基于大模型的高職項(xiàng)目式教學(xué)智能體開發(fā)與實(shí)踐

摘要：文章針對(duì)高職教育的產(chǎn)教融合需求，構(gòu)建了基于大模型的項(xiàng)目式教學(xué)智能體框架。通過動(dòng)態(tài)問題生成引擎實(shí)現(xiàn)職業(yè)能力標(biāo)準(zhǔn)與項(xiàng)目任務(wù)的矩陣映射；采用人機(jī)協(xié)同設(shè)計(jì)系統(tǒng)，融合工作過程系統(tǒng)化與強(qiáng)化學(xué)習(xí)策略；建立銜接CAD與真實(shí)生產(chǎn)環(huán)境的多模態(tài)作品生產(chǎn)鏈；并設(shè)計(jì)了集成模糊綜合評(píng)價(jià)與區(qū)塊鏈存證的智能評(píng)價(jià)體系。在《數(shù)據(jù)分析》課程中的實(shí)驗(yàn)表明：?jiǎn)栴}生成時(shí)間縮短了74.2%，方案完整度提升了13.6%，項(xiàng)目完成度提高了15%，企業(yè)評(píng)價(jià)得分增長(zhǎng)了20.8%，表明該框架能顯著增強(qiáng)學(xué)生的實(shí)踐能力和提升項(xiàng)目成果質(zhì)量。本研究為技術(shù)技能人才的培養(yǎng)提供了智能解決方案，并推動(dòng)了職業(yè)教育教學(xué)模式的數(shù)字化轉(zhuǎn)型。

關(guān)鍵詞：大模型；高職教育；項(xiàng)目式教學(xué)；智能體；產(chǎn)教融合

中圖分類號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：1009-3044（2025）28-0105-04

開放科學(xué)（資源服務(wù)） 標(biāo)識(shí)碼（OSID）

0 引言

隨著人工智能技術(shù)的迅猛發(fā)展，大模型（Large Language Models， LLMs） 憑借其卓越的語義理解、多模態(tài)數(shù)據(jù)處理和生成能力，正在重塑職業(yè)教育領(lǐng)域的教學(xué)模式。高職教育是培養(yǎng)技術(shù)技能人才的主要基地，其項(xiàng)目式教學(xué)強(qiáng)調(diào)“做中學(xué)、學(xué)中做”的實(shí)踐導(dǎo)向，但在傳統(tǒng)實(shí)施過程中仍面臨兩大瓶頸：其一，項(xiàng)目設(shè)計(jì)難以動(dòng)態(tài)匹配產(chǎn)業(yè)技術(shù)的迭代需求；其二，學(xué)生的個(gè)性化能力發(fā)展缺乏智能支撐。近年來，大模型技術(shù)的突破為教育領(lǐng)域提供了新路徑?；谏墒筋A(yù)訓(xùn)練變換模型（Generative Pre-trained Transformer， GPT） 等技術(shù)的多模態(tài)融合能力，可構(gòu)建覆蓋“問題提出—方案設(shè)計(jì)—作品實(shí)現(xiàn)—能力評(píng)價(jià)”全流程的智能體框架。

在技術(shù)實(shí)現(xiàn)方面，教學(xué)智能體以大語言模型為核心，結(jié)合多智能體協(xié)同、檢索增強(qiáng)生成（Retrieval-Augmented Generation， RAG） 等技術(shù)構(gòu)建功能框架?，F(xiàn)有研究[1-2]已提出涵蓋教育任務(wù)設(shè)定、規(guī)劃、評(píng)價(jià)等功能模塊的智能體框架，但其技術(shù)原理和標(biāo)準(zhǔn)化仍須深入探索。在應(yīng)用效能方面，教學(xué)智能體在項(xiàng)目式教學(xué)中表現(xiàn)突出。研究表明[3-4]，智能體可優(yōu)化教學(xué)設(shè)計(jì)、提供個(gè)性化支持并提升復(fù)雜問題解決能力，但其長(zhǎng)期影響仍須進(jìn)一步評(píng)估。情感交互和個(gè)性化支持是重要的發(fā)展方向。研究表明[5-7]，情緒智能體可提升學(xué)習(xí)動(dòng)機(jī)和知識(shí)遷移能力，而個(gè)性化推薦能有效提升學(xué)習(xí)效率。本文提出基于大模型的項(xiàng)目式教學(xué)智能體框架，通過動(dòng)態(tài)問題生成、人機(jī)協(xié)同設(shè)計(jì)、多模態(tài)作品生產(chǎn)和智能評(píng)價(jià)等模塊，為高職教育提供智能化解決方案，以助力技術(shù)技能人才培養(yǎng)。

