网梯科技CEO张震：高校智能体建设的核心问题是价值定位 ...
如果只是给旧的教学模式套一层AI的外壳，高校智能体建设就失去了数字化转型的意义。文/《在线学习》主笔 刘增辉
2026年4月，教育部等五部门联合发布《“人工智能+教育”行动计划》，AI赋能教育从探索阶段进入全面推进期，高校智能体建设随之成为行业热点。热潮之下，高校智能体建设仍面临诸多现实困境，本刊就此与北京网梯科技发展有限公司CEO张震进行了对话。
网梯科技深耕教育信息化二十余年。2007年，张震提出在线教育四阶段进化模型；2024年主导网梯“灵豆”AI平台及教务MCP（Model Context Protocol，模型上下文协议）终端的研发，近几年又深度参与了多所高校的智能体建设项目。在他看来，高校智能体建设亟待解决的并非技术难题，而是价值定位这个核心问题。
网梯科技CEO张震
“建了不用”与同质化困局
“当前高校智能体建设最突出的问题，就是建了不用。”张震直言不讳。
他提供的数据显示，很多高校的AI系统上线3个月后，日均活跃用户不足注册用户5%。为什么学校花了大量经费采购或开发智能体，师生却并不买账？张震认为，根源在于建设逻辑是“技术驱动”而非“需求驱动”。先有了大模型技术，再强行适配教学场景，但师生的真实痛点，如教师备课效率低、学生论文写作无人指导、教务流程烦琐等问题，均未得到有效回应。
“更大的挑战来自大模型巨头的‘能力溢出’。”张震认为，“学生打开手机就能免费使用DeepSeek、豆包、Kimi，这些通用大模型的智能水平往往比学校采购的系统更高。学校花几百万元建的智能体，学生用了一次觉得‘还不如DeepSeek好用’，便不再使用。”在他看来，高校智能体建设的核心矛盾，从来不是技术迭代，而是价值定位模糊。高校必须回答一个根本问题：我的智能体能做哪些通用大模型做不了的事？如果不能回答这个问题，再多的投入也可能沦为“技术摆设”。
同质化严重、技术与教学脱节，是“建了不用”问题的两大衍生痛点。张震观察到，各高校展示的智能体项目高度雷同：一个对话框，接一个大模型API（应用程序编程接口），套一层学校UI（用户界面）皮肤，再加几个预设的prompt（提示词）模板，比如“AI助教”“AI导师”“AI写作助手”，功能相似，体验普遍不如通用产品。
“同质化的根源在于，大家都在做‘AI助手’，而不是在做‘教育智能体’。”张震区分了这两个概念：AI助手是通用型工具，问什么答什么；教育智能体是专业化载体，它理解课程体系、知道学生学习进度，能调用教务系统数据，能根据教学大纲生成个性化学习路径。
他把技术与教学脱节的具体表现总结为三点。一是模型能力与教学需求错配。很多学校追求接入最新最强的大模型，但教学场景需要的不是“最聪明”的模型，而是“最懂这门课”的模型。一个经过课程知识图谱微调的小模型，在特定学科的表现可能远超通用大模型。二是智能体不懂教学流程。大部分智能体只能做“问答”，不能做“教学”。教学是有节奏的，需要先导入、再讲授、然后练习、最后反馈。好的教育智能体应该理解这个流程，而不是被动等待学生提问。三是数据孤岛导致智能体“失忆”。学生在教务系统、学习平台、考试系统中产生了大量数据，但这些数据互不相通。智能体无法获取学生的完整学习画像，自然也就无法提供个性化服务。对此，张震形象地比喻：“就像你聘请了一位家庭医生，却看不到你的病历，不了解你的健康状况，每次都要从头问起。这样的医生，你会信任吗？”
云端 API调用还是本地部署？
在高校智能体建设中，有一个争议不断的问题：云端API调用还是本地部署？很多学校出于数据安全考量，倾向选择本地部署，但张震的观点与主流认知有所不同。
“对于大部分高校来说，云端API是更务实的选择。”他给出三个理由。第一，本地部署的成本远超预期。一套能跑主流大模型的GPU服务器，采购成本在百万级别，加上运维、电费、人员成本，3年总拥有成本可能超过500万元。而同等算力的云端API调用，3年成本可能只有几十万元。第二，本地部署的模型更新严重滞后。大模型技术按月迭代更新，本地部署从采购、调试到优化，周期长达半年以上，当校园本地模型上线时，云端API已更新数代，技术能力存在代际差距。第三，真正的数据安全不靠物理隔离。数据安全的核心是访问控制、加密传输、审计日志，而不是“服务器放在我的机房里”。云端API配合数据脱敏和访问控制，安全性并不逊于本地部署。
