高频电子线路 · 示范课程AI 教学智能体：
AI 教学智能体：
让 AI 追问，而不是代答
面向学生、教师与评审的教学网站。学生在真实行业情境的任务中与 AI 协同学习，教师看到完整的学习过程，AI 基于每个学生的档案、任务、教师备注与历史对话提供个性化辅导。
AI 每次回复时看到的上下文
- 学生档案 — 学习方向、基础、自定目标、兴趣、学习偏好
- 当前任务 — 行业情境、目标、问题链、提交要求、rubric、教师给 AI 的提示
- 教师备注 — 教师针对该学生 / 该任务的辅导要求，最高优先级
- 近期对话与会话摘要 — 延续上次的困难点与误区，不重复已掌握内容
- 学习轨迹 — 打开 / 开始 / 提问 / 提交 / 反思 / 完成等事件与任务进度
模型 API Key 只存在服务端；对话、事件、进度、反思与教师备注全部持久化在 PocketBase。
课程教学设计
课程 → 单元 → 任务三层结构，每个任务自带行业情境、学习目标、问题链、提交要求与评价量规，全部可在后台维护、在 Git 中版本化。
任务驱动学习
学生从真实产品问题出发，沿问题链逐步推进：提出假设、寻找证据、比较方案、提交成果、记录反思。
人机协同
AI 教学助手不代替学生完成任务，而是追问假设、证据、取舍与不确定性，并给出下一步可执行动作；教师备注优先于 AI 默认策略。
工程判断力
评价量规与 AI 追问都围绕“判断”而非“答案”：能否说清前提、量化代价、设计验证、诚实表达不确定。
一次学习任务是怎样进行的
- STEP 1打开任务阅读行业情境、目标、材料与问题链
- STEP 2开始并提问把自己的想法写给 AI，AI 追问假设与证据
- STEP 3推进与验证按“下一步可执行动作”估算、查手册、仿真
- STEP 4提交成果按提交要求与 rubric 整理结论与验证计划
- STEP 5反思与摘要记录收获与困难；AI 生成学习摘要供师生回顾
评审 / 演示
使用演示账号体验三种角色。密码统一为 Demo1234!
- 学生：wang@demo.edu（基础薄弱）/ li@demo.edu（中等）/ zhang@demo.edu（较强）
- 教师：teacher@demo.edu 管理员：admin@demo.edu