本文探讨如何通过开发和应课程管理AI智能体，来优化高等教育中的学生支持服务与行政效率。面对课程教学的日益复杂化的现状及学生对及时、有效信息的迫切需求，西交利物浦大学大一学术英语（EAP）团队开发了三款定制化智能体：大一 EAP课程指南、线上课程AI助手和大一EAP补考助手。这些智能体基于西浦AI的检索增强生成（RAG）框架构建，并通过精细校准的技术参数，为学生提供基于官方文件的准确答复，同时为提升其学习体验带来多重益处。开发过程遵循了提示词编写、标准化、协作测试与修复的循环模型，以确保其清晰性、可靠性以及与学校发展目标的一致性。本文阐述了针对性AI解决方案在提升教育体验中的价值，并展望了未来在高等教育中进一步优化与整合的机遇。

 

 

1. 引言

人工智能（AI）融入高等教育领域，正深刻改变着各院校的教学、学生支持与行政流程的运作模式。AI在个性化、效率与可扩展性方面的潜力，与强调适应性与创新的现代教育需求高度契合。全球高校正利用AI打造动态学习环境，使师生共同受益于这一前沿技术。

西交利物浦大学（XJTLU）积极响应这一趋势，并在其2025-2028教育+AI战略框架中，强调通过AI增强教育、研究与运营，实现人类智能与数字智能的协同发展（XJTLU, 2025）。例如，西浦已部署多款行政AI工具，如图书馆咨询机器人LibAI Chatbot（https://lib.xjtlu.edu.cn/, 2025）、IT服务助手E-Support AI Chatbot（https://esupport.xjtlu.edu.cn/, 2025）以及提升效率的AI驱动毕业设计分配系统（Lim, 2025）。

我校语言学院的大一学术英语（EAP）课程覆盖逾5,000名学生，采用混合式教学模式，融合线下研讨与自主式在线课程。管理众多考试项目、应对复杂课程要求及回应高频学生咨询，为行政工作带来巨大压力。在此背景下，AI智能体提供了可扩展的解决方案：能够即时精准地回答学生疑问，充当随时在线的“教师”，并确保关键信息的高效获取。这既减轻了教职工负担，也为学生提供了及时支持。

为满足这些需求，大一EAP团队基于西浦XIPU AI平台开发了三款课程管理AI智能体：大一EAP课程指南、线上课程AI助手和大一EAP补考助手。这些智能体的开发与西浦的战略支柱理念相契合，尤其体现在通过针对性AI方案提升教育质量与运营效能上。本文将探讨其理论基础、方法论与实践应用，展示定制化AI如何优化高等教育中的学生支持与课程管理。

 

 

图1：来自Y1 EAP模块指南所提供课程材料的特定信息示例

 

2. 文献综述

2.1 学生支持

AI智能体正通过提供个性化实时辅助重塑学术支持这一领域（Kshetri, 2025）。学生无需等待老师答疑时间，即可就课程所授概念、考试截止日期等常规问题获得即时定制反馈。

研究表明，此类智能体可显著提升学业表现。例如，Kshetri（2025）指出，使用AI支持的学生GPA明显提高。通过自动化重复性任务、解释核心概念，AI智能体代替教师回应学生问题，让教师能专注于更重要且复杂的教学活动。Ramirez与Fuentes Esparrell（2024）将AI老师描述为“自我修正”系统——该系统能通过收集学生互动反馈，逐步优化课程，并促进协作式知识构建。

此外，智能体的24小时不间断服务将支持延伸至传统课堂之外（Tophel等, 2025）。在时间灵活性加持下，学生能从智能体给出的结构化、步骤化的问题解决指导中受益，因为其设置可设定为鼓励概念深化而非简单答案提供。流程自动化与机器学习使智能体可基于预设数据与实时表现作出教学决策，如选择下一练习（Ramirez & Fuentes Esparrell, 2024）。这种自调整反馈机制比静态课程材料更能有效地支持学生获取知识。通过分析学习者学习进度与各方面能力，此类系统可预判需求并优化流程，从而提升自主学习体验（Triberti等, 2024）。

