關注“在線學習”

獲取更多資訊！

刊載信息

顧小清，& 尹歡歡.(2026).“師—智—生”三元教學生態中何以堅守育人初心？ 中國遠程教育(4),27-49.

“師—智—生”三元教學生態中何以堅守育人初心？
顧小清, 尹歡歡

【摘要】人工智能正經歷從Generative AI向Agentic AI的本體性躍遷，標志著技術角色從“被動工具”向具備感知、規劃與行動能力的“準主體”演進，推動教育生態從“師—生”二元結構加速邁向“師—智—生”三元共生范式。這一變革在賦能教育的同時，也潛伏著機器主動智能性過載導致學生主體能動性降格的育人初心偏移危機。為應對這一挑戰，本研究以智能增強體認式學習理論為邏輯起點，確立從“知識傳遞”向“經歷生成”的理念引領，構建可支撐體認式學習的技術創新架構、實踐應用生態和倫理治理體系。首先，在技術層面，厘清了從Generative AI到Agentic AI的演進路徑與教育應用，剖析Agentic AI賦能體認式學習的內在機制，提出Agentic AI架構下面向體認式學習的多智能體協同邏輯，打造智能增強的“技術使然”閉環。其次，在實踐層面，構建人智共生學習生態的四層系統架構，并提出情境中學、思辨中學、做創中學與省思中學四類實踐樣態，闡明“師—智—生”三元在具體場景中如何進行能動性協同。最后，針對認知外包、算法父愛主義、擬態親密與認識論封裝等本體性風險，提出教育邏輯嵌入的可信、可控、可釋治理機制，通過教育性克制、主體能動性配置與元認知鏡像機制，確保技術智能性始終激活而非替代學生能動性發展。

【關鍵詞】教育自主智能; 人智共生學習生態; 智能增強體認式學習理論; 教育多智能體

一、

引言

自2022年底生成式人工智能（Generative Artificial Intelligence，GAI）掀起全球熱潮以來，人工智能的發展加速邁向新的戰略拐點：從以預測與生成模型為主的認知智能階段，邁向以自主式人工智能（Agentic Artificial Intelligence，Agentic AI）為核心的行動智能階段（Abou Ali et al., 2025; Shavit et al., 2023）。這一躍遷的實質在于，人工智能的角色正從依賴指令的被動工具，轉向具備自主感知、推理規劃、持續行動及反思迭代能力的“準主體”（Acharya et al., 2025）。當此類具備高度自主性、創造性與能動性的Agentic AI深度嵌入教育情境時，它已不再是單純的資源或工具，而是作為能夠深度介入學習過程、重塑學習經驗、改變課堂互動結構的“第三主體”參與教育實踐。傳統的“師—生”二元主體結構面臨歷史性解構，教育生態加速向“師—智—生”三元共生范式演進。伴隨這一本體性角色變遷，一個關系教育未來走向的根本性問題變得前所未有的緊迫：在機器智能日益具備類人能動性的新生態中，教育如何堅守立德樹人的根本初心，確保技術賦能最終指向人的能動生長，而不是反向削弱甚至取代人的主體性？這一問題的解答，需要在三個層面作出系統性闡釋：在認識論上重構“何以為學”，厘清在認知外包日益普及的時代，人類學習的不可替代性在于具身經歷與體驗的生成，確立從“知識傳遞”向“經歷生成”的學習范式轉型；在方法論上探索“何以智能”和“何以共生”，使機器的自主能動性真正服務于人的主體能動性；在價值論上確立“何以向善”，以在算法治理中捍衛教育的人本邏輯。

圍繞上述問題，作者團隊提出了“智能增強體認式”（Intelligent Augmented Embodiment，IAE）學習理論，強調以體認循環與智能增強支持學習者具身經歷和體驗生成，旨在為理解人機協同時代的學習設計，提供“以學習經歷為中心”的新視角（顧小清, 2026）。然而，當前的痛點在于“知易行難”，支撐這一理論框架落地的系統性機制仍需明晰。因此，本研究以智能增強體認式學習理論為邏輯起點，厘清從“知識傳遞”到“經歷生成”的理論范式轉向，以此為基礎，構建能支撐“經歷生成”的技術創新架構、實踐應用生態以及倫理治理體系，架起理論創新與實踐應用之間的橋梁，解決“何以實現”的關鍵路徑問題，為在智能時代堅守育人初心提供可操作、可落地的行動指南。

二、

何以為學：設計“經歷中心”的智能增強體認式學習

在人工智能加速迭代背景下，學習不再是對靜態知識的“獲取與存儲”，日益呈現為學習者在智能體深度介入的復雜環境中，通過持續的具身經歷、反思與行動，不斷生成意義、經驗與智慧的過程（顧小清, 2026）。為此，本研究錨定“以學習者經歷為中心”的新理解，提出了智能增強體認式學習理論框架，為理解人機協同學習新范式提供理論透鏡（顧小清 等, 2026）。

（一）理論內核：從“知識傳遞”向“經歷生成”的范式演進

從學習科學的視角來看，“學習何以發生”并非一個靜態命題，其理解大致經歷了行為主義、認知主義、建構主義與聯通主義等歷程，形成了“學習即反應習得”“學習即信息加工”“學習即知識構建”“學習即網絡聯結”等多元理解。然而，隨著人工智能深度介入學習過程，傳統理論在解釋具身經驗如何生成、學習經歷如何深化，以及技術能動性如何與人的主體能動性協同發展等方面仍存在明顯張力。體驗式學習理論為重新理解學習發生機制提供了重要突破。戴維?科爾布（Kolb, D. A.）提出的體驗式學習理論認為，人的學習根植于螺旋上升的體驗過程，在“具體體驗—反思性觀察—抽象概念化—行動應用”中不斷循環、生成與升華，為將學習從靜態知識獲取轉向動態經歷生成奠定了理論基礎（Kolb, 1984, p.25; Kolb, 2014, p.51)。然而，必須指出的是，經典體驗式學習理論形成于前數字時代，其情境設定主要依托現實世界的經驗實踐與人際互動。當學習活動被深度嵌入由智能體參與構成的復雜生態時，僅依賴自然情境與教師經驗調控，已難以支撐高復雜度情境生成、大規模個性化支持以及體認過程的動態評估與調節（Salinas-Navarro et al., 2024; Sun & Deng, 2025; Crogman et al., 2025）。

在這一理論張力與實踐困境下，本研究對體驗式學習進行了面向人工智能時代的范式重構，參考體驗式學習循環邏輯，融入人工智能作為內生性智能要素，構建了智能增強體認式學習理論框架（顧小清 等, 2026）。基于智能增強體認式學習理論，學習被理解為學習者在與情境、他者及智能體持續互動中，通過具身經歷、認知構建、反思調節與行動實踐，不斷生成意義與經驗的體認過程。智能增強體認式學習理論通過重構“體認循環”與“智能增強”的雙重內核，確立了其獨特的理論解釋力。其中，“體認循環”構成理解學習發生機制的核心概念，并非對體驗的簡單強調，而是指學習者在“具體體驗—反思性觀察—抽象概念化—行動應用”連續循環中，實現具身（embodied）、體會（enactive）與認知（cognitive）的整合發展（Dewey, 1986; Cheng et al., 2019; Passarelli & Kolb, 2023; 顧小清 等, 2026）。學習者以既有的具體經驗為起點，在真實或擬真的行動情境中，通過主動構建和深層反思，不斷深化意義理解、概念關聯與認知構建，并在實踐行動中將經驗內化并遷移至對更深層次知識或現象的理解，最終沉淀為新的經驗智慧。“智能增強”則是智能增強體認式學習理論對體驗式學習作出的關鍵拓展。在該框架中，智能技術不再充當外置的輔助工具，也不以替代學習者為目標，而是以可感知、可交互、可推理的“智能伙伴”身份，深度嵌入體認循環的各個環節，激發學習者作為學習主體的能動性和創造性。

