郑州大学张子蛟:CourseClaw——从“批量加工”到一人一课一体

在人工智能领域，2026年注定是不平凡的一年。年初，以OpenClaw和Hermes为代表的主动式智能体火爆，以Claude Code和CodeX为代表的编程智能体加速迭代，以SeedDance2.0为代表的视频生成模型效果惊人。

4月底，DeepSeek-V4的发布，以均价几十分之一的价格掀起了全球tokens狂欢。而Harness Engineering的推出，进一步说明了业界的最新认知：大语言模型这匹烈马，不是给人直接骑的，而应该给它套上马具和装备，组成各种主动式智能体，由这些智能体为人类提供服务。

换句话说，人不直接使用大模型，而是由软件使用，人则通过使用软件获得大模型的强大能力。这些软件，就是智能体。从2022年底ChatGPT横空出世至今，三年以来，人们终于迈向了正确的方向。

那么，如何把主动式智能体用于大学的教育教学从而赋能高等教育？本文提出一种基于主动式课程智能体蚁群实现大规模个性化教育的构想，姑且称之为：CourseClaw。

有一道算术题，揭示了我国高等教育最深层的结构矛盾。

假设有一所7万人规模的高校，每个学生在四年内平均修读60门课程。为实现个性化教育，极端情况下，如果期望每个学生在每一门课程上，都拥有一位专属于他的老师（不与任何人共享，在这门课上只服务这个学生）——这位老师深刻了解该学生的学习基础、认知特征、兴趣偏好和知识盲区，能够始终在最近发展区内为他量身定制教学节奏，随时答疑，精准布置作业，持续追踪进步。那么，7万名学生需要多少位这样的专属教师？

答案是420万。

而现实数据是，依据教育部年鉴，截至2024年，全国共有高等学校3119所，高等教育全日制在学总规模约4300万人，专任教师约217万人，生师比19.8:1。

实际上，很多高校的生师比远高于这个平均数。7万名学生，实际配备的专任教师大约在2500到4000人之间（取中间数3250）。420万和0.325万，差了1292倍！这个差距不是靠增加编制、扩大招聘、提高待遇所能弥合的。它不是一个可以逐步改善的困难，而是一个在现有机制框架内无解的结构断层。

然而，若将“教师”的定义从“持有教师资格证的人类个体”扩展为“能够履行教学职能的智能体”，这个账就出现了重新计算的可能性。420万个专属教师当然不可能是420万个活人，但可以是420万个主动式AI智能体。

每一个智能体都绑定一名学生和一门课程，拥有该学生在这门课程上的完整学习档案，能够在知识点的颗粒度上给出精准的教学决策。

而420万个主动式AI智能体以某种结构组成蚁群，就是CourseClaw。

要理解这个转轨为什么有必要，必须先看清当下的真实运转状态。

课堂上正在发生的，既不是“个性化教育”，也不是“工业化教育”，而是一种奇怪的颠倒。供给侧——也就是教师和学校——以手工作坊的方式在运转；需求侧——学生——却在承受着“被批量化加工”的命运。

高校教师承担一门课程，需要独自完成教学大纲编写、教案制作、课堂讲授、课堂互动设计、作业批改、答疑、考试出题、阅卷、成绩分析、教学总结的全部链条。

他们是这门课程教学任务的全方位提供者，教学质量和效果依赖于个人魅力、个人授课水平、个人责任心、个人对不同学生的关注意愿、个人对新技术手段的掌握程度。一位教师就是这门课的一间手工作坊。

手工作坊的特质，从来都是上限可以极高，下限也可以极低，质量不可控，输出不稳定，产出规模严格受制于个体的时间和体力上限，无法被标准化复制。

而坐在教室另一端的几十到数百名学生，执行着完全相同的教学计划，学着同样的课程，看着同样的屏幕内容，在同样的截止日期提交同样的作业，接受同样的考核标准。

他们被要求在同一时间、以同样的进度、用同样的方式学习同样的内容——无论他们入学时的起点差异有多大，无论他们之中是否有人已经提前掌握了这部分内容、而有人连前置知识都还没补齐。“我们把机器制造得越来越像人，却把人培养得越来越像机器”——这句话不是文学修辞，而是一个系统的逻辑后果。

供给侧的个性化——每位教师凭个人良知、精力和情怀，尽可能多地关注学生差异——在生师比20:1、主讲教师一学期面对几百名学生、批改一次作业就耗尽整个周末的现实面前，其所触及的深度和广度都是极其有限的。这不是师德问题，不是投入问题，而是一道冷硬的算术限制。

例如，一些公共课老师，同样一门课，带6个班级。也就是说，同样的内容，一周要面对不同专业的学生重复讲6遍。如此循环往复，何来创造性和激情？笔者认为，这在某种程度上是对教师工作激情和创造性的一种“摧残”，怎么能让一个人从内心喜欢这份工作？

