「全员覆盖 全栈育人」
“智能体开发”项目制大课建设方案详解
供稿：数据科学系"智能体开发"教研组 | 2026 年 7 月
当前，人工智能技术的代际跃迁正深刻改变知识生产、产业组织与社会运行的基本逻辑。对高等教育而言，这一变革已非课程内容层面的增量补充，而是对人才培养目标、能力结构与教学范式的整体性拷问。面对这一趋势，数据科学与智能媒体学院在2026版本科大纲修订中系统构建了“1+2+3+N”本科教学课程改革框架：其中“1”为面向全校开设的通识课《自然科学导论》；“2”为面向学院全体学生开设的两门必选项目制大课——《智能体开发》与《视听安全》；“3”为三门选修项目制大课——《社会传播仿真》《智能影像采集》《智能内容制作》；“N”则涵盖学院小通识课程体系及两个本科专业的特色课程群。该框架以项目制为核心载体，旨在将知识传授、能力训练与成果交付有机统一，推动本科教学从“以教为中心”向“以学为中心”的实质性转变。
面向人工智能从对话式工具向自主执行任务的智能体加速演进的趋势，学院必选项目制大课《智能体开发》正是这一理念的先行实践。教研组立足“算法—系统—应用”完整知识体系，以四门关键支撑课程为底座、以一门综合实践大课为枢纽，将“智能体”设定为结课作品，构建起“奠基—进阶—实战—辐射”全链路育人闭环，旨在打通知识、技能与能力之间的壁垒，为学生从理论学习者向技术实践者的跨越架设关键桥梁。该课程不以传统讲授为主线，而以具体可验收的智能体成果为终点，要求学生在真实或高仿真任务场景中自主定义问题、设计路径并迭代优化，从而在项目驱动中实现知识建构与能力内化，同时促进教师在与学生共研共进中实现专业认知与教学能力的双向更新。本篇推文将聚焦该课程的设计逻辑、实施路径与预期成效，呈现学院以项目制大课回应AI时代人才培养之问的首次探索。
一、顶层设计：四课为基、一体贯通，优化时序“串课成链”
教研组对照智能体开发的真实工程链条，对四门关键支撑课程与一门项目制大课的开设时序进行系统优化，将原方案集中于单一学期的排布，重构为“1 秋奠基—1 春进阶—1 夏实战”的阶梯式节奏，实现课程之间的有机承接、能力目标的层层递进。
大一·秋（能力底座层）——夯实“数据”与“认知”双底座
《数据采集与处理》（倪业鹏、赵晴，2 学分/40 学时）：作为数据工程全流程的“第一课”，先修要求低、实践性强，先行开设帮助学生建立“采集—清洗—治理—应用”的完整链条意识，并初步引入智能体辅助数据工程思维。
《智能体设计与实践》（范伟健，2 学分/40 学时）：专为大一新生打造的智能体认知入门课，无先修要求，依托 Python 与 Dify、Coze 等主流平台，引导学生完成从智能体建模到工具实现的全流程体验，使其作为《智能体知识工程与工具化开发基础》的先导课程先行铺路。
大一·春（核心技术层）——贯通“知识增强”与“生成式开发”
《生成式人工智能理论与开发实践》（袁璐，2 学分/40 学时）：课程先修为 Python 程序设计与人工智能基础，涵盖大模型调用、上下文工程与记忆管理、工具调用、检索增强生成（RAG）及 LangChain/AutoGen 多智能体框架与云端部署，属核心技术层，使其在学生掌握 Python 与 AI 基础之后开设，更契合其先修逻辑与高阶定位。
《智能体知识工程与工具化开发基础》（马鑫，2 学分/40 学时）：承接《智能体设计与实践》与 Python 基础，以 Codex 等工具为工作台，训练知识包整理、Skill 设计、知识库构建、提示词设计与结果评测，完成“数据—知识—模型—工具—应用”的能力跃迁。
大一·夏（综合实战层）——以项目制大课“集大成”
《智能体开发项目综合实践》★（课程组师资联合指导，3 学分/72 实践学时）：作为跨课程群综合实践大课，依托上述四门先修课程，通过“教师联合指导 + 分组项目 + 阶段里程碑 + 代码仓库留痕 + 周报/演示 + 中期评审 + 终期答辩”的全过程管理，串联需求分析、数据工程、知识工程、工具调用、生成式开发、社会仿真应用、原型评测与展示答辩，完成综合能力汇聚。