（二）理論透鏡：智能增強體認式學習的理論框架

為了將“經歷中心”的學習理念轉化為具有實踐指導性的學習設計，本研究構建了“三層結構與雙向循環”的智能增強體認式學習理論框架（如圖1所示）。該框架由認知與情感體認層（經歷流）、體認感知與反饋層（調控環）、情境與體驗擴展層（意義場）三層結構協同，同時構成了由數據驅動體驗優化、由體驗反哺模型迭代的雙向循環機制，為人工智能介入下學習經歷編排提供理論透鏡。

圖1 智能增強體認式學習的“三層結構與雙向循環”框架

認知與情感體認層構成了體認式學習發生的動態“經歷流”，本質是學習者在智能增強情境中圍繞“具體體驗—反思性觀察—抽象概念化—行動應用”不斷展開、深化與重構的體認歷程。首先，依托多模態沉浸與情境生成技術，學習者進入具有高度真實性的具身情境，形成伴隨經驗喚起與認知沖突的原初經歷。其次，在智能體引導下開展深度的情境化省思，將感性經驗升華為初步的認知圖式。再次，在動態知識圖譜與適應性認知支架支持下，學生將碎片化經驗與已有知識體系建立結構化關聯，完成新的意義協商與圖式重構。最后，在虛實融合的實踐環境中將新概念遷移應用，通過不斷的探究、修正與優化生成實踐智慧，使行動開啟新一輪的體驗生成。由此，“具體體驗—反思性觀察—抽象概念化—行動應用”在人工智能支持下形成深度嵌套、動態遞進、螺旋演進的體認連續體，引導學習從知識掌握走向經歷生成與意義深化。

體認感知與反饋層作為智能增強的“調控環”嵌入其中，發揮實時監測與動態優化的作用，保障學習經歷生成的動態性、個性化與發展性。該層級依托多模態體認感知技術，動態構建學習者的體認表征模型，持續追蹤學生在學習過程中呈現的認知狀態、情感波動與行為軌跡，對學習者當前所處的體認階段及其潛在發展區間進行建模分析和推理，實現對體認狀態的過程性診斷。在此基礎上，通過即時反饋與情境參數微調、反思提示與認知支架重構、學習路徑與序列動態調整，使體認循環在個性化反饋調適和動態生成中不斷深化，并始終指向學習者主體能動性的激活與發展。

上述兩個層級的運行依賴于情境與體驗擴展層所構建的“意義場”的支撐。該層級超越了物理時空的限制，利用VR/AR、元宇宙及多智能體，構建了一個包含認知、行動與情感多維體驗的具身化沉浸生態。認知體驗情境通過對抽象概念的可視化、關系化呈現與多維表征，將原本高度符號化的學科知識嵌入可感知、可操作的經驗結構之中。行動體驗情境以貼近真實世界的問題任務為載體，提供具有高情境保真度與即時反饋特征的操作空間，使學習者能夠在連續嘗試、失敗與修正中檢驗和重構其概念理解和遷移應用。情感體驗情境則是通過人類學習者與智能體之間的協作、對話與角色互換，支持情感共鳴、視角協調與價值澄清，將學習經歷置于多主體互動的關系網絡之中。三類情境在意義場中相互嵌套與動態聯動，使學習經歷得以在認知理解、行動實踐與社會情感層面同步展開與深化。

人工智能作為核心驅動力貫穿三個層級，構成以“數據驅動—體驗優化—體驗反哺—模型迭代”為核心的雙向循環機制，確立了人智之間互為中介、協同演進的共生關系。“數據驅動—體驗優化”機制體現為基于對學習者體認狀態的持續建模與情境推演，將數據洞察轉化為具有教學意圖的決策策略，優化學習者的當下經歷結構，并促進體認深化。“體驗反哺—模型迭代”機制則表現為學習者在學習經歷中生成的體驗交互和反饋，用以更新智能模型的決策策略與參數配置，從而更加理解學習經歷規律與教育價值。

三、

何以智能：面向體認生成的教育多智能體協同邏輯

智能增強體認式學習理論從認識論層面確立以學習者經歷生成為核心、人機深度協同的學習圖景。然而將這一理論框架落實為“師—智—生”三元共生的教育實踐，還面臨著實質性的“技術使然”挑戰。尤其是智能增強體認式學習理論所強調的螺旋式“經歷流”要求系統具備跨情境、長時程的記憶與規劃能力；體認感知與反饋所構成的動態“調控環”，要求系統能夠實現對學習者認知、情感與行為狀態的全模態感知與實時決策；虛實情境融合的“意義場”，則進一步要求系統能夠在復雜環境中扮演多重社會化角色，支持認知、行動與情感體驗的協同生成。這些要求顯然已超越以內容推送、規則觸發或任務序列為核心的智能教學系統的能力邊界。隨著人工智能技術從以生成式對話為代表的響應型工具，向具備感知、規劃、協作與自我反思能力的能動型代理演進，為重構面向體認式學習的智能增強系統提供了新的技術契機。因此，本研究梳理了從生成式人工智能到自主式人工智能的演進路徑及教育探索應用，剖析其與體認式學習的內在耦合機制，提出了一種面向體認生成的教育多智能體協同架構，從技術層面回答智能增強體認式學習理論“何以使然”的問題。

（一）技術范式躍遷：從“生成式對話”到“能動性代理”

1. 從GAI到Agentic AI的演進路徑

回顧人工智能近期發展，我們正見證著從GAI到人工智能代理（Artificial Intelligence Agent，AI Agent）再到Agentic AI的三階躍遷（Sapkota et al.,2025）。首先，GAI的出現標志著人工智能發展的重要里程碑，其具備強大的自然語言理解與多模態生成能力，實現了從文本、圖像到代碼的海量內容即時生成。然而，GAI本質上仍屬于基于概率預測的“響應型工具”，缺乏自主性、長期目標執行能力以及對物理世界或虛擬環境的直接操作接口。在教育場景中，GAI更多承擔信息提供或任務輔助的角色，難以支撐智能增強體認式學習理論強調的具身實踐、非線性問題解決和動態體認循環。在此基礎上，AI Agent通過集成大型語言模型、大型圖像模型和外部工具接口，實現從被動生成到特定場景下的任務自主執行的轉變。然而，AI Agent仍處于“指令—執行”的工具增強型助手范疇，主要應用于郵件分類與回復、數據匯總與報告生成等線性化場景，仍難以應對教育情境中非結構化、非線性化且需要多元協同的復雜挑戰。2025年，Agentic AI作為一種新型技術架構，通過引入“中心化編排層+共享記憶庫”，實現了多個異構智能體在統一復雜目標下的協同作業。Agentic AI作為AI Agent追求的高級形態，集成了復雜目標分解與規劃、多智能體協作編排、多元工具使用和持久記憶功能，旨在構建能夠像智能生物一樣在復雜環境中自主行動以實現目標的人工智能系統（Sibai et al., 2026; Murugesan, 2025）。Agentic AI將單輪的“提示—響應”機制轉變為迭代的“感知—推理—行動”循環，實現了從統計概率到認知行動的升級，同時強調多智能體協同，通過智能體之間的社交交互涌現，實現智能體之間的即時通信、記憶共享、角色分配，提升復雜問題解決的能力（Dwivedi et al., 2026）。這種架構上的飛躍使Agentic AI能夠圍繞更加復雜、長期的教育目標，持續感知、規劃、反思與調整行動路徑，為實現智能增強的體認式學習帶來新的驅動力。

