用能力。面對新時代對人才更高層次的要求，須緊密結合拔尖創新人才的培養目標，通過改革教學模式，提升人才培養質量，促進人工智能技術的深入發展與廣泛應用。

二、KG-RAG賦能拔尖創新人才培養的核心 機制探索與實踐

基于以上的思考，本研究以本博貫通課程高級人工智能為基石，以KG-RAG技術為支撐，以全面提高拔尖創新人才培養質量為目標，深入研究KG-RAG賦能的拔尖創新人才培養核心機制，構建“理論掌握一實踐探索—創新競賽—成果落地\"的教學模式，KG-RAG賦能拔尖創新人才培養質量提升框架如圖1所示。

KG-RAG是一種結合知識圖譜與檢索增強生成的技術，通過整合結構化知識提升人工智能模型的準確性和上下文理解能力，廣泛應用于問答、推薦等場景。KG-RAG賦能拔尖創新人才培養核心機制如圖2所示，深度融合了大語言模型與知識圖譜，優化了知識建模、知識融合、知識表示、知識推理、知識生成全流程。該機制對高級人工智能課程內容進行建模，構建覆蓋人工智能課程領域的高質量知識圖譜，并應用知識圖譜的可視化技術直觀展示學習內容，支持學科資源的深度交互探索。依托知識表示與推理技術，驅動個性化學習路徑推薦與知識空缺提示，顯著提升個性化學習的適應性與精準度。同時，設計并實現融合大模型與知識圖譜的多模態檢索增強智能互動問答系統，提供高效的問答模式與交互方式，強化學生對復雜理論的理解與教師的教學支持。此外，構建了“理論掌握一實踐探索一創新競賽一成果落地\"的教學模式，將創新競賽與項目經驗有機結合，促進學術研究向實際應用轉化，全面提升學生的創新潛力與團隊協作能力，助力信創領域基礎軟件生態的建設與發展。

第二，多源知識融合與人工智能課程圖譜構建。標定學科術語并消解知識歧義，對不同來源的知識進行對齊，使其在統一框架下有效共存與交互，從而實現多源知識的整合與協同。基于融合后的知識，構建人工智能課程圖譜，并利用可視化技術呈現學習內容。學生能夠在交互式界面中深入探索各節點的詳細信息，快速掌握知識體系的核心要點。圖譜支持節點的動態展開與縮放，學生可根據需求聚焦特定領域，靈活調整學習深度與廣度，為智能教學和知識管理提供堅實的理論基礎與技術支持。

（二）智能推理驅動的知識架構優化與個性化學習路徑推薦，提供實時知識空缺檢測

本研究突破了智能知識表示與推理技術，動態重構知識體系與精準學習路徑設計，通過實時分析學生的學習行為、知識掌握情況及認知特點，對領域知識圖譜進行動態優化，使其更具適應性。依托對知識點之間邏輯關聯的建模與推理，為學生生成最優學習路徑，助力其在認知負荷最小化的前提下高效掌握知識。同時，實時知識空缺檢測功能通過對學習數據的深度挖掘，精準識別學生知識體系中的薄弱環節與認知盲區，增強學習的針對性與適應性，為個性化教育實現提供技術基礎。

（一）基于領域知識圖譜的課程內容建模與可視化展示，構建交互式學習界面

領域知識圖譜聚焦于人工智能課程的知識范圍與應用重點，為學生提供深度探索學科資源的平臺，促進領域知識的深度交互。領域知識圖譜以圖結構存儲信息，契合學生認知特點，其多維度語義信息表達不僅能幫助學生直觀感知知識點之間的邏輯關系，還能在探索知識點的過程中挖掘潛在關系，深化對知識體系的全面理解，有助于培養學生的探索性學習能力和系統性思維能力。課程知識圖譜的構建應用課程本體設計、核心知識抽取和多源知識融合等關鍵技術，實現知識的高效關聯與可視化交互。

第一，課程本體構建與核心知識抽取。通過自然語言處理技術和大模型ChatGLM，從領域文獻、課程教材、學術博客等結構化、半結構化和非結構化數據中構建本體，同時結合課程視頻、社交媒體圖像、語音等多模態信息，搭建高級人工智能知識體系，全面揭示知識點之間的層次關系與依賴關系。在本體構建的基礎上，面向多源異構數據，進行命名實體識別和關系抽取，梳理學科知識點的邏輯關系與層次結構，實現高效且精準的知識抽取。

第二，智能知識推理。基于節點關系與知識的邏輯依賴性，融合知識推理技術，實現圖譜的動態更新演化，并生成科學的個性化學習路徑，避免學生偏離學習目標或陷入低效重復的學習過程。此外，該方法能夠精準定位學生的知識空缺，并提供有針對性的補充學習建議。