要解开这个结构僵局，需要做到两件事：供给侧的工业化和需求侧的真实个性化。逻辑链条并不复杂。

课程不应再是宏观的“高等数学”“大学物理”这样的大块，而是被打散为数千乃至数万个独立的、颗粒化的知识点单元，每个单元附带内容讲解、例题解析、错因诊断、巩固练习、延伸阅读、关联知识库等一系列标准化组件。

这不是要工业化教师，而是要用工业化的方式——生产过程可控，产品质量有保证，可重复性强，提供稳定输出，方便自动化调度，可规模化供给，个体边际成本趋近于零——来生产和管理教育内容。“工业化”在别处是手段，到了教育内容生产领域，本质就是解放人：将教师从反复讲授同一知识点、反复批改同一类错题的重复性劳动中，先赎出来。

传统课程体系里，知识点之间的关联往往被学科界限和固定章节序列锁死。但现实是，解析几何里的二次曲线、线性代数中的二次型、计算机图形学里的贝塞尔曲面，这三个分属不同课程的知识点在数学结构上几乎是同一件事。

一个学生在任何一门课上遇到障碍，问题往往出在另一门课的根基上。超级知识点群技术要做的就是在系统内部打破专业、课程、章节的壁垒，将全校所有课程的知识点连接成一张可动态查询的关系图谱。

一个学生在学习任何一个知识点时，系统能精准判别与之相关联的所有前置知识、并行知识和拓展知识的掌握状态，从而判断当前的学习障碍究竟来自该知识点本身，还是根植于一个遥远的、被忽略的基础薄弱点。这决定了下一步应该调整到补充基础，还是横向拓展，还是纵深推进。

比这个更激进的构想是专业的溶解：如果知识点网络足够完备、知识图谱足够庞大并具逻辑性，那么“金融工程”“数据科学”“生物信息学”这些专业之间的围墙就可以被拆解为一系列可自由组合的知识模块。

一个学生的大学四年，本质上就是在60门课程、数以万计的知识点中，按照个体志趣和能力边界，切割出一条独属于自己的路线图。这张路线图可以偏离任何现有专业的固定模板而不丢失逻辑自洽性。

这是个性化学习的第一层维度。

CourseClaw蚁群体系中，420万个主动式AI智能体并不是420万个孤立的、被动的问答机器人。每一个智能体是一个在特定课程领域内具备完整教学能力的主动式智能实体。

它拥有的不是通用的“聊天能力”，而是针对这门课程的系统化教学能力——它“知道”整门课程的知识图谱结构，每一个知识点的前置依赖、常见迷思概念、典型错误模式、最高效的讲解路径和最适合的例题类型。

一个智能体一旦与一名学生绑定，它就拥有了对该学生在这门课程上学习轨迹的全量感知。它能自动解析每一次作业中的错误所对应的知识点薄弱处，根据答题速度和停顿位置推断熟练度和注意力波动；当学生在某个知识点反复出错，它不会简单重复讲授，而是回溯前置知识点，检查是否在更根源的地方出现了断层；它为学生安排的每一道新题，不是随机抽取，而是恰好嵌在当前最近发展区的那条窄缝里——刚好比现有水平难一点，奖励概率够高，挫败概率够低。

与此同时，另一个绑定在这名学生身上、负责另一门课程的智能体正在做着同样的事情。这意味着，同一个学生，60门课程的学习节奏彼此独立，一门可以快进，一门可以暂停修补，一门可以纵深钻研。

今天的技术已经能够支撑智能体在数以千计的学生中同时进行多维度并行决策，智能体既不需要休息，也不会因为批改第30份同类错题而注意力涣散。

这才是真正的“万生万课”：7万名学生，不是7万个听同一堂课的听众，而是7万条彼此不同、动态调整、实时优化的专属学习路径。这是个性化学习的第二层维度。

在这样的架构下，“教师”这一角色的拆分和重组，会比想象中更剧烈。

传统模式要求一位教师独自完整地完成讲课、答疑、作业批改、面对面交流全部环节。在上万名学生面对数十万个智能体的新结构里，这些环节不可能、也不再需要由同一个人完成。

课程知识的讲授可以被预置在系统中，AI智能体完成首轮、即时、随叫随到的常规答疑——学生在深夜11点卡住的概念，不需要等到下一周答疑时间。智能体同时承担作业的初批，不是简单的对错判断，而是标定错误类型、关联知识缺陷、生成个性化的复盘报告。

当学生的问题超出了智能体预置能力的边界，或系统监测到学生出现了情绪波动的迹象，或需要一次真正深入的、人与人之间的面对面交流来厘清模糊地带和深层次困惑——此时，问题才会被转交到一个人类教师手中。

这些人类教师将以一种前所未有的方式被组织起来：超级教研组。它不再是大学里一个系、一个教研室按行政归属划分的固定编制，而是围绕某一类知识点或某一类学生发展需求而动态聚合的专业教学共同体。