2. Agentic AI在教育中的探索應用

Agentic AI在教育領域的應用正處于起步階段，相關理論與實踐研究圍繞個性化學習經歷編排、人機協同認知與交互、多智能體架構設計等層面展開，在促進個性化學習、體驗式學習等方面具有重要前景（Artsin & Bozkurt, 2026, p.9）。在個性化學習經歷編排方面，Agentic AI有望實現從基于規則的靜態推送，向基于目標的動態路徑生成演進，為解決傳統教學中預設內容與生成性體驗之間的矛盾提供了可能。菲魯茲?卡馬洛夫（Kamalov, F.）等指出，Agentic AI能夠將論文評分、課程設計等復雜教育任務分解為一系列可執行的子任務，并利用外部工具不斷修正執行路徑（Kamalov et al., 2025）。安東尼?帕古拉（Panguraj, A. R. R.）發現，Agentic AI可以基于通用學習設計原則，為不同需求的學生自動生成個性化的支架與資源（Panguraj, 2025）。在人機協同認知與交互方面，Agentic AI使智能體角色正從內容性的“被動問答者”，向具備獨立立場的“社會認知伙伴”轉變，為構建具備情感交互與意義協商的“意義場”奠定了基礎。嚴栗翔（Yan, L. X.）提出的人機協作學習中AI能動性概念框架，從理論上闡述了Agentic AI如何進化為“同伴協作者”，能夠作為共同學習者與學生進行互惠式對話，甚至作為“魔鬼代言人”提出反直覺觀點，以激發深度審辨（Yan, 2025）。喬治斯?科斯托普洛斯（Kostopoulos, G.）等研究指出，Agentic AI正以“學習同伴”的身份嵌入虛擬與混合現實環境，通過模擬社會性互動來降低認知負荷并提升學習投入度（Kostopoulos et al., 2025）。在多智能體架構設計方面，技術實現從“單體模型交互”向“多智能體工作流”躍遷，以應對復雜教育任務的挑戰。伊森?莫里克（Mollick, E.）等開發的PitchQuest系統利用多個扮演不同角色（如導師、投資者、評估者）的智能體，為學生創造了高保真的沉浸式模擬實訓環境（Mollick et al., 2024）。總體上，Agentic AI 在教育應用的探索體現了其在學習經歷動態規劃、學習伙伴協同交互與復雜教育場景適應等方面的技術潛力，但尚未形成能夠系統性支持“具體體驗—反思性觀察—抽象概念化—行動應用”體認循環的系統性方案。

（二）Agentic AI賦能體認式學習的基本機制

綜合現有研究，Agentic AI的關鍵特征并不是單點性能突破，而在于其所具備的自主感知、決策、行動、反思的能動性閉環（Acharya et al., 2025; Hosseini & Seilani, 2025; Bandi et al., 2025），這些特質有望從根本上重塑教育范式（Artsin & Bozkurt, 2026）。從Agentic AI賦能體認式學習的機制來看，首先，Agentic AI具有目標驅動的高度自主性，賦能體認式學習“經歷流”的動態規劃和編排。這種行為的基礎是規劃和推理能力，通過使用內部世界模型、符號推理系統或強化學習技術來實現，這些技術使得在達成預期結果的過程中能夠對行動進行排序和自主執行復雜任務（Ghallab et al., 2016, p.21）。這一能力使得Agentic AI能主動分解復雜學習任務，動態搭建從具身體驗到概念生成所需的腳手架，在虛實情境中自主調度資源，模擬進程，成為學習歷程的共構者。其次，環境交互和長期記憶，為體認式學習歷程的連續性感知、建模與調控提供了可能。Agentic AI能主動感知并適應周圍環境的變化，并能始終根據目標對響應進行個性化調整和行動干預。通過回憶過去的交互，Agentic AI能夠構建用戶模型、檢測模式并逐步改進行為，從而在教育場景中實現更一體化、更高效的交互（Khosravi et al., 2022）。這意味著通過多模態數據融合與持續交互記憶，Agentic AI能夠精準解讀學習者的認知狀態、情感波動與行為軌跡，形成對其體認深度的動態診斷和持續調控。再次，多智能體協同與工具調用能力，為創設體認式學習所需的“意義場”提供技術支撐。Agentic AI具備促進多個代理之間溝通與協作的能力，能夠創建復雜的工作流程，并與其他系統或工具集成，以執行多樣化的任務（Hosseini & Seilani, 2025）。基于此，Agentic AI通過編排虛擬導師、同伴智能體、情境生成智能體等不同角色，營造富含認知挑戰、行動機會與社會性互動的沉浸式體驗環境。最后，經驗學習與適應性，這與智能增強體認式學習理論所強調的“數據驅動—體驗優化—體驗反哺—模型迭代”為核心的雙向循環機制具有內在一致性。Agentic AI能從經驗中學習，不斷改進自身行為、性能和策略，適應環境的變化或任務需求的變化。這意味著Agentic AI不僅優化學習者的當下經歷與體驗，其模型本身也通過吸收學習者在體認過程中產生的高階策略、創造性解決方案及情感反饋進行迭代進化，使其教學決策與支持能力不斷逼近甚至啟發人類教育智慧。

（三）Agentic AI架構下面向體認式學習的多智能體協同邏輯

鑒于Agentic AI技術特性與體認式學習框架的內在耦合關系，本研究基于Agentic AI的“感知—決策—行動—反思”閉環能力，受烏韋?博爾霍夫（Borghoff, U. M.）等提出的三層人機交互通信空間框架（Borghoff et al., 2025）啟發，構建與體認式學習深度耦合的教育多智能體系統（Educational Multi-Agent Systems，EMAS），通過情境感知、決策編排和干預反饋三層協同邏輯，為學習者“具體體驗—反思性觀察—抽象概念化—行動應用”體認循環提供動態化、結構化和可控的技術支撐，在技術層面回答何以使能“以學習經歷為中心”的學習范式。

1. 面向體認狀態生成的多模態感知協同

在智能增強體認式學習理論中，學習并非純粹的認知加工過程，而是學習者在具體情境中，通過身體行動、情感體驗與概念建構交織而成的整體性體認過程。這一過程具有高度隱性、動態流變與個體差異顯著等特征，難以被傳統以結果為導向的學習分析捕捉。在Agentic AI架構下，多模態感知并非孤立的數據采集行為，而是服務于體認生成目標的持續性理解與決策過程。在此基礎上，教育多智能體系統可進一步通過多類感知智能體的協同運作，對學習者的體認狀態進行跨時序、跨模態的動態建模。行為軌跡捕捉智能體可以結合計算機視覺與日志分析，量化學習者在虛實情境中的身體參與度與行為模式。情感計算智能體可以綜合分析面部微表情與語音語調，重點捕捉困惑、頓悟或心流等學業情緒的細微變化。認知狀態診斷智能體能基于貝葉斯知識追蹤或圖神經網絡，實時推斷學習者的概念掌握概率與迷思概念。為了實現跨智能體、多模態數據的有效融合，教育多智能體系統可采用統一的時間戳協議協同調度上述智能體，利用多模態預訓練模型提取異構數據的特征向量，并通過跨模態注意力機制進行語義對齊，最終將融合后的高維向量存入共享向量數據庫作為系統的記憶庫。基于此，教育多智能體系統通過因果推理綜合判斷復雜狀態，形成對學習者體認歷程的整體性理解，為后續決策提供精準的情境上下文，使智能支持真正嵌入學習者真實的體驗脈絡之中。同時，針對全時程、全模態數據采集可能引發的隱私與倫理風險，教育多智能體系統可以采用端側推理提取特征，結合參數高效聯邦學習技術，在不上傳原始數據的前提下更新模型，并設計多方安全計算及人機回環監管機制，保障數據的安全合規。

