3月13日，北京师范大学教育学部举办了“人工智能赋能教学管理服务”专题工作坊，是学部“人工智能教育应用年”三月系列活动第二期，聚焦大模型技术在教育场景中的创新应用与实践探索。活动由周伟老师主讲，围绕人工智能技术在教学管理服务中的创新应用，系统探讨大模型技术在教学管理服务中的落地路径与实践策略。报告从技术底座、场景开发与风险管控三方面展开：技术层面，解析教育场景下大模型算力调度优化、轻量化部署及数据隐私保护方案，结合我校智能课程中心案例验证低成本高效能实践；场景层面，聚焦我校智能助教、智能命题考试及学生成长树等应用案例，剖析技术实现与教学服务的融合方法；风险层面，探讨人机协同工作流程设计等伦理应对策略。周伟携团队系统拆解教育AI的底层逻辑与实践路径，为教学管理智能化转型提供“北师大方案”。

一、实践案例：看见教育AI的“硬核力量”

1. 数智化赋能研究生“一生一策”个性化培养计划

基于大模型的智能助教系统，动态分析学生学业数据，结合培养方案、课程大纲与科研进展，实现个性化培养计划的定制与动态优化，助力教学服务从“千人一面”转向“千人千面”。

2. 多模态学习分析工具

支持视频、语音、文本等多模态数据的自动化处理，，分析知识点覆盖率、教学过程和师生行为，辅助教师精准评估学生学习行为与认知水平，自动生成评课记录。

3. 题库人工智能辅助管理系统

基于动态语料库的智能组卷技术，自动命题、题目评审与导出，构建在线测试平台，支持自适应测试，推动教育资源的共建共享。

二、技术底座：打开教育AI的“黑匣子”

周伟老师指出，需利用大模型技术生态以“乐高思维”搭建灵活的应用场景，包含：

1.接口规范：使用openai库能支持大部分大模型，现有大模型服务基本都遵循规范，便于实现跨系统协同，降低开发门槛。 

2.开源UI工具：推荐NextChat、cherry-studio等工具，支持参数精细化调整与本地数据管理，构建可复用AI“面具”。

3.本地部署：通过Ollama、VLLM等工具实现私有化部署，保障数据安全。

4.微调训练：利用LLaMA-Factory等工具，针对教育场景优化模型输出，降低幻觉风险。

5.流程编排：通过Dify、RagFlow等平台，将复杂任务拆解为多节点工作流，实现多智能体协同应用。 

三、场景开发：让每个教学环节“智能涌动” 

1.场景应用需要低代码开发平台实现积木式构建。低代码平台包括模型管理、模型服务注册、应用令牌授权、面具管理等功能。面具通过预定模型、模型参数及提示词模板，实现动态嵌入情境信息，并对各智能体实现RBAC的权限控制，支持教师快速构建专属教学助手。

2.基于大模型和低代码平台构建的几个典型场景应用有：

智能助教：基于课程内容与学习者特征，提供“一课一人一助教”服务，覆盖学业规划、知识点答疑、资源推荐与学业预警等学习需求，促进规模化教育与个性化培养的有机结合，助力学习者轻松、投入、有效地学习。 

知识管理系统：整合全校教学文件（培养方案、通知公告、管理规定等），构建向量知识库，实现精准检索与智能问答。 

智慧测评系统：高效地进行学习数据的收集与分析，为教学方案的优化提供科学依据，助力现代教育管理与监测体系。

四、风险管控：给教育AI系上“安全带” 

针对教育场景的特殊性，工作坊提出四大风险应对策略： 

1. 设计“人在回路” （Human-in-the-Loop，HITL）的任务处理机制：关键环节引入人工审核（如智能命题审题），确保输出合规性。 

2. 利用边缘计算保护数据隐私：在数据生成的源头进行部分或全部处理，从而减少数据传输到云端的需求。 

3. 利用AIGC检测防止AI滥用：在论文查重基础上增加AI生成内容识别，防范学术不端。 

4. 出台在教育教学中使用AI的规范，定义清楚鼓励使用、可以使用、禁止使用生成式AI的教学场景，探索教育场景中AI的合规使用边界。  

最后，通过应用案例及低代码开发工具演示，工作坊为技术团队、教育管理者、研究者提供“需求驱动、敏捷迭代”的AI落地方法，助力教育数字化转型。

“教育AI不是替代教师，而是让教育者拥有‘千手千眼’。”在这场工作坊中，北师大不仅展示了技术落地的可能性，更传递了一个核心理念—人工智能的价值，在于让人回归“育人”的本质。