1 項(xiàng)目式教學(xué)智能體框架設(shè)計(jì)與大模型技術(shù)適配

項(xiàng)目式教學(xué)智能體研發(fā)框架包含“提出項(xiàng)目驅(qū)動(dòng)問題”“人機(jī)協(xié)同設(shè)計(jì)項(xiàng)目方案”“人機(jī)協(xié)同完成項(xiàng)目作品”和“多角色項(xiàng)目評(píng)價(jià)”四大模塊，智能體開發(fā)框架如圖1所示。

1.1 提出項(xiàng)目驅(qū)動(dòng)問題

在實(shí)踐導(dǎo)向的框架下，“提出項(xiàng)目驅(qū)動(dòng)問題”模塊的技術(shù)路徑遵循“情境預(yù)設(shè)—框架引導(dǎo)—數(shù)據(jù)驅(qū)動(dòng)—特征挖掘—問題生成”的閉環(huán)邏輯。

基于行業(yè)真實(shí)工作場(chǎng)景預(yù)設(shè)職業(yè)化學(xué)習(xí)情境，通過模擬典型崗位任務(wù)鏈構(gòu)建實(shí)踐場(chǎng)域，將課程標(biāo)準(zhǔn)與職業(yè)能力標(biāo)準(zhǔn)進(jìn)行矩陣映射?；谡J(rèn)知學(xué)徒制理論，建立分層引導(dǎo)框架并采用工作過程系統(tǒng)化設(shè)計(jì)方法，將崗位核心能力拆解為可觀測(cè)的行為指標(biāo)。在交互實(shí)施環(huán)節(jié)，通過多模態(tài)在線討論平臺(tái)整合文本、語音、視頻等多維數(shù)據(jù)流，借助神經(jīng)網(wǎng)絡(luò)構(gòu)建個(gè)性化對(duì)話路徑，并設(shè)計(jì)包含認(rèn)知沖突、角色代入、情境遷移的交互策略集群。運(yùn)用自然語言處理技術(shù)對(duì)交互日志進(jìn)行語義角色標(biāo)注，結(jié)合聚類算法提取學(xué)生的認(rèn)知特征圖譜，同步采用貝葉斯網(wǎng)絡(luò)推理學(xué)習(xí)意圖演化軌跡?；诼殬I(yè)能力成長(zhǎng)模型與崗位勝任力特征庫(kù)，生成具有真實(shí)生產(chǎn)價(jià)值的項(xiàng)目驅(qū)動(dòng)問題，確保問題集既涵蓋專業(yè)領(lǐng)域知識(shí)模塊，又嵌入行業(yè)技術(shù)標(biāo)準(zhǔn)與工作規(guī)范，形成職業(yè)能力培養(yǎng)與項(xiàng)目任務(wù)解決的螺旋上升結(jié)構(gòu)。此模塊的大模型技術(shù)適配如下：

融合GPT-4與行業(yè)知識(shí)圖譜實(shí)現(xiàn)智能問題生成。利用GPT-4的上下文學(xué)習(xí)（in-context learning） 能力解析崗位任務(wù)書，通過提示工程（prompt engineering） 嵌入《國(guó)家職業(yè)標(biāo)準(zhǔn)》條目，結(jié)合課程學(xué)習(xí)（Curriculum Learning） 策略，漸進(jìn)生成符合CDIO（構(gòu)思—設(shè)計(jì)—實(shí)現(xiàn)—運(yùn)作） 工程教育模式的問題簇。同步部署GraphSAGE（圖采樣與聚合） 算法挖掘行業(yè)知識(shí)圖譜中的技能節(jié)點(diǎn)關(guān)聯(lián)，構(gòu)建包含設(shè)備參數(shù)、工藝規(guī)范等特征的動(dòng)態(tài)問題庫(kù)。采用Anthropic的Constitutional AI機(jī)制確保問題符合職業(yè)教育倫理，通過LangChain（語言模型鏈?zhǔn)秸{(diào)用框架） 實(shí)現(xiàn)與企業(yè)制造執(zhí)行系統(tǒng)（Manufacturing Execution System， MES） 的應(yīng)用程序接口（Application Programming Interface， API） 對(duì)接，使驅(qū)動(dòng)問題實(shí)時(shí)映射產(chǎn)線技術(shù)迭代需求。