2. 面向體認循環調節的教學編排協同

在獲得對學習者體認狀態的動態理解之后，教育多智能體系統的核心任務是將感知結果轉化為教育行動，動態維持、調控并深化體認循環的生成節律。智能增強體認式學習理論強調，學習并非線性推進的過程，而是學習者在“具體體驗—反思性觀察—抽象概念化—行動應用”之間不斷往復、逐步深化的螺旋式發展。因此，在Agentic AI架構下，教育多智能體系統不再是基于規則或短期績效指標進行教學調度，而是圍繞體認生成目標展開意圖識別、目標分解和反思性決策，支持學習者在體認循環的螺旋推進中實現認知、情感、行動與元認知的協同發展。教育多智能體系統可通過中心編排層，將復雜的教育目標動態分解為一系列標準作業程序作為子任務，然后依據當前體認狀態動態調度分配多智能體任務，排序目標優先級，對支持的時機、方式與強度進行動態權衡（黃兆康 等, 2025）。在這一統攝邏輯下，多類智能體在中心化編排層統籌下協同運作，確保體認循環沿著螺旋式、深度化和遷移性的路徑展開：認知支架智能體圍繞概念理解與知識建構的連續性，通過認知診斷與動態支架機制調控學習任務與支持之間的張力。當體認推進受阻時，智能體通過目標分解與表征重構重啟經驗生成。當體認趨于穩定或冗余時，則引入變式問題與反思性提示，推動學習向更高階概念遷移。情感調適智能體關注情感動機在體認循環中的調節功能，基于情感識別、歸因引導與共情干預機制密切關注并調節學習過程中心理能量的起伏，維持學習者參與體認過程所需的心理能量與安全感。元認知引導智能體基于過程追蹤與反思提示機制，實現對學習者學習策略使用的監測與優化。當識別到盲目試誤、策略僵化或淺層加工等低效學習模式時，通過元認知提示策略，介入啟發式追問，中斷學習者無意識的認知慣性，觸發學習者的自主反思，促進自我調節能力的內化。多類智能體并非各自追求局部最優，而是在Agentic AI的持續反思與統籌下協同運作，共同服務于體認循環的生成、維持與深化。在目標沖突或策略矛盾時，教育多智能體系統可以通過目標協商、角色投票、策略模擬推演或引入人類教師進行仲裁，選擇最有利于激發學生主體能動性的干預策略，確保機器決策始終處于教育倫理的監管之下（Jiang et al., 2025; Huang et al., 2025）。

3. 面向體認行動展開的自適應干預協同

體認式學習的最終指向，并非知識表征的內化，而是學習者在情境中的意義生成與實踐能力發展。教育多智能體系統通過多智能體協同和工具調用，支持學習者在真實或擬真情境中的探索、實踐與社會互動，實現虛實融合環境下的生成性教學干預。情境生成智能體通過合成高保真的虛擬物理實驗室或復原歷史事件“現場”，或者基于情感計算反饋動態調節環境光效、色溫與背景聲場，實施潛意識層面的生理節律干預，為學習者提供一個可感知、可涉入的沉浸式場域，使學習扎根于具體經驗。認知增強智能體作為學習者的數字外腦主動調用代碼解釋器、數據可視化組件或復雜運算引擎，為高階理解與創造性思考釋放資源，使學習者能專注于經歷意義的建構。社會協同智能體化身為具有特定人設的虛擬伙伴，通過多輪深度的對話、辯論與協作，在人機之間建立起一種準社會關系，激發學習者的論證思維、社會情感與協作智慧（Fonseca & Chi, 2011）。自適應干預協同的關鍵在于，為了防止過度智能削弱人的主體性，上述智能體是否介入及如何介入遵循“最小必要支持”原則和“支架漸退”策略。教育多智能體系統依據體認生成目標及歷史反饋進行反思性判斷，內置主體性熔斷機制，當系統檢測到學生正在進行有價值的試錯或探索時，會自動降低干預強度甚至撤回支持，留白給學生自主探索，以維護學習者的能動體驗與成就感。

四、

何以共生：構建能動協同的人智共生學習實踐生態

智能增強體認式學習理論和面向體認式學習的多智能體協同邏輯分別構成了“師—智—生”三元共生教學生態的“理論應然”和“技術使然”。在此基礎上，一個更深層次的詰問是，如何在“實踐實然”層面完成從理論創新、技術潛能到育人實踐的閉環？面向“師—智—生”三元共生教學的生態復雜性和實踐未知性，我們需要聚焦Agentic AI帶來的“主體能動性”這一根本挑戰，確立“機器能動性服務于人類能動性”的結構耦合關系，系統性構建以學習者主體能動性為底色的人智共生學習生態。這一構建工作既包括宏觀層面的生態系統架構設計，回答“共生環境如何搭建”的問題，也涵蓋微觀層面的實踐樣態設計，將智能增強體認式學習理論映射為具體教學流程，演繹人智協同在不同學習場景中的落地形態，回答“人智共生學習如何開展”的問題。

（一）人智共生學習生態的系統架構

從“師—生”二元主體到“師—智—生”三元主體的轉變，并非教學系統中要素的簡單拓展，而是教學生態在運行邏輯上的根本性重構（武法提 & 高姝睿, 2026）。傳統以教學資源配置和流程管理為核心的數字化校園模式，難以適配人智協同的教學生態。基于“經歷中心”的根本轉向以及Agentic AI能動性賦能，本研究從泛在基座層、智慧中樞層、場景融合層和主體共生層四個層級構建人智共生學習生態的系統架構（如圖2所示）。這四層通過物理空間的數字映射到認知空間的智能生成實現有機耦合，勾勒出“師—智—生”三元協同的運行機制。

圖2 人智共生學習生態的系統架構

1. 泛在基座層：全場景伴隨式感知底座

泛在基座層構建了人智共生學習生態的物理與數據基礎，為“經歷中心”的體認式學習提供連續、可追溯、可整合的體認數據來源。該層級融合“教、學、管、評、研”全場景和全要素，依托AI助教機、AI伴學機、掃描一體機、AI口袋伴學機及Pad學習終端等多樣化智能設備，構建起一張觸達課堂、家庭與社會實踐等教育場景的伴隨式感知網絡。除了收集作業完成與離散行為記錄等結果性數據外，泛在基座層要深入學習經歷生成的微觀現場，動態捕捉伴隨認知發生的多模態具身信號、多輪對話中的思維生成過程以及復雜協作中的社會性交互模式，將隱性、流動的“體驗流”轉化為可計算的體認狀態表征。基于統一的數據標準，泛在基座層通過對原始數據進行AI自動化數據匯聚與治理，為體認式學習設計與生成提供堅實的數據感知基礎。

2. 智慧中樞層：多引擎驅動的AI教育大腦

智慧中樞層是人智共生學習生態的認知與決策大腦，是一個多引擎協同驅動的“AI教育大腦”。它通過通用認知引擎、教育知識引擎與智能體框架引擎的協同運行，實現對復雜教育場景的深度理解、自主推理與動態規劃。其中，通用認知引擎以大語言模型和多模態生成模型為技術核心，承擔自然語言理解、邏輯語義推理、生成式資源供給等基礎認知任務，充當基礎智能底座，為上層應用提供海量通用知識與基礎認知能力。教育知識引擎依托學科知識庫、教學法知識庫、學情知識庫與教育領域知識模型，將教育學、心理學理論與領域知識結構化，確保系統的所有輸出與決策符合教學規律與學生發展規律，為AI教育大腦提供教育理性。智能體框架引擎基于Agentic AI理念構建，通過調度和管理多個具備特定功能的智能體，使其根據復雜目標進行規劃、協作與工具調用，共同完成綜合性教育任務。三大引擎并非孤立運作，通用認知引擎提供基礎能力，教育知識引擎賦予專業方向，智能體框架引擎則將這些能力轉化為具體的、可執行的行動方案，從而形成一個兼具通用智能、教育專業性與行動執行力的完整智慧中樞。