（三）集成智學互動問答系統，提升互動性知識獲取與跨學科理解能力

系統采用檢索增強生成的方法，結合本地知識庫信息檢索與大語言模型生成自然語言回答，提供高可解釋性與高效性的問答模式，以及高操作性與靈活性的交互方式。智學互動問答系統結合本地知識庫，具備理解復雜查詢的能力，支持處理用戶的語音、圖像等多模態信息輸入，為不同學習場景提供便捷的解答方式，幫助學生深入理解復雜理論；教師在此過程中能夠更高效地解答學生疑問，并通過深度分析與動態反饋促進學生對知識的掌握與理解，為高級人工智能課程注入新的教學動能。

第一，基于大模型與知識圖譜的多模態檢索增強。整合知識圖譜的垂直領域數據與外部知識庫中語義相關的內容。其次，對檢索結果進行排序，精準篩選出最相關的信息。最后，結合輸入內容與篩選結果，利用大語言模型（LLMs）生成符合任務需求的高質量輸出。該技術有效緩解了基于有限知識的回答局限性，并減少了傳統大語言模型可能引發的幻覺效應，從而提升大語言模型生成相關且專業答案的能力，為交互過程提供準確、全面的知識支持。

第二，智學互動問答系統集成。將知識圖譜作為結構化知識庫，結合大模型的自然語言生成能力，構建智能互動問答系統，以促進知識獲取與學習支持。智學互動問答系統如圖3所示，該問答系統不僅能理解學生以自然語言提出的問題，而且能通過結合知識圖譜，提供更為精確和豐富的答案。系統支持處理學生的語音、圖像等多模態信息輸入，為不同學習場景提供便捷的解答方式，幫助學生深度理解復雜理論，增強跨領域知識整合與創新能力。

（四）構建\"理論掌握一實踐探索一創新競賽一成果落地\"的教學模式

該模式以高級人工智能課程為基石，結合KG-RAG賦能拔尖創新人才培養的核心機制，有效支持學生在學習過程中實現知識的深人理解和靈活運用。習近平總書記在回信勉勵中國國際大學生創新大賽參賽學生代表時寫道，青年是創新的重要生力軍，要以大賽為平臺，用在課堂和實驗室學到的知識解決實際問題。KG-RAG賦能拔尖創新人才培養質量提升，結合“賽育融合、創學并進”的教育理念，鼓勵學生參與創新實踐系列賽事，以提升實踐能力，如中國研究生操作系統開源創新大賽、智慧城市技術與創意設計大賽等頂尖賽事，激發學生創新潛力與團隊協作能力，推動國產操作系統智能化與安全性提升，夯實信創領域基礎軟件生態。實踐是檢驗真理的唯一標準，應用是技術最好的檢驗方式，以“智創落地、成果轉化\"為核心理念，將核心技術應用于地方民政部門和高新技術企業，實現學序—生成\"三階段流程8。首先，本研究通過多模態檢索術研究向實際應用轉化，如圖4所示。

圖4核心教育理念

三、結論

本研究以高級人工智能課程為實驗場景，探索領域知識圖譜技術與大語言模型（LLMs）的深度融合與創新應用，設計KG-RAG賦能研究生教育的核心機制，為高等院校拔尖創新人才培養提供強有力的技術支持。通過踐行“理論掌握一實踐探索一創新競賽一成果落地\"的教學模式，結合“賽育融合、創學并進”與“智創落地、成果轉化\"的教育理念，促進學術研究與實際應用的深度融合，夯實信創領域基礎軟件生態，助力民生與科技建設，全面提升拔尖創新人才的培養質量。

圖3智學互動問答系統

參考文獻：

[1]新華網《中國人工智能人才培養報告》發布：政產學研一體化成AI人才培養主流趨勢[EB/OL].（2022-01-25）[2025-03-12].https：//www.xinhuanet.com/info/20220125/9fa3a71c89124f9fb0e4ba3cf9d7ce72/c.html.

[2]鄭慶華.人工智能賦能創建未來教育新格局[].中國高教研究，2024（3）.

[3]韓乃平，李蕾.國產操作系統生態體系建設現狀分析[].信息安全研究，20200）.

[4]沈自友，王正為，張旭暉.ChatGPT等大模型融入高校大思政課建設的路徑探賾.黑龍江教育（高教研究與評估），20242）.

[5]伊宸廷.人工智能賦能高校人才培養的時代意義與實踐路徑[I].黑龍江教育（高教研究與評估），20242）.

[6]趙宇博，張麗萍，閆盛，等.個性化學習中學科知識圖譜構建與應用綜述[J].計算機工程與應用，20230）.

[7]鄭祎豪，郭奕君，母立芳.知識驅動的多模態語義理解研究綜述[.模式識別與人工智能，20232）.

[8]徐月梅，胡玲，趙佳藝，等.大語言模型與多語言智能的研究進展與啟示[I].計算機應用，2023（S2）

[9]梅憶寒，王琳琳，王鵬飛，等.基于多模態與檢索增強生成的數據庫知識問答系統[].計算機教育，20242）.

[10]廖俊，李珺.研究生學科競賽促拔尖創新人才能力培養模式研究[.黑龍江教育（理論與實踐），2024（7）.