1.2 人機(jī)協(xié)同設(shè)計(jì)項(xiàng)目方案

以職業(yè)能力培養(yǎng)為導(dǎo)向，“人機(jī)協(xié)同設(shè)計(jì)項(xiàng)目方案”模塊的技術(shù)路徑遵循“規(guī)則解析—資源重構(gòu)—智能支撐—?jiǎng)討B(tài)調(diào)優(yōu)—方案成型”的協(xié)同機(jī)制。

基于崗位工作說明書解析項(xiàng)目任務(wù)規(guī)則，采用工作分解結(jié)構(gòu)法拆解職業(yè)能力單元，通過建模工具實(shí)現(xiàn)任務(wù)流程的可視化編排。構(gòu)建行業(yè)級(jí)項(xiàng)目案例知識(shí)圖譜，運(yùn)用跨媒體檢索技術(shù)整合生產(chǎn)現(xiàn)場(chǎng)的影像日志、工藝圖紙等多模態(tài)素材，采用增強(qiáng)現(xiàn)實(shí)技術(shù)開發(fā)虛實(shí)融合的交互載體。在智能支撐層，部署基于強(qiáng)化學(xué)習(xí)的策略推薦引擎，根據(jù)學(xué)生認(rèn)知負(fù)荷水平動(dòng)態(tài)推送思維導(dǎo)圖、決策樹等結(jié)構(gòu)化支架工具。通過多通道人機(jī)交互界面實(shí)時(shí)采集操作行為數(shù)據(jù)，采用注意力機(jī)制神經(jīng)網(wǎng)絡(luò)進(jìn)行意圖識(shí)別，結(jié)合模糊綜合評(píng)價(jià)法生成分層反饋矩陣。借助數(shù)字孿生技術(shù)構(gòu)建三維項(xiàng)目沙盤，通過蒙特卡羅仿真驗(yàn)證方案可行性，同步對(duì)接企業(yè)質(zhì)量管理循環(huán)，形成符合ISO標(biāo)準(zhǔn)且具備技術(shù)遷移價(jià)值的項(xiàng)目方案原型。此模塊的大模型技術(shù)適配如下：

采用GPT-4 Turbo（多任務(wù)代碼生成模型） 與Stable Diffusion（穩(wěn)定擴(kuò)散圖像生成模型） 構(gòu)建跨模態(tài)設(shè)計(jì)系統(tǒng)?；贕PT-4 Turbo的代碼生成能力解析工作分解結(jié)構(gòu)（Work Breakdown Structure， WBS） 任務(wù)樹，自動(dòng)生成可編程邏輯控制器（Programmable Logic Controller， PLC） 梯形圖、數(shù)控加工程序等技術(shù)文檔。運(yùn)用Stable Diffusion的ControlNet + MeshGPT實(shí)現(xiàn)二維圖紙到三維模型的轉(zhuǎn)換，結(jié)合低秩適應(yīng)（Low-Rank Adaptation， LoRA） 微調(diào)技術(shù)注入特定行業(yè)的設(shè)計(jì)規(guī)范。部署ChatGLM3（對(duì)話生成語言模型3代） 作為設(shè)計(jì)協(xié)商中介，利用其長(zhǎng)上下文處理能力分析多角色討論記錄，通過推理-執(zhí)行（ReAct） 框架生成沖突解決方案。引入GPT Agents（多智能體任務(wù)框架） 實(shí)現(xiàn)方案可行性自檢，自動(dòng)調(diào)用MATLAB/Simulink（數(shù)學(xué)建模與仿真平臺(tái)） 進(jìn)行仿真驗(yàn)證。

1.3 人機(jī)協(xié)同完成項(xiàng)目作品

在產(chǎn)教融合導(dǎo)向下，“人機(jī)協(xié)同完成項(xiàng)目作品”模塊的技術(shù)路徑采用“數(shù)據(jù)索引—智能檢索—生成優(yōu)化”的三階智能系統(tǒng)。