3. 場景融合層：業務流程的液化重構與精準服務

場景融合層是智慧中樞能力向真實教學情境轉化的關鍵接口，其核心在于通過“AI+功能融合”機制，推動融智教研、融智課堂、融智作業與融智評價等核心場景由局部智能輔助轉向貫通全流程的數智化運行。面向教師群體，數智教研員與教師個性化助手深度嵌入備課、授課與研討全鏈路的增強型協作伙伴。它們不僅能進行教學資源開發與教學設計優化，更能基于多模態數據開展深度的教學評一體化分析與教學科研指導，切實實現教師減負提質，助力教師專業資本的持續增值。面向學生群體，數智教師與學生個性化學伴構建了泛在的個性化支持系統。不同于傳統基于題庫的機械訓練，這些智能體被定義為學生的創造性伙伴。其運行基于嚴密的全人發展圖譜，即涵蓋了認知建構、行為習慣養成、心理健康監測及五育融合等多元維度。它們能夠在學習發生的當下，提供啟發式導學與自適應磨煉，通過即時追蹤與高階思維引導，確保支持策略的適切性。這種機制打破了傳統業務板塊的割裂，讓智能服務像流體一樣滲透進教育的每一個環節，實現了教育服務從標準化的知識傳授向全人發展的“精準滴灌”轉變。

4. 主體共生層：“師—智—生”三元的協同進化與價值閉環

主體共生層是人智共生學習生態實現育人價值回歸的終極場域，通過角色的重新定義與關系的動態重構，推動教師、學生與智能系統從工具性交互，升維為一個協同進化、雙向賦能的關系性交互。在這一共生系統中，智能體不再是外在于人的輔助工具，而是內嵌于師生認知與實踐過程中的認知伙伴與創造性參與者，與師生共同構成一個持續演化的價值創造網絡。教師作為“學習能動性設計者”，通過“管理—設計—開發”智能體，承擔學習經歷設計者、認知引導者與實踐體驗策劃者的角色。在管理層面，教師作為人機協同的指揮官，依據教學目標對多智能體進行角色配置與權限管理，并實時監控人機交互的倫理邊界，確保技術介入始終服務于學生的發展。在設計層面，教師利用智能體構建高保真的“體認場域”，設計有效失敗、認知沖突、動手創造等學習劇本，將淺層的知識獲取轉化為深層的體認經歷。在開發層面，教師通過自然語言提示工程與知識庫注入，將自身的教育理念和智慧物化為智能體的行為邏輯，切實引導學生在具身實踐中實現概念的深層建構與遷移。學生作為“主動參與者”，與智能體形成認知協作伙伴關系，通過“具身實踐—反思管理”的雙重閉環，實現從被動接受到主動建構的身份轉變。在實踐層面，學生在與智能體的深度共學、共思與共行中，將低階的信息檢索與記憶工作外包，從而聚焦于高階的意義協商與審辯式思維，在虛實融合的場域中開展生產性實踐，拓展具身經歷的廣度與深度。在管理層面，學生作為“學習進程的自我調節者”，根據自身實時的認知狀態，自主設定智能體的角色和定位，同時在動態交互中通過反饋指令實時調整智能體的介入策略，在駕馭技術的過程中確立“認識論主體性”，真正習得伴隨終身的自我調節學習能力。

（二）人智共生學習的實踐樣態

在智能增強體認式學習理論框架下，人智共生學習并非單一教學策略的疊加，而是圍繞學習者認知發生規律形成的綜合化實踐模型。在智能增強體認式學習理論指導下，本研究以體認式學習循環為內核，構建了由情境中學、思辨中學、做創中學與省思中學構成的四類學習樣態。其中，情境中學以具身體驗為起點，奠定學習的感知基礎；思辨中學通過人機協同的意義建構，推動概念理解的生成與深化；做創中學在虛實融合的實踐場域中實現技能內化與遷移應用；省思中學則通過數據支持的元認知調節，促進學習過程的內在化與可持續發展（Kostopoulos et al., 2025）。四種樣態并非線性替代關系，而是在具體教學中以螺旋方式交互運行，共同構成人智共生學習的實踐體系。

1. 情境中學：學生作為“具身親歷者”的人智共感

情境中學是人智共生學習中以具身體驗為起點的基礎學習樣態，其核心在于通過構建沉浸式、可交互的學習情境，引導學習者實現身心整合參與，從而破解傳統知識學習中認知“離身性”的困境。在這一樣態中，學生以明確的學習目標進入學習情境，通過觀察、選擇、嘗試與比較等行動不斷調整自身的探索路徑，由被動解讀文本轉變為在情境中主動生成經驗意義的“具身親歷者”。他們不再局限于課本的靜態描述，而是借助虛擬現實與智能體技術，主動涉入AI 生成的歷史現場、微觀細胞或宏觀宇宙，在多感官參與中形成對學習對象的直覺性理解。在此過程中，智能體作為“動態情境生成者”，在既定教學目標與規則約束下，將抽象知識符號轉化為可感知的具身情境，并基于學生的探索路徑與興趣反饋動態調節環境呈現方式，以提升學習體驗的針對性與教育指向。教師則轉型為“情境架構師”，負責設計整體敘事結構與任務錨點，并在關鍵節點實施體驗暫停與引導性提問，幫助學生將瞬時的感性體驗轉化為可分析的現象觀察，為后續的概念建構奠定感知基礎。

2. 思辨中學：學生作為“意義建構者”的人智共知

思辨中學是人智共生學習中促進概念深化與意義生成的生成性學習樣態，其核心在于通過“師—智—生”三元主體協同參與的分布式知識探究，突破個體認知局限，推動理解的生成與重構。在這一樣態中，學生圍繞核心問題持續提出假設、比較解釋路徑并修正原有觀點，通過對概念邊界與問題結構的反復澄清，逐步對知識形成深度理解。學生不再只是回應系統推送的信息，而是在與智能體、同伴及教師的多輪對話中，主動評估不同解釋的合理性，對自身思路進行監控與調整，由信息接收者轉變為對認知過程具備調控能力的“意義建構者”。智能體在此過程中化身為具備動態適應能力的“思維伙伴”，利用生成式人工智能的生成、診斷與對比能力，協助構建分布式認知網絡，并基于學習進程推送差異化的問題線索與解釋路徑，為學習者在最近發展區內的探索與理解提供持續支持。教師則升維為“深層認知激發者”，通過設計具有不確定性與多解空間的劣構問題和復雜情境，在人機協同的知識建構鏈條中嵌入關鍵的深度認知節點與反思機制，避免“思維同質化”與“算法舒適區”的風險，確保認知發展始終指向人的全面發展與核心素養的達成。

3. 做創中學：學生作為“具身實踐者”的人智共行

做創中學是人智共生學習中指向技能內化與遷移應用的實踐性學習樣態，其核心在于通過虛實無縫銜接的具身實踐場域，彌合概念理解與操作實踐之間的斷裂。在這一樣態中，學生作為“具身實踐者”，基于任務目標自主選擇操作策略，在多次試錯、反饋分析與方案調整中不斷優化行動路徑，將抽象概念逐步轉化為可遷移的實踐能力。學生通過對失敗原因的反思與操作效果的比較，學會在不同情境中靈活調整技能運用方式，在“練中學、做中學、創中學”的循環中實現實踐經驗的重組與提升。智能體在其中轉化為“智能陪練”，在虛擬實驗室、仿真工坊或模擬訓練系統中為學生提供低風險、高頻次、可重復的試錯空間，實時捕捉操作細節偏差，如代碼邏輯漏洞、實驗器材使用角度等，并提供即時反饋與示范，承擔技能形成早期階段大量依賴重復練習的支持性任務。教師則由“技能示范者”轉型為“實戰總教練”，將教學重心轉向真實情境任務的整體設計，有意識地引入干擾因素、突發情境與非標準變量等復雜問題，引導學生將虛擬空間中形成的規范操作遷移并重組為應對真實世界復雜情境的實踐智慧。