衔接定位：本项目制大课同时作为"社会传播仿真项目综合实践"项目制大课（含姜泽勋老师《智能体与社会仿真》等课程）的先修课程，为智能体在具体领域的应用开发（个体建模、群体交互、社会现象涌现分析）提供工程能力支撑。
二、关系图谱：课程支撑、知识技能与能力矩阵三维贯通
教研组以“支撑关系—知识技能—能力递进”为脉络，绘制项目制大课关系图谱，清晰呈现课程之间的有机联系。
课程支撑关系图。四门支撑课程与一门大课以实线箭头标注知识技能承接关系；另设两条虚线箭头标注跨组衔接：一条指向《程序设计与系统开发（Python）》，标识本课程组“以 Python 为先修基础”的能力底座来源；一条指向《智能体与社会仿真》，标识本大课作为其先修课程的下游辐射关系。
课程—知识技能—能力矩阵。每门课程均明确"知识目标—技能训练—能力达成"的对位关系，避免单一理论教学的碎片化缺陷。例如，《数据采集与处理》对应“多源数据获取”知识与“Python 爬虫/API”技能，支撑“数据获取能力”；《生成式人工智能理论与开发实践》对应“RAG/工具调用”知识与“多智能体开发”技能，支撑“复杂智能体架构与部署能力”。
项目任务驱动的"智能串接"能力阶梯。教研组以真实项目任务为牵引，将大课六个阶段里程碑与四门课程的能力目标逐一对应——需求分析与方案设计（承接《智能体设计与实践》）、数据采集与处理（承接《数据采集与处理》）、知识工程与工具化（承接《智能体知识工程》）、生成式 AI 与多智能体开发（承接《生成式人工智能》）、社会仿真平台场景验证、原型评测与展示答辩。课程能力目标在项目里程碑中“智能串接”，由单点能力逐步汇聚为“系统思维 + 工程交付 + 跨学科创新”的综合能力。
三、育人亮点：以“智能体”作为结课作品，构建综合评价指标体系
本课程最鲜明的特色在于——以一个可运行、可评测、可开源的智能体作品作为学生结课成果，让学生从“会做题”走向“会做产品”。围绕这一亮点，教研组创新设计了一套多维度、可量化、重过程的综合评价指标体系：
综合评价得分 ＝ 项目全流程展现得分 × W₁ ＋ GitHub 开源社区表现 × W₂ ＋ 应用价值与社会影响力 × W₃
● 维度一（W₁=0.5）项目全流程展现得分：覆盖需求分析、方案设计、阶段产物、代码仓库留痕、中期评审、终期答辩与伦理合规反思，突出全过程记录与持续反馈，体现“重过程、重工程”的育人导向。
● 维度二（W₂=0.2）GitHub 开源社区表现：以 Star 数、Fork 数、Watch 数等可量化指标，衡量作品的工程规范性、技术影响力与开源协作素养，引导学生树立“代码即资产、开源即传播”的现代工程师理念。
● 维度三（W₃=0.3，新增维度）应用价值与社会影响力：考核智能体作品在真实场景中的效果表现、用户体验测评、应用价值与伦理合规反思，呼应“技术服务于社会”的价值目标，避免“唯技术论”，让作品既有“技术含量”更有“社会分量”。
该体系将过程评价、成果评价与价值评价深度融合，使每一个结课智能体作品都成为学生技术能力、工程素养与社会责任的综合写照。
四、未来展望
下一步，数据科学系“智能体开发”教研组将以本方案为蓝图，依托“数源—数智—数创”工作室协同机制，统筹跨课程排课与教师联合指导，配置机房实验室、云端算力与大模型 Token/API 额度、Codex/智能体开发工作区与智能体社会仿真平台，并对优秀项目成果在综合测评、学科竞赛与课程作品联展中给予认定与转化支持，持续完善“课堂筑基—实践赋能—学情校准”的全链条育人闭环，为培养数智时代兼具科学素养与人文底色的复合型智能体开发人才筑牢支撑。
教研组诚邀全院师生持续关注、共建共享，让每一个智能体作品，都成为数据科学专业育人改革最生动的注脚。
教研组供稿 ｜ 数据科学系"智能体开发"教研组
统稿｜洪志国 范伟健 袁璐 马鑫 倪业鹏 赵晴