通過多模態(tài)數(shù)據(jù)融合引擎，整合項(xiàng)目需求文檔、工藝視頻和設(shè)備傳感數(shù)據(jù)等異構(gòu)資源，運(yùn)用工業(yè)級(jí)ETL（Extract-Transform-Load） 工具進(jìn)行數(shù)據(jù)清洗與標(biāo)準(zhǔn)化處理，采用卷積神經(jīng)網(wǎng)絡(luò)提取數(shù)據(jù)特征、長(zhǎng)短期記憶網(wǎng)絡(luò)捕捉操作時(shí)序模式，經(jīng)預(yù)訓(xùn)練大語言模型向量化后構(gòu)建具備行業(yè)知識(shí)屬性的向量數(shù)據(jù)庫(kù)，實(shí)現(xiàn)崗位知識(shí)元與國(guó)家職業(yè)標(biāo)準(zhǔn)的語義映射。部署基于注意力機(jī)制的問答檢索模型，將學(xué)生的自然語言提問通過預(yù)訓(xùn)練大語言模型編碼為語義向量，結(jié)合余弦相似度算法與倒排索引技術(shù)，在知識(shí)圖譜支撐下實(shí)現(xiàn)工藝規(guī)范、安全標(biāo)準(zhǔn)的精準(zhǔn)匹配。搭建領(lǐng)域增強(qiáng)型生成框架，通過依存句法分析解構(gòu)技術(shù)需求，運(yùn)用思維鏈提示工程構(gòu)建包含行業(yè)術(shù)語的上下文模板，調(diào)用經(jīng)微調(diào)的行業(yè)大模型生成可執(zhí)行方案，同步生成符合ISO質(zhì)量管理體系的工藝卡與檢測(cè)報(bào)告，形成閉環(huán)的項(xiàng)目作品生產(chǎn)流程。此模塊的大模型技術(shù)適配如下：

構(gòu)建基于GPT-4V（視覺增強(qiáng)型生成模型） 與DALL·E 3（圖文生成模型3代） 的多模態(tài)協(xié)同系統(tǒng)。GPT-4V解析設(shè)備傳感數(shù)據(jù)流與視覺檢測(cè)圖像，通過思維鏈（Chain-of-Thought） 提示工程生成工藝優(yōu)化建議。DALL·E 3根據(jù)計(jì)算機(jī)輔助制造（Computer-Aided Manufacturing， CAM） 文件生成裝配體爆炸圖，結(jié)合InstructPix2Pix模型進(jìn)行圖紙規(guī)范性修正。部署LLaMA-2（開源大語言模型2代） 作為質(zhì)量管控中樞，利用QLoRA生成符合ISO標(biāo)準(zhǔn)的質(zhì)檢報(bào)告。

1.4 多角色項(xiàng)目評(píng)價(jià)

在職業(yè)能力認(rèn)證導(dǎo)向下，“多角色項(xiàng)目評(píng)價(jià)”模塊的技術(shù)路徑采用“數(shù)據(jù)驅(qū)動(dòng)—標(biāo)準(zhǔn)嵌入—協(xié)同研判—能力認(rèn)證”的立體評(píng)估體系。

基于國(guó)家職業(yè)資格框架構(gòu)建評(píng)價(jià)量規(guī)生成引擎，運(yùn)用層次分析法配置過程性指標(biāo)權(quán)重，結(jié)合ISO質(zhì)量管理體系設(shè)計(jì)結(jié)果性評(píng)價(jià)矩陣，實(shí)現(xiàn)量規(guī)參數(shù)與行業(yè)認(rèn)證標(biāo)準(zhǔn)的動(dòng)態(tài)綁定。部署多源感知融合系統(tǒng)，運(yùn)用操作日志挖掘技術(shù)解析版本控制數(shù)據(jù)，識(shí)別協(xié)作場(chǎng)景中的肢體語言特征，通過協(xié)議對(duì)接工業(yè)設(shè)備獲取工藝參數(shù)，構(gòu)建覆蓋“認(rèn)知—行為—成果”的三維數(shù)據(jù)立方體?；诙鄬傩詻Q策模型計(jì)算機(jī)器評(píng)分，搭建混合智能研判平臺(tái)。運(yùn)用主題模型提取師生互評(píng)文本中的能力特征，對(duì)接企業(yè)生產(chǎn)管理系統(tǒng)驗(yàn)證作品的生產(chǎn)適配度，并通過區(qū)塊鏈技術(shù)對(duì)評(píng)價(jià)過程進(jìn)行存證。生成包含崗位勝任力雷達(dá)圖與能力發(fā)展建議的評(píng)估報(bào)告，同步推送至職業(yè)技能證書管理平臺(tái)，形成“評(píng)價(jià)—診斷—認(rèn)證”的職業(yè)能力發(fā)展閉環(huán)。此模塊的大模型技術(shù)適配如下：