4. 省思中學：學生作為“能動調節者”的人智共慧

省思中學是人智共生學習中指向元認知監控與自我調節的反思性學習樣態，是學習過程走向內在化與可持續發展的關鍵環節。在這一樣態中，學生作為“能動調節者”，積極審視自己的學習經歷，基于學習數據主動分析自身在認知理解、時間管理與情緒狀態等方面的表現，并思考遇到的挑戰和解決方案，比較不同改進策略的實施效果并作出調整決策，逐步形成對學習過程的持續監控與自我調節能力（Dewey, 1933, p.135; Wang et al., 2025）。學生不再只是接受外部評價結果，而是將數據證據轉化為自我反思的資源，確立對學習節奏、目標與路徑的主動掌控。智能體在此承擔“雙重支架”角色，在理性層面，作為“反思鏡鑒”，提供學習行為的數據可視化、因果歸因分析與策略建議；在情感層面，作為“情緒腳手架”，識別挫敗、焦慮或倦怠等情緒信號，通過即時反饋、任務拆解與正向激勵，維護學生的自我效能感與學習投入度。教師則轉型為“成長咨詢顧問”，在解讀數據背后的發展意義與成長契機的基礎上，通過有溫度的對話與個別化引導，回應學生在動機、價值與身份認同層面的深層需求，幫助學生實現從技術驅動的外在他律向人格驅動的內在自律轉變。

五、

何以向善：回歸人本為核的人智共生治理立場

當Agentic AI具備了自主感知、規劃與行動的能力，它便不再僅僅是靜默的工具，而是作為行動者深度介入了“經歷生成”這一學習本體過程。這種介入在賦能“師—智—生”三元生態的同時，也引發了關于“育人初心何以安放”的拷問：當機器越來越主動規劃，學生是否會喪失“在迷茫中探索”的成長權利？當算法越來越追求最優解，學習是否會失去“試錯與頓悟”的獨特張力？因此，堅守教育初心，并非簡單的技術監管，而是要在人機共生的深層結構中，通過風險的本體性審視和治理的教育學嵌入，確保機器的“能動性”永遠服務于人的“主體性”生成。

（一）風險審視：警惕“能動性過載”下的主體性讓渡危機

Agentic AI的強大能動性若缺乏教育學視域的規約，極易構成對“育人初心”的反噬。這種風險不再局限于數據隱私等表層倫理，而是在本體論層面威脅著“何以為學”的根基。

首先是“認知外包”可能導致的經歷空心化風險。智能增強體認式學習理論強調學習的本質并非對信息的占有，而是學習者在具體情境中通過身體參與、認知投入與反思調節所完成的“經歷生成”。當Agentic AI以“外部認知系統”的形態持續介入學習過程，并進一步接管了記憶與信息檢索、學習目標與策略選擇、元認知監控乃至創造性思維等高階認知活動時，學生的學習便可能從“親歷式構建”滑向“代理式完成”，導致內在的體認回路被架空。若學生長期將批判性思考、元認知監控等核心能力“外包”給算法，其在面對復雜、模糊且無AI輔助的真實情境時，將喪失獨立進行意義協商與判斷的能力。長此以往，智能增強體認式學習理論所倡導的具身認知將退化為一種“離身的數據交互”，學習將面臨“有結果而無過程，有知識而無智慧”的空心化困境。

其次是“算法父愛主義”引發的發展同質化危機。所謂算法父愛主義，是指智能體以“為學習者更高效、更成功”為名，基于概率最優與效率優先的邏輯，對學習路徑、資源選擇與行為決策實施持續性、隱蔽性的引導與規訓。正如教育哲學家格特?比斯塔（Biesta, G. J. J.）所強調的，教育的價值并不在于標準化產出，而在于主體性被喚醒的過程（Biesta, 2015, p.87）。若智能體傾向于不斷篩選和強化那些“成功率更高”的內容與任務序列，并通過持續推薦形成路徑依賴，使學生在不知不覺中失去繞行、停頓與試錯的權利，個體差異被“最優解”邏輯壓平為同質化的成長軌跡。更為隱蔽的是，當教師也逐步依賴算法生成學習方案、評價診斷與教學決策時，教學實踐的創造性張力將被削弱，教育現場可能從“師生共同生成的開放情境”退化為“算法可控的流程化生產”。教育將面臨從“喚醒主體”轉向“馴化適配”的價值偏移，進而構成對立德樹人根本任務的侵蝕。

再次是“擬態親密”引發的社會性脫鉤風險。Agentic AI能夠提供全時在線且高度共情的交互體驗，但這本質上是一種擬態親密關系。相關研究表明，當學習者長期將情感支持與交流主要寄托于可預測、低沖突的人機互動時，可能在真實社會情境中產生回避復雜人際關系的傾向（Katsenou et al., 2025）。若學生逐漸習慣于與高度順從的AI互動，現實中師生之間、生生之間那種包含磨合、協商與情感共鳴的深度社會聯結將被削弱。由此，教育場域可能從本應促進共同成長的學習共同體，異化為個體被技術中介分隔的“人機孤島”，進而削弱學校教育在社會情感學習與立德樹人方面的基礎功能。

最后是“認識論封裝”帶來的批判性思維鈍化。Agentic AI強大的推理與生成能力，往往將復雜的知識生產過程折疊為直接的輸出結果，形成認識論封裝。為了追求交互效率，智能體傾向于提供去語境化的標準答案，而隱匿了知識探索過程中必要的多元觀點與試錯路徑。我國《生成式人工智能服務管理暫行辦法》明確強調了“生成內容的真實性與可靠性”（國家互聯網信息辦公室 等, 2023），但在實際應用中，學生若將算法生成的概率性內容誤認為是絕對真理，將喪失對知識來源的認知警覺。這種“真理的黑箱化”會導致學生批判性思維的鈍化，使其被困在由算法編織的信息繭房中，難以觸及真實世界復雜問題的本質。

（二）治理體系：構建教育邏輯嵌入的可信、可控、可釋治理機制

面對上述本體性危機，若仍將治理理解為外部法律法規約束與事后追責的“邊界式監管”，最多只能為技術應用劃定風險底線，卻難以回應Agentic AI深度介入“經歷生成”過程帶來的主體性讓渡問題。真正能夠支撐技術向善的路徑在于，將“以學生能動性激活為底色”這一育人歸旨，轉化為系統可執行的底層設計，前置性、結構化地嵌入Agentic AI的治理框架與系統設計之中。該機制并非單純追求技術合規，而是要在教育場域內同時實現三重治理要求：其一，技術介入在價值上可信，不違背育人邏輯；其二，在權力上可控，不侵蝕師生主體地位；其三，在過程上可釋，不制造認知黑箱，從而將機器能動性持續導向對學習者主體能動性的激發與生成，而非替代與剝奪。

首先，在價值對齊層面，治理的關鍵不是設立外部意義上的“安全護欄”，而是形成面向學習發生機制的“教育性克制”，以奠定人智共生的價值可信性基礎。在教育情境中，智能體的“可信”并不等同于輸出內容的正確性，更在于其是否能夠遵循學習科學的基本規律，在關鍵學習節點主動讓位于學生的認知建構與反思生成。為此，需要在算法底層植入基于體認式學習的教學倫理規約，通過指令約束與策略調度實現支架原則的規則化表達。當系統識別學習者處于最近發展區時，應限制智能體直接生成終結性答案，轉向啟發式追問、分步提示或提供可供比較的多元思路框架，以確保學生仍然在認知摩擦中完成意義協商與概念建構（Kostopoulos et al., 2025）。與此同時，在價值判斷、情感體驗或創造性實踐等必須由個體親歷生成的環節，系統更應嵌入“必要留白”的機制，通過主動退場、延遲反饋或降低確定性輸出等方式，促使學習者進入適度的認知掙扎與自我調節狀態。由此形成的并非“性能降低”，而是一種面向育人目標的“刻意不替代”，其本質是對學生學習權利與經歷生成空間的保護，使智能體在價值上始終保持對育人初心的對齊與可信。