个性化推荐还延伸至学术之外的学习参与，例如根据对学生兴趣与技能短板的分析，推荐补充阅读或交互模拟内容。Triberti等（2024）强调在通过预测学生学习需求，降低学生脑力负荷，在进一步促进学习自主性方面扮演着的重要角色。

 

 

2.2 行政效率

AI智能体同样正通过自动化高资源消耗的重复性任务与提升服务可及性，深刻影响着高等教育行政工作流程。从通用行政到招生支持与课程层面辅助，现有研究展示了其在各类工作职能中的广泛应用。

在高校场景中，基于事实检索的信息查询类AI最典型的应用就是实现行政工作的智能处理。例如，Magdalena大学的“Tashi-Bot”能自动回复关于校园服务、福利、未来职业与注册流程等的常见问题，其常规咨询处理满意度高达92%（Carlos等, 2021）。如果说“Tashi-Bot”还只能体现AI智能体处理基础问题的能力，那Tahvildari（2025）在德国国际应用科学大学部署的GPT机器人顾问则展现了更高级的工作能力，如处理符合学校政策的请假申请等结构化任务。

在招生与注册支持领域，AI智能体的运用显著优化了原本需要大量人工处理的流程。厄瓜多尔拉斯美洲大学的案例显示，通过自动化课程详情与职业前景等常见问题咨询、日历系统自动会议预约及课程大纲等文件共享，私立高校既能吸引新生，又能让教职工有更多时间专注更重要的工作任务（Villegas-Ch等, 2021）。佐治亚州立大学的AI助手“Pounce”则通过协助新生解决奖学金与选课问题，使夏季开学前的退学率降低22%，让新生从高中到大学的过渡更加顺畅（Kshetri, 2025）。

尽管多数研究聚焦于学校层面行政工作的AI智能体应用，但新兴探索已开始关注课程层面支持。例如，Allen等（2024）的“Q-Module-Bot”可自动化课程常见问题答复与资料分发，在保障学生支持质量的同时大幅减轻教师行政负担。悉尼大学的化学专用AI助手进一步印证了这一趋势，它其通过从课程材料提取信息，准确帮助学生解答关于系科结构、考试截止日期及其他行政方面问题，同时引导学生咨询相关团队，提升了自主式学习场景中的师生互动效能（Kshetri, 2025）。

 

 

2.3 技术参数

不同功能的AI智能体的搭建各不相同。课程管理AI智能体与其他AI智能体的核心差异在于其资源调用与技术参数配置。例如，检索增强生成（RAG）系统是此类智能体的必要组件，开发者需为大型语言模型（LLM）定制文档库，使其能针对查询检索相关知识库（如课程手册与考试要求），继而生成适配回复（Ren, Ma & Zheng, 2025）。

LLM的通用训练数据可与这一特定文档库互补。若用户向非定制聊天机器人咨询论文要求，可能会得到缺乏课程细节（如字数与体裁标准）的误导性建议；而RAG模型则能提供精准答案，从而构成这一综合学生支持系统的关键环节。

另一关键参数是温度值（即随机性程度）（Boonstra, 2025）。调整此参数可增强回复的确定性，进而提高准确性。这对高等教育AI智能体至关重要。某些场景需要多样性输出（如内容不同但练习目的相同的模拟阅读文本），但课程管理场景必须依赖精准一致的信息（如考试日期）以维持用户信任。Tophel等（2025）证明，温度值从0.1升至0.5会导致准确率从95%降至82.5%，对大多数课程管理应用来说，这样的误差显然过大。

这实际上牵涉到重要的伦理议题。由于对课程内容的无知，学生用户常被动依赖开发者设计的系统。他们通常过分相信系统提供的信息，而这些信息有时是难以溯源或验证真假的。RAG系统与适宜温度值的结合则可有效降低错误信息风险（Thoeni & Fryer, 2025）。