集成BERT（Bidirectional Encoder Representations from Transformers） 與GPT-4構(gòu)建智能評(píng)估矩陣。采用BERT的下一句預(yù)測(cè)（Next Sentence Prediction， NSP） 任務(wù)識(shí)別過程性評(píng)價(jià)中的能力項(xiàng)匹配度，GPT-4構(gòu)建多智能體評(píng)價(jià)系統(tǒng)，其中教師Agent生成教學(xué)反思，企業(yè)Agent模擬MES驗(yàn)收，學(xué)生Agent進(jìn)行同伴互評(píng)。部署Mistral-7B分析生產(chǎn)數(shù)據(jù)與評(píng)價(jià)量規(guī)的偏離度，運(yùn)用LangChain的智能體（Agents） 模塊協(xié)調(diào)多源評(píng)價(jià)結(jié)果。

2 案例驗(yàn)證教學(xué)智能體的有效性

為驗(yàn)證“高職項(xiàng)目式教學(xué)智能體”的實(shí)踐效能，選取某高職院校計(jì)算機(jī)應(yīng)用技術(shù)專業(yè)數(shù)據(jù)分析課程的3個(gè)實(shí)驗(yàn)班（實(shí)驗(yàn)班A、實(shí)驗(yàn)班B、實(shí)驗(yàn)班C，共141人） 開展實(shí)證研究，另設(shè)1個(gè)對(duì)照班（對(duì)照班D，47人） 。該課程對(duì)接數(shù)據(jù)分析師（國(guó)家職業(yè)技能標(biāo)準(zhǔn)四級(jí)） 崗位要求，實(shí)驗(yàn)周期為2周，圍繞“電商平臺(tái)用戶行為分析”項(xiàng)目，全面應(yīng)用項(xiàng)目式教學(xué)智能體框架的四大模塊，旨在比較實(shí)驗(yàn)班與對(duì)照班在學(xué)習(xí)成效、職業(yè)能力達(dá)成度、學(xué)習(xí)體驗(yàn)等方面的差異。

2.1 項(xiàng)目驅(qū)動(dòng)問題生成

1） 情景設(shè)定?；谡鎸?shí)電商數(shù)據(jù)設(shè)定“用戶行為分析”情境，覆蓋用戶畫像、消費(fèi)預(yù)測(cè)、異常行為檢測(cè)等核心任務(wù)。數(shù)據(jù)來源于Kaggle電商數(shù)據(jù)集（含200萬條用戶交互記錄） ，涵蓋不同消費(fèi)群體的購(gòu)買記錄、訪問路徑、反饋信息等多維數(shù)據(jù)，以確保實(shí)驗(yàn)的真實(shí)性和實(shí)踐性。通過構(gòu)建多元化數(shù)據(jù)場(chǎng)景，模擬真實(shí)電商運(yùn)營(yíng)環(huán)境，提升學(xué)生對(duì)數(shù)據(jù)分析業(yè)務(wù)的理解。

2） 智能生成問題。采用GPT-4與行業(yè)知識(shí)圖譜，解析《國(guó)家職業(yè)技能標(biāo)準(zhǔn)》，生成10個(gè)符合CDIO理念的問題簇。GPT-4根據(jù)崗位能力要求，結(jié)合數(shù)據(jù)分析核心技術(shù)，生成涵蓋數(shù)據(jù)預(yù)處理、模型選擇、特征提取、結(jié)果解讀等關(guān)鍵環(huán)節(jié)的問題。問題難度梯度合理，兼顧基礎(chǔ)知識(shí)與高級(jí)技能，確保學(xué)生能夠逐步深入，完成從問題理解到方案實(shí)施的全過程。

