教师主导 · 知识可溯 · 学情可证 · 智能体协同
让每一次提问，都沉淀为可验证的学习进步
瑞铭安普AI伴学智能体平台面向学校、区域教育平台和教育服务机构，把课程目标、可信知识、学习任务、过程证据与教师干预连接起来，为学生提供启发式伴学，为教师提供可审核、可调整的教学协同工具。
查看本页目录
1. AI伴学智能体是什么
AI伴学智能体不是一个更会聊天的答题工具。它以教师设定的课程目标和授权知识为依据，根据学生当前任务与学习证据选择诊断、提示、追问、练习、评价或转交教师等策略，使学生保留思考过程，也让教师能看见AI引用了什么、为什么这样提示、下一步需要怎样干预。
产品可服务基础教育、职业教育、高等教育及合规的课后学习场景。建设重点不是追求无限对话，而是把课程、知识、任务、评价和教师责任组织成一条可回看的学习证据链。
适合的建设需求
- 已有课程、题库或校本资源，希望形成可控的个性化伴学入口。
- 希望覆盖预习、启发式答疑、错题复盘、项目学习或复习计划。
- 需要教师审核、低置信度转交、引用追溯和学习过程记录。
- 需要与统一身份、教务、学习平台或数据平台按条件衔接。
不适合直接使用
- 要求AI绕过教学过程、直接代写作业或给出考试答案。
- 缺少可授权的课程资源、责任教师和内容审核机制。
- 希望用模型输出直接替代心理咨询、升学决定或其他高影响判断。
- 未明确未成年人数据、账号权限、日志留存和家校责任边界。
产品边界：AI用于辅助诊断、启发、练习生成、评价草稿和学情归纳，不替代教师的教学责任、专业判断与最终审核。具体学段、学科、模型、题库、接口、数据范围和自动化动作，需在项目调研与试点验证后确认。
2. 学生端与教师端如何协同
学生端围绕“现在学什么、卡在哪里、依据是什么、下一步做什么”组织信息；教师端围绕“哪些知识点需要关注、哪些AI结果待复核、哪些学生需要干预”组织工作。两端共享同一套课程目标、证据和权限规则。
学生学习空间：提示有层级，答案有依据
实际模块、文案和数据以项目配置为准。
教师课堂驾驶舱：从统计结果回到可处理任务
教师可确认、修改、退回或升级处理AI结果，最终权限随学校制度和角色配置确定。
3. 从一次提问到下一次学习的闭环
智能体控制器根据学习目标、学生当前状态、知识证据和安全规则选择下一步动作。伴学过程不是固定脚本，也不把学生简单归类；每个判断都应能回到可观察的学习行为与任务证据。
- 诊断识别目标与当前困难
- 规划拆分任务与提示层级
- 伴学追问、示例与知识定位
- 练习生成或编排针对性任务
- 评价依据量规形成反馈草稿
- 干预教师确认、调整或接管
- 再学习迁移验证并更新计划
4. AI伴学智能体总体架构
平台采用模型中立、知识增强和多智能体协同思路。模型负责语言理解与生成，课程知识库提供受控依据，策略引擎约束教学动作，教师审核与治理机制负责高风险结果和持续校准。
该图说明产品能力边界，不代表所有模块默认启用。模型、知识库、接口、终端和部署方式按现有环境、数据授权与合同范围配置。
知识增强如何减少“会说但无依据”
查询进入知识服务前先执行身份与课程权限判断，再进行问题改写、向量检索、全文检索或图谱关联，经过重排后形成候选证据。伴学回答需要绑定可用证据并执行引用检查；证据不足、知识冲突或置信度较低时，应降低自动化程度、提示不确定性或转交教师。
5. 部署、系统接入与版本选择
平台可按数据敏感度、网络边界、模型资源和运维条件评估公有云、专有云、私有化或混合部署。对于已有教务、LMS、资源平台和统一身份系统的学校，优先复用现有组织、课程和账号体系，避免形成新的信息孤岛。
| 版本 | 建议范围 | 基础能力 | 可选扩展 |
|---|---|---|---|
| 试点版 | 单校、单院系或代表性学科场景 | 学生学习空间、教师工作台、课程知识库、模型网关、基础治理与评测 | 语音、图片、公式、家校入口或既有系统接入 |
| 校级版 | 多学科、多年级及校内统一运营 | 多租户、统一身份、任务编排、学习分析、运营审计与备份恢复 | 本地模型、国产化环境、数字人或项目式学习模块 |
| 区域版 | 多学校资源与分级治理 | 多校组织、资源治理、模型运营、分级权限与脱敏汇总 | 区域算力、跨校资源协同和分级服务体系 |
建议如何启动和验收
首期可选择少量代表性年级、学科和任务，先完成知识资源、角色权限、伴学策略与教师复核链路，再依据真实使用证据决定扩展。实施节奏由数据准备、接口条件、教师参与、模型部署和安全要求共同决定，不以统一周期作固定承诺。
- 内容与教学：课程目标、知识范围、引用来源、任务编排和评价量规符合项目约定。
- 学生体验：关键伴学流程可完成，提示层级、转人工和异常反馈清晰。
- 教师协同：能够查看依据与过程，对AI结果进行确认、修改、退回和干预。
- 数据与安全：账号、权限、日志、数据留存、内容安全、备份和退出机制符合确认要求。
- 技术与运维：约定终端、模型、知识库和接口在目标环境中完成联调与记录。
未成年人和高影响场景：平台不基于政治观点、健康状况、家庭经济情况等敏感信息形成学生画像；不把模型输出直接用于心理、升学、纪律处分等高影响决定。具体的数据处理、监护人知情、内容审核和日志策略，应由学校及相关责任方依据适用要求确认。
6. 参考依据与相关产品
教育AI落地既要支持个性化学习，也要保留教师主导、学生独立思考和数据安全边界。页面中的接口名称用于说明可评估的互操作方向，不表示已经取得相应标准认证。
- 教育部办公厅《中小学科学教育工作指南》：用于参考自主学习、智能技术应用、个性化路径和评价方式的建设方向。
- 教育部2025年5月教育信息化和网络安全工作月报：用于参考生成式人工智能辅助教学与数据安全、伦理边界。
- 1EdTech Learning Tools Interoperability：用于说明学习平台与远程工具的标准化接入参考。
- 1EdTech OneRoster：用于说明课程、班级、用户、资源和成绩信息交换的接口参考。
以上资料用于说明产品设计与项目评估依据，不构成认证、政策项目资格或统一的合规结论；实际建设应结合学段、地区、学校制度和数据责任边界审查。
站内相关内容
说明学校类型、学段学科、现有课程资源、教师审核方式、目标系统和部署边界，我们将据此梳理试点场景、能力清单、数据条件与验收依据。