AI 名词速查与教育智能体指南

最大的那个「筐」。早期做的是识别、分类、预测（判别式 AI），比如语音识别、图片分类、推荐算法；近年的生成式 AI 只是它的一条分支。

分两层记：判别式回答「这是什么 / 会不会发生」，生成式回答「帮我写一份」。前者给判断，后者给内容。

教育里：英语跟读的发音评分、答题卡识别、成绩预测，这些「老 AI」一直都在，并不是大模型出来才有。

核心是「生成」：输出原本不存在的新内容。传统 AI 是「读懂世界」（判断这是不是猫），生成式 AI 是「创造世界」（画一只没见过的猫）。形态包括文本、图像、音频、视频、代码、3D，乃至可交互网页。

它的产出有三个特点：快（几分钟出初稿）、像（格式和语气很像人写的）、不保真（事实、出处、数值可能编造）。所以工作流里必须留人工核对。

教育里：教案初稿、分层阅读材料、课件配图、课文配音、教学动画、试题——教师用的绝大多数「AI 工具」都属于 AIGC。

严格说 AIGC 指「产出物」，生成式人工智能指「技术能力」；日常混用不必纠结。

不是更聪明的聊天框，而是「大模型 + 循环 + 工具 + 记忆」构成的系统。它自己把目标拆成步骤、决定下一步、调用工具、观察结果、出错再改，直到做完。判断一个产品是不是真智能体，看两点：能不能调用外部工具 / 文件，能不能自己决定下一步。

用一个比喻：大模型像「会写字的脑」，工具是「手」，循环是「干活的方法」，智能体是装齐了这些、能自己把一件事做完的整体。

教育里：一句话直接生成可运行的互动课件网页、搭出班主任工作台、把学生档案 / 考勤汇到一个入口。

自主程度是连续的：有的只在对话里帮你改文案，有的能直接改文件、发消息。启用前先确认权限边界与审批节点，别一上来就给「全自动」。

把「触发 → 取数 → 处理 → 校验 → 人工审核 → 发布 → 留痕」等步骤预先编排好。路径写死，因此可重复、可预测、可审计；缺点是不够灵活，遇到没预设的情况不会自己改道。

它和智能体不是二选一：拆解方式事先能确定，就写成工作流；连要分几步都不知道，才交给智能体自己规划。生产环境里常见做法是「工作流里嵌几个智能体节点」。

教育里：每周汇总作业错因 → 生成分层练习 → 教师审核 → 审核通过才发给学生。凡是「每次都按同一套规矩跑」的事，用工作流比用智能体更稳。

一份可复用的专业知识包：通常是一个 SKILL.md（写清什么时候用、怎么做、有哪些禁忌和验收标准），外加脚本、模板、参考资料。特点是「渐进披露」——平时不占上下文，任务匹配时才加载；一次写成，多个任务、多位同事共用。

它解决的是「每次都要重新解释一遍本校规矩」的问题。写得好不好，看三条：触发条件是否清楚、有没有明确禁忌、有没有可核对的验收标准。

教育里：把本校「单元作业设计」规范写成一个 Skill，智能体一遇到出题任务就按这套规范走，不用每次重新粘贴提示词。

与工作流的分工：Skill 教它怎么做某类事（方法），Workflow 规定按什么顺序做（流程），Tool 给它动手的能力（手脚）。一个工作流里可同时调用好几个 Skill。

Prompt 是一次性的「这次说什么」；Skill 是「这类事以后都这么办」，是 Prompt 的升级与沉淀。Tool 是能力接口；RAG 把答案锚定在自己的资料上；MCP 让工具能被各家智能体通用地接上。