3） 動(dòng)態(tài)問題庫(kù)構(gòu)建。利用GraphSAGE算法對(duì)接企業(yè)MES，實(shí)時(shí)更新數(shù)據(jù)特征，生成針對(duì)性問題。系統(tǒng)根據(jù)實(shí)時(shí)業(yè)務(wù)數(shù)據(jù)變化，動(dòng)態(tài)調(diào)整問題庫(kù)內(nèi)容，確保問題的時(shí)效性與企業(yè)需求匹配度。學(xué)生在解決實(shí)際問題的過程中，培養(yǎng)了數(shù)據(jù)分析與解決復(fù)雜問題的能力，增強(qiáng)了其對(duì)行業(yè)前沿技術(shù)的理解與應(yīng)用。

本模塊實(shí)驗(yàn)結(jié)果如圖2（a）所示。實(shí)驗(yàn)班的問題生成速度顯著提升，平均生成時(shí)間為8.4 min，顯著低于對(duì)照班的32.5 min；問題多樣性達(dá)到10個(gè)，遠(yuǎn)高于對(duì)照班的4個(gè)；崗位匹配度高達(dá)92.3%，較對(duì)照班的74.6%有顯著提升。這驗(yàn)證了智能體在問題生成方面的有效性。實(shí)驗(yàn)班通過智能體自動(dòng)生成問題，縮短了問題設(shè)計(jì)時(shí)間，提高了問題的針對(duì)性和多樣性，確保了問題與行業(yè)需求的高度一致性，為后續(xù)項(xiàng)目方案設(shè)計(jì)與實(shí)施提供了高質(zhì)量的起點(diǎn)。

2.2 人機(jī)協(xié)同方案設(shè)計(jì)

1） 任務(wù)解析。利用Codex解析用戶行為分析的WBS任務(wù)樹，自動(dòng)生成數(shù)據(jù)預(yù)處理、模型訓(xùn)練和結(jié)果分析方案。智能體根據(jù)WBS任務(wù)分解原則，將復(fù)雜的數(shù)據(jù)分析任務(wù)細(xì)化為若干子任務(wù)，涵蓋數(shù)據(jù)采集、數(shù)據(jù)清洗、特征工程、模型選擇、模型評(píng)估等關(guān)鍵環(huán)節(jié)，并生成詳細(xì)的執(zhí)行方案，以確保學(xué)生對(duì)任務(wù)的理解和分工協(xié)作的有效性。

2） 多模態(tài)設(shè)計(jì)。結(jié)合Stable Diffusion生成數(shù)據(jù)流圖和模型架構(gòu)圖，幫助學(xué)生理解復(fù)雜流程。通過圖像生成技術(shù)直觀呈現(xiàn)數(shù)據(jù)處理流程與模型結(jié)構(gòu)，彌補(bǔ)了文字描述的抽象性，增強(qiáng)了學(xué)生對(duì)項(xiàng)目各階段的理解與掌握，尤其是對(duì)復(fù)雜算法和數(shù)據(jù)流的可視化解析，從而提高了學(xué)習(xí)效率。

本模塊實(shí)驗(yàn)結(jié)果如圖2（b）所示。智能體框架顯著提升了方案設(shè)計(jì)的效率與完整度，實(shí)驗(yàn)班的方案生成時(shí)間平均為2.5 h，顯著低于對(duì)照班的6.7 h；方案完整度達(dá)到94.8%，較對(duì)照班的81.2%提高了13.6個(gè)百分點(diǎn)。方案錯(cuò)誤率方面，實(shí)驗(yàn)班為3.1%，遠(yuǎn)低于對(duì)照班的12.6%。結(jié)果表明，智能體在復(fù)雜任務(wù)解析與方案生成方面具有顯著優(yōu)勢(shì)，能有效助力學(xué)生掌握系統(tǒng)性思維與實(shí)際操作技能，提升項(xiàng)目方案的科學(xué)性、完整性與準(zhǔn)確性。