课程被拆解为数以千计的知识点之后，每一个知识点都可以被一个擅长该领域的教师认领。发布在平台上的不是“哪位老师去教大二下学期的高等数学”，而是一张精确到知识点级别的工单——“线性代数特征值几何意义的讲授方案”“一段Python递归函数的典型错误诊断范式”“帕尔米拉铭文翻译的语法要点讲解”——教师可以按自己的专长抢单，也可以由系统根据该教师历史上对同类任务的完成质量自动匹配。

超级教研组负责审核智能体无法确认的开放性疑难问题，持续修正和更新知识点库中的案例、解释逻辑和错误模式标签。这样一来，教师的精力就能从“反复讲授固定内容”这个最大头的重复性劳动中解放出来，被重新配置到真正需要人类判断力的高层级工作中：教学设计上的创造性突破，复杂认知冲突的面对面对话和学生关键成长节点的方向性建议。

这不是用机器替代教师。这是在用机器的规模效应，弥补教师数量上的绝对缺口；用机器的不知疲倦，保护教师不被重复劳动消耗殆尽；用机器对个体数据的极致追踪，支撑教师做出更精准的判断。教师的角色不再是一个完成全部工序的单独手艺人，而是知识生产与教学决策链条上的顶层设计者、质量保障者和人际连接者。

这样，教师就变成了CourseClaw体系的“养蚁人”。

以上所有构想，从超级知识点群到420万智能体，从抢单式授课到超级教研组，从智能体到CourseClaw，都指向同一个根本问题：基于最新的信息技术和认知，现实世界中的高等教育，原本应该是什么样子的？

这不是修辞上的反问，而是一条严格的方法论。信息化和数智化转型之间的区别，常常被混淆。信息化是基于现实世界的管理和运行现状，以信息技术手段去提升效率、优化流程、改进既有模式。它基本不触动现实世界的底层逻辑，只是让原有系统跑得更快、更顺、更好。

数智化转型则不同。它要求暂时搁置现实世界现有的管理和运行套路，回到原点，用第一性原理去追问：在最新信息技术的支撑条件下，人才培养的逻辑如何被重构？

自1999年扩招以来，中国高等教育完成了人类教育史上规模最大、速度最快的扩张——在校生从1998年的341万到如今超过4300万，毛入学率从不到10%到超过60%。这个成就不容否认，但同时也把生师比过高、生均课程过少、大班制教学这三个核心痛点固化到了系统内部。

必须指出的是，那个年代没有别的选择，教师资源无法骤增，个性化教学的规模化支撑条件尚不存在，把教育组织成工业流水线，用统一大纲、统一节奏、统一考试来保证培养质量的底限，是当时唯一可行的路径，是那个特定历史阶段能够做出的最优解。这一模式在我国快速工业化和现代化的进程中发挥了极为重要的历史作用，培养了大量符合国家建设需要的合格人才，支撑了一个又一个产业领域的突破。批评它现存的部分缺陷，不等于抹杀它的功劳。

但今天，这条路径的边际收益正在加速递减。当新一轮科技革命对创新能力的诉求达到前所未有的强度，当认知型岗位与算法化思维不断挤压重复性技能的空间，当学生群体的入口差异扩大、出口期望分化，同一个模具、同一把尺子的培养方式就显得越来越不对症。人类教师总量不可能短期内倍增，但社会对一人一策、因材施教的期望却仍在不可逆地上升。

这个时候，必须重新拆开那个被长期接受的框架，正视那些曾经不可触碰的假设——教学必须由人类教师独立完成全部环节，一门课程必须由一个教师从头带到底，一个学生必须在固定的班级和统一的时间表里完成学业。

如果这些被历史沉淀下来的假设不再是唯一解，如果一个智能体可以在一名学生和一门课程的交叉点上独立承担教学闭环，如果知识点库的工业化生产可以把内容质量控制在一条稳定的水平线以上，如果超级教研组可以把教师的智慧精准投放到最需要创造性判断的环节——那么“大规模个性化教育”就不再是一个昂贵的动听口号，而是一张有严密逻辑脚手架支撑的、可操作的工程图纸。这张工程图纸就是CourseClaw。

一位AI专家在谈及AI时代的教育时表述得相当直白：AI正在证明很多重复性工作机器就能完成；教育方法论一百多年几乎没变；AI不该只是拿来取代人，而是要拿来赋能教育；省下来的时间，应该用来培养认知深度、判断力、创造力——这些AI做不到而人的潜力正在于此的事；AI对教育的冲击，其实也是一次改革契机。

如果说，印刷术让知识的传播越过了僧侣抄写的瓶颈，工业革命让物质产品的制造越过了手工业者的体力限制，那么AI最根本的可能性之一，就是让优质的教育第一次有机会越过生师比这道森严的算术障碍。有些变革看起来是技术问题，但拆到底，实际是资源约束突然被打开之后，整盘棋可以重新开始下了而已。

潮起潮落，目之所及，期望亿万个像蚂蚁一样的主动式智能体中，能涌现出通用智能；期望在这一波AI浪潮中，能真正实现大规模个性化学习的梦想。