 

 

图2：在线课程AI助手提供的信息示例

 

3. 方法论

本节将系统介绍开发过程，使AI智能体既能为师生提供前述优势，又能可避免各类技术隐患。随后将介绍三款示例智能体及其核心功能。

 

3.1 开发流程

提示词编写

构建AI智能体的首要阶段是明确定义其角色与适用范围。例如，可设计智能体充当大一EAP学生的“专业而亲切的向导”。鉴于学生为非英语母语者，AI回复需结构清晰且具有支持性。角色定义提示范例如下：
“你是一款AI助手，旨在帮助一年级学术英语学生解答考试相关问题。你需以友好而专业的方式与他们互动，且需注意英语非其母语。”

另一关键点是RAG支持的AI如何调用预设知识库。AI必须能从教学大纲等课程文档检索答案，且温度值需调至足够低以确保信息确定性，同时保留措辞灵活性。若无法直接回答，应礼貌建议学生联系自己的EAP老师或课程负责人。提示范例如下：
“使用知识库回答事实性问题。若信息缺失，建议学生联系自己的EAP老师或课程负责人。”

 

标准化

 

此阶段旨在统一同一部门或学校使用的不同智能体的提示词语言、语气与回复结构。要实现这一一致性，需要创建标准化模板，确保各智能体遵循相同的交互规则，从而维持用户体验一致性。如，答复需始终简洁，关键信息以粗体突出。
测试测试阶段需同一AI工作组的老师们紧密合作，相互测试智能体并给予反馈。这一阶段对评估智能系统在实际场景中的应用表现至关重要，可确保其运行符合预期目标。
老师们需要代入学生角色，以学生的常见提问方式进行模拟，全面评估系统是否能够准确、简洁且语气得当地作出回应，尤其要考察系统从知识库获取信息的准确性、执行标准化指令的能力，以及回答内容与教学目标的契合程度。这些测试反馈对发现和改进系统存在的问题——例如语言表达不清或回答不一致等——具有重要价值。
优化
测试阶段完成后，需根据教师反馈对AI智能体的设计进行修改。这一过程着重优化提示词设计与知识库内容，确保智能体的回复既准确无误又符合既定标准。具体工作可能包括：更新提示词以明确指令要求、扩充知识库覆盖范围、调整其他参数以提升系统功能。通过这种迭代优化过程，设计者能够持续完善AI智能体的表现，使其既满足学生的学习需求，又保证所有交互行为的一致性。

 

3.2 示例智能体

大一EAP课程指南

学生普遍反映，课程信息分散在多个文档和网页中，难以查找。为解决这一问题，我们开发了"大一学术英语课程指南AI助手"，专门处理以下模块相关咨询：考试（如考试要求）、线下学习资料（如第8周所学技能）以及政策文件（如学术诚信规范）。该智能系统针对每个大一学术英语课程定制，整合了30余项学生常用知识库条目，确保信息的一致性。通过集中所有关键文档并提供高效的内容解析平台，这些智能助手既提升了学生核实信息的信心，又帮助教师从繁杂的答疑工作中解放出来。

 

核心功能（见图1）：

·    提供课程内容的精准信息
·    总结并简化重要政策与学习目标
·    指引信息所在的具体文件
·    提供合理建议，例如适时联系老师或安排备考时间

 

线上课程AI助手

线上课程AI智能体旨在帮助学生充分利用大一EAP混合课程（线上+线下）资源。

作为课程体系的核心组成部分，自主学习线上课程通过Learning Mall Core（LM）平台每周发布两次，每次课程时长为两小时，与线下研讨课形成互补。这些课程将关键语言技能与知识点分解为小活动，既能保证学习专注度，又能帮助学生为当周的线下课堂做好准备。

