解锁智慧课堂新范式，驱动教学全流程智能化升级

---罗敦怡 目录Menu •大模型时代教育的变化•教育应该新增哪些“工具箱”•腾讯智能体开发平台带来的便利 PART01 大模型时代 T RA N SF ORMAT ION OF EDU CAT ION IN T H E ERA OF LA RGE MODELS 教育的历史难题：规模化与个性化的博弈 理想：因材施教 孔子在两千年前提出的教育理想，强调根据每个学生的特点进行个性化培养。然而，这极其依赖名师资源，难以普及。 现实：工业化规模 现代教育体系为了普及知识，采用了标准化的班级授课制。虽然实现了低成本与大规模，却不得不牺牲个性化体验。 ❝核心矛盾在于：有限的优质教育资源无法同时满足海量人群的个性化需求。 传统教育通常只能占据底部的“低成本+大规模”，难以触达顶部的“高质量”。 大模型时代人类获取知识的重大变化 THE PARADIGM SHIFT IN KNOWLEDGE ACQUISITION 知识获取效率提升10xSpeed Up 从“奢侈品”到“标准品”：教育范式的重构 AI赋能下的教育四大核心重构 教育应该新增哪些？ NEW EDUCATIONAL TOOLKIT IN AI ERA 思考：仅靠大模型，教育就完美了吗？ 核心设问 技术虽强，但距离完美的教育场景仍有 是否有了大模型，就不需要其他工具支持即可实现因材施教？ “最后一公里” Is AI enough for personalized education? The gap between tech and perfection. 当前大模型的不足 CURRENT LIMITATIONS OF LARGE LANGUAGE MODELS 技术本身缺陷 模型可能生成看似合理但完全错误的事实，在严肃教育场景中构成误导风险。 教育场景不足 复杂逻辑链条脆弱 无物理常识 缺乏对现实世界物理规律的直观理解，难以处理涉及空间和因果的复杂问题。 在多步推理任务中容易出现逻辑断裂，无法保证复杂推导过程的严密性。 状态识别缺失 大模型无法实时识别学生“困惑”或“走神”的状态 长文本“注意力衰减” 多模态短板 个人长期档案缺失 图文理解能力仍落后于纯文本能力，难以处理复杂的图表和几何问题。 随着对话长度增加，模型容易遗忘早期关键信息，影响连贯教学。 大模型缺乏针对个人长期系统性的学习状况跟踪，难以提供真正的个性化纵向辅导。 FUT UR E E DUCAT I O N TO O LB O X 强逻辑 去幻觉 Fact-Checking Logical Reasoning 通过RAG检索增强与事实核查机制，确保知识输出的准确性，避免误导学生。 具备CoT思维链能力，能够分步骤解析复杂理科难题，展示清晰的推导过程。 最强模型引擎 多模态预处理 长文本 能选择当前针对该领域最优秀的大模型，确保教育场景下的高精度响应与深度理解能力。 Multimodal Long Context 支持超长上下文窗口，能够预处理整本教材或长篇论文，实现跨章节知识关联。 预处理图片（转矢量图/高清,或转文本表达）精准识别手写公式等 个人学习档案 LONG-TERM MEMORY 状态识别 构建持续更新的学生能力模型，记录学习轨迹、薄弱点与兴趣偏好，实现真正的“因材施教”与全生命周期管理。 State Recognition 感知学生的情绪变化与专注度，动态调整教学节奏与语气，提供有温度的陪伴。 核心引擎：动态模型路由策略 CORE ENGINE: DYNAMIC MODEL ROUTING STRATEGY 现状：模型孤岛效应 当前大模型各有所长，没有单一模型能完美覆盖所有场景。 ·GPT-4：逻辑推理强·Claude 3：长文本与创意优·Gemini：多模态处理快 Model Agnostic Engine 构建模型无关的中间层引擎，作为智能枢纽，实时分析用户意图。 1意图识别：文科/理科/创意 2动态分发：路由至最优模型 Accuracy Assurance: From "Bare Model" to "External Brain" CURRENT CHALLENGE 直接调⽤⼤模型参数记忆，容易产⽣“幻觉”现象，缺乏事实依据，难以满⾜教育场景对准确性的严苛要求。 检索(Retrieve)从权威资料库中获取相关信息 ⽣成(Generate)基于验证事实输出精准回答 OUR SOLUTION 引⼊RAG（检索增强⽣成）与知识图谱技术，构建可信赖的外部知识库，确保输出内容有据可依。 