张震表示，有些场景确实需要本地部署，比如涉及国家安全的科研数据、医学影像等敏感数据。“但这些是少数场景，不应该成为所有高校的默认选择。”他的建议是云端为主、本地为辅：通用教学场景用云端API，敏感数据场景用本地部署，两者通过统一的智能体平台对接。
智能体特色从何而来
解决技术路径选择后，如何打造高校智能体的核心特色，避免同质化竞争，成为另一关键问题。“所有高校用的大模型底座都差不多，无非是GPT、Claude、DeepSeek、通义千问这几家，技术层面很难做出差异化。”张震强调，决定智能体特色的关键不是技术，而在于数据和场景的深度融合。
具体而言，特色来自三个维度。第一，学科知识图谱。每所高校的优势学科不同，积累的教学资源不同。把这些学科知识结构化为知识图谱，用来增强大模型的专业能力，这是别人复制不了的。一所农业大学的植物病理学知识图谱，一所政法大学的法律案例库，都是独一无二的资产。第二，教学过程数据。学生的学习行为数据、考试数据、作业数据，这些是高校独有的。基于这些数据训练的个性化推荐模型，能做到“千人千面”的学习路径规划；而通用大模型没有这些数据，做不到这一点。第三，校本场景深度适配。每所学校的教务流程、管理制度、文化传统都不同。智能体应该深度嵌入这些场景——不是做一个通用的“AI助手”，而是做“XX大学的AI教务员”或“XX学院的AI导师”。
张震回顾了之前提出的在线教育四阶段进化模型——“资源→流程→社群→个性化”。他认为，当前大部分高校的智能体建设还停留在“资源”阶段，是把大模型当成一个知识资源库来使用。真正有特色的智能体，应该走到“个性化”阶段，即基于学生画像提供定制化的教学服务，这也是特色化建设的最终目标。
优质智能体的三大核心标准
智能体的引入，不可避免地冲击着师生的角色认知。张震认为：教师的焦虑来自“被替代感”——AI能讲课、出题、批改作业，那教师还有什么用？学生的焦虑来自“过度依赖感”——有了AI，我的学习能力是否会退化？
张震指出，“很多智能体产品不但没有帮助师生转变，反而加剧了焦虑。”那么，什么样的智能体才是优质智能体？他提出了三大核心标准。
第一，做“脚手架”而不是“拐杖”。智能体应该帮助师生提升能力，而不是替代能力。比如AI辅助备课，应该帮助教师快速生成教案初稿，让教师在此基础上修改完善，而不是直接生成一个“完美”教案让教师宣读。第二，让教师从“知识传递者”转变为“学习教练”。AI可以高效传递知识，但它不能激发学习动机，不能建立师生信任，更不能在学生迷茫时给予方向指引。智能体产品应该把知识传递的工作交给AI，让教师把精力集中在“传道”上，这恰恰是教育中最有价值的部分。第三，渐进式引入，而不是颠覆式替换。不要一开始就要“AI全面改造教学”，应先从最痛的点切入，比如AI批改客观题、AI回答常见问题、AI生成教学素材等，让师生在低风险的场景中建立对AI的信任和使用习惯，然后再逐步扩展到更复杂的场景。
张震说：“AI可以帮师生达到80分，但从80分到95分的那15分，必须靠人来完成。智能体产品的设计目标，不是替代那15分，而是让师生有更多精力去追求那15分。”
张震认为，从“建了不用”到同质化，从技术选型到特色打造，从师生角色转变到渐进式引入，所有问题最终都指向一个深层命题：高校智能体建设本质不是技术项目，而是教育改革项目。当前教育领域存在时代错位：身处互联网时代，正在迈入AI时代，却用工业时代的方法培养农业时代需要的人才。高校智能体建设，如果只是给旧的教学模式套一层AI的外壳，那就是在用新技术固化旧问题，就失去了数字化转型的意义。
“真正有价值的智能体建设，应倒逼高校深度思考：AI时代，我们到底要培养什么样的人？”张震说，这个问题想清楚了，智能体怎么建、建什么，自然就有了方向。
来源丨《在线学习》杂志 2026年6月刊（总第126期）
頁:
[1]