其次，在權力結構層面，治理需要從“人機回環”的表層約束轉向“主體能動性配置”的深層建構，以確立人智共生系統的結構可控性。這里的“可控”并不等同于教師對機器的單向壓制，而在于通過權限配置與策略漸退，使智能體成為學習者獲得自控能力的橋梁而非拐杖。具體而言，一方面，應確立教師的“元規則定義權”。教師不僅擁有對智能體建議的解釋權和否決權，更應擁有對其行為邏輯的終極設定權，能夠界定何種任務需要“有效失敗”、何種情境適宜“刻意延遲反饋”、何種環節必須保留開放探究空間，從而避免算法優化目標偏離育人目標并引發權力異化（Williams, 2025）。另一方面，應面向不同發展階段的學生實施動態權限沙箱機制。對于低齡或自律能力尚弱的學習者，系統需限制智能體的代償功能與自主規劃強度。隨著學生元認知水平與自我調節能力提升，逐步開放工具調用與策略協同權限（Lai et al., 2025）。通過這種動態授權過程，機器能動性被嵌入學生主體能力發展的節律之中，既保障教師的專業主導權，也確保學生最終能夠接管學習控制權，從而實現技術介入的可控與可退。

最后，在過程機制層面，治理應從服務審計的“算法解釋”進一步深化為“元認知鏡像”，以實現學習過程的可釋性與認識論安全。相較于一般場景對可解釋性的技術訴求，教育場域更需要一種能夠促進學習者認識論自覺的透明機制，使智能體的推理鏈條、證據依據與策略權衡轉化為學習者可感知、可反思、可校準的認知資源（Zhang, 2025）。因此，系統應盡量避免端到端的黑箱式輸出，而要求智能體在作出資源推薦、路徑規劃或學習診斷時，同步呈現其關鍵推理依據，例如明確說明“該建議基于何種學情證據”“旨在促進何種能力發展”“為何采用此策略而非替代方案”等等。這種推理過程的顯性化不僅便于教師實施實時教學調控與倫理審視，也能為學生提供反思AI判斷的認知支架，使其在持續的自我驗證與校準中形成必要的認識論警覺，避免將算法輸出誤認作絕對真理。由此，人智交互不再只是獲取答案的快捷通道，而成為促進算法素養、批判性思維與自我調節能力生長的教育契機，使學習者在“理解AI、審視AI、駕馭AI”的過程中實現主體性的再確立。

六、

結語

從GAI向Agentic AI的跨越，不僅是人工智能的一次范式迭代，更牽引著教育領域的一場本體論震蕩。當機器不再僅僅是靜默的知識容器，而是進化為具備自主感知、規劃與行動能力的“準主體”時，傳統的“師—生”二元結構不可避免地向“師—智—生”三元共生形態演進。面對這一歷史性的技術圖景，本研究嘗試通過“智能增強體認式學習”的理論建構與“人智共生學習生態”的方案設想，從學理層面回應了智能時代“何以為學、何以育人”的根本之問。作為一種前瞻性的理論構想，本研究構建的人智共生學習生態在從“應然”走向“實然”的過程中，仍面臨諸多現實挑戰。Agentic AI技術的成熟度與穩定性、教育基礎設施的適配性，以及師生人機協同素養的轉型，均是決定這一新范式能否落地的關鍵變量。此外，如何在長周期的教育實踐中驗證智能增強體認式學習理論的有效性，如何建立更精細化的倫理熔斷機制等，仍需后續研究通過實證數據進一步檢驗與完善。

參考文獻

顧小清. （2026）. 邁向人智共生的新學習生態. 中國信息技術教育（1）, 8.

顧小清, 劉婧韡, & 尹歡歡（2026）. 何以學習者為中心：數智時代重新理解學習. 電化教育研究, 1-10. https://doi.org/10.13811/j.cnki.eer.2026.05.004

國家互聯網信息辦公室, 中華人民共和國國家發展和改革委員會, 中華人民共和國教育部, 中華人民共和國科學技術部, 中華人民共和國工業和信息化部, 中華人民共和國公安部, & 國家廣播電視總局.（2023-7-13）. 生成式人工智能服務管理暫行辦法. 中央網絡安全和信息化委員會辦公室網站. https://www.cac.gov.cn/2023-07/13/c_1690898327029107.htm

黃兆康, 周銳楷, 張海, & 郝天永. （2025）. 群智協作：大語言模型驅動下的多智能體協同. 科學（5）, 29-34, 69.

武法提, & 高姝睿. （2026）. 智能時代的課堂教學范式轉變：人智共融的結構與樣態. 電化教育研究（1）, 75-83.

Abou Ali, M., Dornaika, F., & Charafeddine, J. (2025). Agentic AI: A comprehensive survey of architectures, applications, and future directions. Artificial Intelligence Review, 59(1), 11.

Acharya, D. B., Kuppan, K., & Divya, B. (2025). Agentic AI: Autonomous intelligence for complex goals—a comprehensive survey. IEEE Access, 13, 18912-18936.

Artsin, M., & Bozkurt, A. (2026). Dreams, distortions, and disruptions: Deconstructing the educational promises of Agentic AI. In A. Bozkurt (Ed.), Rethinking education and agency in the age of human-generative AI interaction (pp. 1-18). IGI Global Scientific Publishing.

Bandi, A., Kongari, B., Naguru, R., Pasnoor, S., & Vilipala, S. V. (2025). The rise of Agentic AI: A review of definitions, frameworks, architectures, applications, evaluation metrics, and challenges. Future Internet, 17(9), 404.

Biesta, G. J. J. (2015). Good education in an age of measurement: Ethics, politics, democracy. Routledge.

Borghoff, U. M., Bottoni, P., & Pareschi, R. (2025). Human-artificial interaction in the age of Agentic AI: A system-theoretical approach. Frontiers in Human Dynamics, 7, 1579166.

Cheng, S. C., Hwang, G. J., & Chen, C. H. (2019). From reflective observation to active learning: A mobile experiential learning approach for environmental science education. British Journal of Educational Technology, 50(5), 2251-2270.

Crogman, H. T., Cano, V. D., Pacheco, E., Sonawane, R. B., & Boroon, R. (2025). Virtual reality, augmented reality, and mixed reality in experiential learning: Transforming educational paradigms. Education Sciences, 15(3), 303.

Dewey, J. (1933). How we think. D. C. Heath & Co., Publishers.

Dewey, J. (1986). Experience and education. The Educational Forum, 50(3), 241-252.

Dwivedi, Y. K., Helal, M. Y. I., Elgendy, I. A., Alahmad, R., Walton, P., Suh, A., Singh, V., & Jeon, I. (2026). Agentic AI systems: What it is and isn’t. Global Business and Organizational Excellence, 45(3), 253-263.

Fonseca, B. A., & Chi, M. T. H. (2011). Instruction based on self-explanation. In R. E. Mayer, & P. A. Alexander (Eds.), Handbook of research on learning and instruction (pp. 310-335). Routledge.

Ghallab, M., Nau, D., & Traverso, P. (2016). Automated planning and acting. Cambridge University Press.

Hosseini, S., & Seilani, H. (2025). The role of Agentic AI in shaping a smart future: A systematic review. Array, 26, 100399.

Huang, L. F., Koutra, D., Kulkarni, A., Prioleau, T., Wu, Q. Y., Yan, Y. J., Yang, Y. Q., Zou, J., & Zhou, D. W. (2025). Towards Agentic AI for science: Hypothesis generation, comprehension, quantification, and validation. In G. Long, & M. Blumestein (Eds.), Companion proceedings of the ACM on web conference 2025 (pp. 1639-1642). Association for Computing Machinery.

Jiang, F. B., Pan, C. H., Dong, L., Wang, K. Z., Dobre, O. A., & Debbah, M. (2025). From large AI models to Agentic AI: A tutorial on future intelligent communications. arXiv preprint arXiv:2505.22311.