2.3 人機(jī)協(xié)同完成項(xiàng)目作品

1） 任務(wù)分配與進(jìn)度跟蹤。智能體自動(dòng)將“電商平臺(tái)用戶行為分析”項(xiàng)目拆分為數(shù)據(jù)采集、預(yù)處理、探索性分析、特征工程、模型建立、結(jié)果可視化等子任務(wù)，并對(duì)各子任務(wù)的完成進(jìn)度進(jìn)行實(shí)時(shí)監(jiān)控。

2） 代碼生成與調(diào)試。智能體結(jié)合最新的代碼生成模型，為學(xué)生提供Python代碼示例（例如，數(shù)據(jù)處理用Pandas、數(shù)據(jù)可視化用Matplotlib或Seaborn、機(jī)器學(xué)習(xí)用Scikit-Learn等） ，幫助學(xué)生快速搭建數(shù)據(jù)分析流程。

3） 作品集成與測(cè)試。各模塊完成后，通過智能體將代碼、數(shù)據(jù)及報(bào)告集成到統(tǒng)一的項(xiàng)目系統(tǒng)中。對(duì)集成后的作品進(jìn)行性能壓力測(cè)試和數(shù)據(jù)分析準(zhǔn)確性檢測(cè)，并生成詳細(xì)的測(cè)試報(bào)告（如響應(yīng)時(shí)間、錯(cuò)誤率、結(jié)果偏差等） ，以確保系統(tǒng)的穩(wěn)定性和最終分析結(jié)論的可靠性。

本模塊實(shí)驗(yàn)結(jié)果如圖2（c）所示。從代碼質(zhì)量來看，實(shí)驗(yàn)班平均得分為90分，對(duì)照班為75分，實(shí)驗(yàn)班高出15分（提升20%） ，這表明智能代碼生成與自動(dòng)調(diào)試建議大大提高了代碼編寫的標(biāo)準(zhǔn)化和正確率。從集成測(cè)試結(jié)果來看，實(shí)驗(yàn)班得分為88分，相較于對(duì)照班的70分，高出18分（提升約25.7%） ，這說明在智能仿真平臺(tái)的輔助下，作品集成后的接口銜接與系統(tǒng)穩(wěn)定性明顯增強(qiáng)。從項(xiàng)目完成度來看，實(shí)驗(yàn)班得分為92分，對(duì)照班為80分，提升了12分（提升15%） 。綜合來看，智能體在任務(wù)分配與進(jìn)度監(jiān)控方面能有效保證項(xiàng)目整體按時(shí)高質(zhì)量完成。

2.4 多角色項(xiàng)目評(píng)價(jià)

1） 自評(píng)與互評(píng)。智能體系統(tǒng)基于項(xiàng)目關(guān)鍵指標(biāo)（如數(shù)據(jù)處理準(zhǔn)確性、代碼質(zhì)量、創(chuàng)新性、項(xiàng)目報(bào)告完整性、團(tuán)隊(duì)協(xié)作情況等） 設(shè)計(jì)了評(píng)分表。該評(píng)分表不僅包含定量打分項(xiàng)，還輔以開放性評(píng)價(jià)題目。學(xué)生在項(xiàng)目完成后進(jìn)行自評(píng)并互相評(píng)分，這促使學(xué)生從不同角度反思自身不足，同時(shí)借鑒他人優(yōu)秀之處，進(jìn)一步促進(jìn)了知識(shí)鞏固和能力提升。

2） 企業(yè)評(píng)價(jià)。為使項(xiàng)目更貼近市場(chǎng)需求，邀請(qǐng)了來自電商平臺(tái)、數(shù)據(jù)分析及信息技術(shù)領(lǐng)域的企業(yè)專家對(duì)學(xué)生的項(xiàng)目作品進(jìn)行綜合評(píng)價(jià)。專家評(píng)價(jià)不僅包括定量評(píng)分，還提供了對(duì)項(xiàng)目實(shí)際應(yīng)用價(jià)值、創(chuàng)新性及可推廣性的定性建議。專家評(píng)價(jià)指標(biāo)直接對(duì)接企業(yè)實(shí)際崗位要求，為學(xué)生未來就業(yè)提供了參考和方向指導(dǎo)。