该智能体提供精确的课程信息查询服务，包括各单元主题与每周教学安排、技能培养重点解析、线上课程与线下课堂/考试内容的对应关系指导。它支持一键跳转至所有大一EAP课程相关的LM页面。通过提供即时的、AI驱动的智能支持，该智能体有效地提升了学生的在线学习效率。

核心功能（见图2）：

·    准确定位学生所需查询的课程主题与技能
·    提供相关LM课程页面的直达链接
·    引导学生在获取信息后即刻进入复习
·    确保回复只针对大一EAP课程

大一 EAP补考助手

该智能体专为大一EAP补考学生设计。那些首次考核未通过的往届学生往往难以有效获取、理解并按补考关键信息，包括截止日期、考试形式、申诉政策等采取行动。教职工（尤其是补考课程负责人）需高频重复答复来自这些学生的同类问题。这不仅加重了他们的工作负担，也影响了教学支持效率。

该智能体通过解决补考阶段的三大核心需求，有效应对上述挑战：考务细则澄清（准确说明考试形式、必备材料等实操信息）；行政流程解读（详细解析补考资格认定、申诉规则等政策要点）；学习资源对接（智能推荐LM平台复习资料及可用学术支持服务）。
通过自动化处理高频咨询，该系统既提升了学生对补考流程的认知度，缓解焦虑情绪并促进主动备考，又大幅减轻教职工工作负荷，让他们能更专注于个性化教学支持。

 

核心功能（见图3）：

·    提供基于文档的准确、最新补考流程信息
·    以清晰语言解释大学考试政策
·    实现课程资源与学生群体的精准对接
·    鼓励主动备考

 

图3: Y1 EAP补考助手针对不同查询给出的示例回答

 

 

4.实施

为向学生推广这些AI智能体， LM课程页面采用了双轨制入口设计（图4）：“信息板块”与“快捷访问板块“。
我们专门在LM平台设置了"英语语言中心AI智能体"专区，作为学术英语课程所有智能体的集中门户。每个智能体均配有简明扼要的功能说明，并设有直达操作界面的快速通道。

特别设计的侧边栏快捷菜单突破传统布局限制，以常驻形式出现在每个课程页面右侧。这一创新设计确保学生无论浏览至平台任何位置，都能随时调取所需智能服务，实现真正的"一键即达"。

 

图4：模块页面上的AI工具

在常规使用场景中，这些智能体主要服务于学生自主学习时段，但更深层次的推广策略是将其嵌入学习材料。以线上课程AI助手为例，该系统被无缝衔接至每周学习计划，成为常规学习流程的自然组成部分。如图5所示，当第二学期第二周的线下课程要求学生综合运用第一学期所学的多项语言技能时，配套的线上课程会设置专项活动：既精准引导学生至相关技能点的复习资料，又督促学生及时温习。

 

图5 AI与在线课程的结合

 

 

5. 结论

综上所述，西交利物浦大学英语语言中心开发的课程管理AI智能体，通过精准定位、循环迭代的实施路径，为高等教育领域的学生支持与行政效能提升提供了创新范式。这套涵盖提示词编写、标准化规范、协作测试与优化的闭环开发流程，不仅确保了AI解决方案的持续优化与调整，更构建起严谨的方法论体系。展望未来，通过扩展知识库容量、优化响应机制、引入高级智能分析以完善性能评估等举措，可进一步提升系统的精准度与个性化服务水平。同时，结合校内现有AI工具群的"星群效应"，通过战略宣传与清晰的系统整合路径，将有效提升师生使用意愿与参与度。维持这一动态的开发优化循环模式，我们将确保AI智能体能够长期为教育领域提供既切实有效又响应迅速的支持服务，同时恪守教育伦理规范。

 

 

 

 

 

引用：

Allen, M., Naeem, U. and Gill, S. S. (2024). Q-Module-Bot: A Generative AI-Based Question and Answer Bot for Module Teaching Support, IEEE Transactions on Education, 67(5), 793-802. https://doi.org/10.1109/TE.2024.3435427 (Accessed: 27 May 2025) 

 