复杂逻辑链条应对：多智能体协作(Multi-Agent) 核心理念：激发“慢思考” 通过多角色分工，打破单一模型的思维惯性。模拟人类团队的协作模式，将复杂任务拆解，从“直觉式快思考”转向“逻辑式慢思考”。 协作机制 辩论(Debate) 不同角色基于各自视角提出异议，通过多轮对话消除幻觉与逻辑漏洞。 自反思(Self-Reflection) 在输出最终结果前，审核员角色强制进行质量评估与自我修正。 工程化落地的综合补齐 构建全方位智能教育技术底座，突破传统模型限制 学习状态识别 学科图形理解 长文本处理 个人学习档案 引入情感输入分析机制，实时感知学生的专注度、困惑与情绪变化，实现从“冷冰冰的教学”到“有温度的陪伴”。 采用摘要层级树与分块技术，突破大模型上下文窗口限制，精准提取长篇教材中的核心知识点，确保逻辑连贯性。 通过预处理转矢量与高清增强技术，解决复杂几何图形与科学图表的模糊识别问题，提升多模态解析精度。 建立e-Portfolio，沉淀全周期学习数据，形成系统的长期记忆，为个性化路径规划提供坚实的数据支撑。 腾讯智能体开发平台 构建下一代AI教育新生态的核心驱动力 腾讯云智能体开发平台：基于大模型的应用开发平台 核心优势1：业界领先的RAG 落地经验丰富，全链路解决复杂文档解析、切分、检索、推理、生成难题 多模态、多行业大模型阅读理解与生成 语义切分大模型 OCR大模型解析 Embedding模型 -业内首个基于语义判断的知识切分模型，比传统正则切分回答完整性提升。 -覆盖复杂版面分析、元素子图识别，精准还原文档阅读顺序。 -基于Agent的text2sql技术，支持超大规模大表问答。 -多模态检索，支持文搜图、图搜图。 -擅长复杂图文表感知与理解-结合文中“数据图”“自然场景图”“图文关系”给出准确答案 -深入上百个客户的应用场景亿级行业数据针对性训练端到端问答精准 支持大表问答上万行上百列 回答完整性提升20% 识别准确率提升30% 结合图文给出准确答案 行业落地优势深入垂直领域，实战经验丰富 亿级行业数据训练 核心优势1（续）：Agentic RAG 能力跃迁 传统RAG：单次检索，依赖初始查询匹配度，难以处理复杂逻辑。 Agentic RAG：引入智能体规划，通过多步推理和工具调用，自主拆解复杂问题。 复杂问题检索准确率20% 提升显著 *数据基于多跳推理（Multi-hop Reasoning）场景下的实测对比 核心优势2：全面优化的Agent工程能力 基于先进架构的智能化处理与效率提升方案 并行工具检索 动态无损记忆压缩 LLM:强化工具调用 支持复杂任务的并发拆解，能够同时发起多个子查询并并行调用相关工具，打破串行处理瓶颈。 具备长时记忆能力，通过智能算法将海量上下文信息进行高密度压缩，在大幅减少Token消耗的同时不损失细节。 采用受限解码技术，从底层机制上约束模型输出，确保生成的Function-Call严格符合预定义Schema。 100%Function-Call零错误 正确输出 141倍性能优化7万Token → 494 Token 显著提升多任务并发响应效率 核心优势2（续）：Multi-Agents-多智能体协同 通过三种灵活的协作模式，解决不同复杂度的业务需求 模式二：工作流编排 模式一：自由转交 模式三：Plan-and-Execute协同模板 Agent → Agent Workflow → Agent → Workflow 自主转交，灵活流转。智能体之间根据任务上下文自主判断，直接进行任务交接，无中心化控制。 编排转交，确定性业务。将Agent嵌入固定工作流中，处理特定环节的复杂任务，确保流程可控。 Memory (全局上下文记忆共享) Planner Agent：全局任务规划与拆解Executor Agent：调用工具执行具体任务 优势：预置复用 优势：确定性流程 优势：灵活协作 核心优势3：可视化工作流 核心能力 支持可视化编排复杂应用；通过领先参数提取及全局Agent节点，端到端准确率行业领先。 画布节点组件 信息收集 变量处理 基础逻辑 AI大模型教育领域的理想工具平台 素质拓展类 学习管理类 AI错题本 编程启蒙 智能学习计划 科学实验 去幻觉RAG核查 多模态图转文 Multi-Agent “实现大众平民化的因材施教” Thank you感谢观看！