3） 智能反饋。智能體將學(xué)生自評(píng)、互評(píng)以及企業(yè)評(píng)價(jià)數(shù)據(jù)進(jìn)行匯總和深度分析，識(shí)別出各階段普遍存在的問題及個(gè)體差異。智能體系統(tǒng)根據(jù)分析結(jié)果，為每位學(xué)生生成個(gè)性化的學(xué)習(xí)改進(jìn)報(bào)告，報(bào)告中詳細(xì)指出了改進(jìn)建議、推薦的學(xué)習(xí)資源和后續(xù)提升方案，以幫助學(xué)生針對(duì)性地彌補(bǔ)短板，提升整體數(shù)據(jù)分析能力。

本模塊實(shí)驗(yàn)結(jié)果如圖2（d）所示。在自評(píng)與互評(píng)得分方面，實(shí)驗(yàn)班平均得分為85分，而對(duì)照班為70分，實(shí)驗(yàn)班提升了15分（約21.4%） ，這表明在智能評(píng)分表和雙向評(píng)價(jià)機(jī)制的作用下，學(xué)生對(duì)自身及團(tuán)隊(duì)表現(xiàn)有了更客觀的認(rèn)識(shí)，并在反思中不斷進(jìn)步。在企業(yè)評(píng)價(jià)方面，實(shí)驗(yàn)班的企業(yè)評(píng)價(jià)得分為87分，對(duì)照班僅為72分，實(shí)驗(yàn)班高出15分（提升20.8%） ，這表明企業(yè)專家的參與使得評(píng)價(jià)更貼合實(shí)際崗位需求，也為學(xué)生未來就業(yè)提供了寶貴指導(dǎo)。在智能反饋滿意度方面，實(shí)驗(yàn)班達(dá)到90分，而對(duì)照班僅為75分，差距為15分（提升20%） ，這表明個(gè)性化改進(jìn)報(bào)告有效激發(fā)了學(xué)生的學(xué)習(xí)熱情和自我提升意識(shí)。

3 結(jié)束語

本研究構(gòu)建了基于大模型的四維智能體框架，驗(yàn)證了智能體技術(shù)在高職項(xiàng)目式教學(xué)中的有效性。實(shí)驗(yàn)數(shù)據(jù)表明，該框架在問題生成效率、方案設(shè)計(jì)質(zhì)量、作品完成度和評(píng)價(jià)客觀性等維度均取得了顯著提升，充分體現(xiàn)了產(chǎn)教融合的實(shí)踐價(jià)值。未來將進(jìn)一步優(yōu)化智能體的認(rèn)知推理能力，探索跨專業(yè)領(lǐng)域的知識(shí)遷移路徑，以推動(dòng)形成更具適應(yīng)性的職業(yè)教育智能生態(tài)系統(tǒng)。

參考文獻(xiàn)：

[1] 盧宇，余京蕾，陳鵬鶴.基于大模型的教學(xué)智能體構(gòu)建與應(yīng)用研究[J].中國(guó)電化教育，2024（7）：99-108.

[2] 謝鑫，趙正，崔永輝.基于多專家智能體的智能化課程評(píng)價(jià)模型設(shè)計(jì)與應(yīng)用[J].航海教育研究，2025，42（1）：54-60，68.

[3] 倪德慧，鄭烜斌.教學(xué)智能體在混合式教學(xué)中的應(yīng)用探析[J].教育信息化論壇，2024（21）：27-29.

[4] 翟雪松，季爽，焦麗珍，等.基于多智能體的人機(jī)協(xié)同解決復(fù)雜學(xué)習(xí)問題實(shí)證研究[J].開放教育研究，2024，30（3）：63-73.

[5] 朱珂，卞茗慧，王東.教育智能體情緒線索賦能在線學(xué)習(xí)的模型構(gòu)建及實(shí)踐研究[J].遠(yuǎn)程教育雜志，2024，42（3）：68-78，112.

[6] 陳國(guó)衛(wèi)，文昊林，范菊琴.大語言模型在教學(xué)中的應(yīng)用研究情況與未來發(fā)展[J].科學(xué)咨詢，2024（6）：105-109.

[7] 徐振國(guó)，劉志，黨同桐，等.教育智能體的發(fā)展歷程、應(yīng)用現(xiàn)狀與未來展望[J].電化教育研究，2021，42（11）：20-26，33.

【通聯(lián)編輯：王力】