Kamalov, F., Santandreu Calonge, D., Smail, L., Azizov, D., Thadani, D. R., Kwong, T., & Atif, A. (2025). Evolution of AI in education: Agentic Workflows. arXiv preprint arXiv:2504.20082.

Katsenou, R., Kotsidis, K., Papadopoulou, A., Anastasiadis, P., & Deliyannis, I. (2025). Beyond assistance: Embracing AI as a collaborative Co-Agent in education. Education Sciences, 15(8), 1006.

Khosravi, H., Shum, S. B., Chen, G. L., Conati, C., Tsai, Y. S., Kay, J., Knight, S., Martinez-Maldonado, R., Sadiq, S. & Ga?evi?, D. (2022). Explainable artificial intelligence in education. Computers and education: artificial intelligence, 3, 100074.

Kolb, D. A. (1984). Experiential learning: Experience as the source of learning and development. Prentice-Hall.

Kolb, D. A. (2014). Experiential learning: Experience as the source of learning and development (2nd ed.). Pearson FT press.

Kostopoulos, G., Gkamas, V., Rigou, M., & Kotsiantis, S. (2025). Agentic AI in education: State of the art and future directions. IEEE Access, 13, 177467-177491.

Lai, J. W., Qiu, W., & Lim, F. S. (2025). From insights to impact: An agentic learning intelligence framework for Student-Centred success. In A. I. Cristea, E. Walker, Y. Lu, O. C. Santos, & S. Isotani (Eds.), International conference on artificial intelligence in education (pp. 109-118). Springer, Cham.

Mollick, E., Mollick, L., Bach, N., Ciccarelli, L. J., Przystanski, B., & Ravipinto, D. (2024). AI agents and education: Simulated practice at scale. arXiv preprint arXiv:2407.12796.

Murugesan, S. (2025). The rise of Agentic AI: Implications, concerns, and the path forward. IEEE Intelligent Systems, 40(2), 8-14.

Panguraj, A. R. R. (2025). Agentic AI in inclusive learning: A framework for autonomous personalization across diverse learner populations. International Journal of Emerging Research in Engineering and Technology, 25, 100-110.

Passarelli, A. M., & Kolb, D. A. (2023). Using experiential learning theory to promote student learning and development in programs of education abroad. In M. V. Berg, R. M. Paige, & K. Hemming (Eds.), Student learning abroad (pp. 137-161). Routledge.

Salinas-Navarro, D. E., Vilalta-Perdomo, E., Michel-Villarreal, R., & Montesinos, L. (2024). Designing experiential learning activities with generative artificial intelligence tools for authentic assessment. Interactive Technology and Smart Education, 21(4), 708-734.

Sapkota, R., Roumeliotis, K. I., & Karkee, M. (2025). AI agents vs. Agentic AI: A conceptual taxonomy, applications and challenges. arXiv preprint arXiv:2505.10468.

Shavit, Y., Agarwal, S., Brundage, M., Adler, S., O’Keefe, C., Campbell, R., Lee, T., Mishkin, P., Eloundou, T., Hickey, A., Slama, K., Ahmad, L., McMillan, P., Vallone, A., Passos, A., & Robinson, D. G. (2023, December 14). Practices for governing Agentic AI systems. OpenAI. https://openai.com/index/practices-for-governing-agentic-ai-systems/

Sibai, N., Ahmed, Y., Sibaee, S., AlHalawani, S., Ammar, A., & Boulila, W. (2026, January 6). The path ahead for Agentic AI: Challenges and opportunities. arXiv. https://doi.org/10.48550/ARXIV.2601.02749

Sun, R., & Deng, X. F. (2025). Using Generative AI to enhance experiential learning: An exploratory study of ChatGPT use by university students. Journal of Information Systems Education, 36(1), 53-64.

Wang, W. S., Lin, C. J., Lee, H. Y., Huang, Y. M., & Wu, T. T. (2025). Integrating feedback mechanisms and ChatGPT for VR-based experiential learning: Impacts on reflective thinking and AIoT physical hands-on tasks. Interactive Learning Environments, 33(2), 1770-1787.

Williams, P. (2025). Human-AI learning: Architecture of a Human-AgenticAI learning system. Information, 16(12), 1101.

Yan, L. X. (2025). From passive tool to socio-cognitive teammate: A conceptual framework for Agentic AI in Human-AI collaborative learning. arXiv preprint arXiv:2508.14825.

Zhang, R. B. (2025). Multi-Agent systems for learning assessment in education: A comprehensive survey. In J. Cai (Ed.), Proceedings of the 2025 3rd international conference on educational knowledge and informatization (pp. 388-391). Association for Computing Machinery.

The “Teacher-AI-Student” Triadic Educational Ecosystem: How to Uphold the Original Intention of Education?

Gu Xiaoqing, Yin Huanhuan

Abstract:Artificial intelligence is undergoing an ontological leap from Generative AI to Agentic AI, marking a shift in technology’s role from a “passive tool” to a “quasi-subject” with perception, planning, and action capabilities. This evolution accelerates the transformation of the educational ecosystem from a “teacher-student” binary structure to a “teacher-AI-student” triadic co-existence paradigm. While this shift empowers education, it also poses a potential crisis of undermining students’ agency due to the overload of AI’s proactive intelligence, threatening the core educational mission. To address this challenge, this study takes the team’s Intelligent Augmented Embodied Learning Theory as a logical starting point, establishing a paradigm shift from “knowledge transmission” to “experience generation” and constructing a supporting framework encompassing technological innovation, practical application ecosystems, and ethical governance mechanisms. At the technological level, the study clarifies the evolution from GAI to Agentic AI in educational contexts, analyzes the mechanisms through which Agentic AI facilitates embodied learning, and proposes a multi-agent coordination logic under Agentic AI architectures to establish a “technology-driven” closed loop for intelligent augmentation. At the practical level, a four-layer system architecture for a human-AI co-learning ecosystem is constructed, and four experiential learning modalities, learning in context, learning through inquiry, learning through creation, and learning through reflection, are proposed to demonstrate how teachers, AI, and students coordinate agency in concrete scenarios. Finally, to address ontological risks such as cognitive outsourcing, algorithmic paternalism, simulated intimacy, and epistemic encapsulation, the study proposes trustworthy, controllable, and explainable governance mechanisms embedded in educational logic, employing educational restraint, agency allocation, and meta-cognitive mirroring to ensure that technological intelligence consistently activates rather than replaces students’ agency.

Keywords:Agentic AI in education; human-AI Co-learning ecosystem; Intelligent Augmented Embodied Learning Theory; educational multi-agents

作者簡介

顧小清，華東師范大學教育學部教授（通訊作者：xqgu@ses.ecnu.edu.cn 上海 200062）。

尹歡歡，華東師范大學教育學部博士研究生（上海 200062）。

責任編輯：單玲 陳鳳英

期刊簡介

《中國遠程教育》創刊于1981年，是教育部主管、國家開放大學主辦的綜合性教育理論學術期刊，名列中文社會科學引文索引（CSSCI） 來源期刊、全國中文核心期刊、中國人文社會科學期刊AMI綜合評價（A刊） 核心期刊、中國科學評價研究中心（RCCSE） 權威期刊、中國期刊方陣雙效期刊、人大復印報刊資料轉載率最高期刊，面向國內外公開發行。

本刊關注重大教育理論與政策，推動科技賦能教育，反映國際學術前沿，聚焦本土教育改革，注重學術研究規范，提倡教育原創研究。

地址

北京市海淀區西四環中路45號

郵編

電話

010-68182514

電郵

zzs@ouchn.edu.cn

網址

cjde.ouchn.edu.cn

來源丨中國遠程教育微刊

聲明：轉載此文是出于傳遞更多信息之目的。若有來源標注錯誤或侵犯了您的合法權益，請作者持權屬證明與我們聯系，我們將及時更正、刪除，謝謝。