Boonstra, L. (2025). Prompt engineering (Whitepaper). Google. https://www.kaggle.com/whitepaper-prompt-engineering (Accessed: 27 May 2025)

 

Carlos, H., German, S., & Dixon, S. (2021). Tashi-Bot: An intelligent personal assistant for users in an educational institution. Language. https://doi.org/10.20944/preprints202108.0380.v1 (Accessed: 27 May 2025)

 

Kshetri, N. (2025). Revolutionizing Higher Education: The Impact of Artificial Intelligence Agents and Agentic Artificial Intelligence on Teaching and Operations. IT Professional, 27(2), 12–16. https://doi.org/10.1109/MITP.2025.3550697 (Accessed: 27 May 2025)

 

Lim, E.G. (2025) ‘AI-Driven Educational Equity: Revolutionizing Project Allocation through Intelligent predicative Models and Adaptive Algorithms’, 2025 International Conference on Artificial Intelligence and Education. Suzhou 

 

Ramirez, E.A.B., & Fuentes Esparrell, J.A. (2024). Artificial Intelligence (AI) in Education: Unlocking the Perfect Synergy for Learning. Educational Process: International Journal, 13(1): 35-51. https://doi.org/10.22521/edupij.2024.131.3 (Accessed: 27 May 2025)

 

Ren, R., Ma, J., & Zheng, Z. (2025). Large language model for interpreting research policy using adaptive two-stage retrieval augmented fine-tuning method. Expert Systems with Applications, 278, 127330.

 

Tahvildari, M. (2025). Implementing robo-advisory systems in virtual universities for smart student counselling. Proceedings of the International Conference on Virtual Learning, 203-218. https://doi.org/10.58503/icvl-v20y202517 (Accessed: 27 May 2025)

 

Thoeni, A., & Fryer, L. K. (2025). AI Tutors in Higher Education: Comparing Expectations to Evidence. https://doi.org/10.31219/osf.io/24tg7_v1 (Accessed: 27 May 2025)

 

Tophel, A., Chen, L., Hettiyadura, U., & Kodikara, J. (2025). Towards an AI tutor for undergraduate geotechnical engineering: a comparative study of evaluating the efficiency of large language model application programming interfaces. Discover Computing, 28(1), 76-. https://doi.org/10.1007/s10791-025-09580-8 (Accessed: 27 May 2025)

 

Triberti, S., Di Fuccio, R., Scuotto, C., Marsico, E., & Limone, P. (2024). “Better than my professor?” How to develop artificial intelligence tools for higher education. Frontiers in Artificial Intelligence, 7, 1329605–1329605. https://doi.org/10.3389/frai.2024.1329605 (Accessed: 27 May 2025)

 

Villegas-Ch, W., García-Ortiz, J., Mullo-Ca, K., Sánchez-Viteri, S., & Roman-Cañizares, M. (2021). Implementation of a Virtual Assistant for the Academic Management of a University with the Use of Artificial Intelligence. Future Internet, 13(4), 97. https://doi.org/10.3390/fi13040097 (Accessed: 27 May 2025)

 

XJTLU (2025) XJTLU Education + AI Strategic Framework 2025-2028. Suzhou: Xi’an Jiaotong-Liverpool University. Available at: https://www.xjtlu.edu.cn/wp-content/uploads/2025/03/XJTLU-Education-AI-Strategic-Framework.pdf (Accessed: 27 May 2025)

 

XJTLU E-Support (2025, May 27). Retrieved from: https://esupport.xjtlu.edu.cn/

 

XJTLU Library (2025, May 27). Retrieved from https://lib.xjtlu.edu.cn/

 
 
 
 
附录：
 
Y1 EAP Module Guide: https://xipuai.xjtlu.edu.cn/v3/agent/10968

 

Online Lesson AI Assistant: https://xipuai.xjtlu.edu.cn/v3/agent/10564

 

Y1 EAP Resit Helper: https://xipuai.xjtlu.edu.cn/v3/agent/10866