人工智能导论-技术、应用及伦理 理论教案 倪波 第3、4章 低代码开发智能体、机器学习

人工智能通识课教学设计课程名称：人工智能通识课授课年级：大二各年级授课学期：2026-2027学年第1学期教师姓名：任课教师专业类别：理工科（非计算机类）上课地点：多媒体教室总学时：48学时（理论16+实验32）使用教材：人工智能导论日期：2026年09月教案正文课题名称第3章低代码开发智能体计划学时3学时内容分析本章旨在引导学生从"AI使用者"向"AI开发者"转变。

内容涵盖智能体的定义与三大核心特征、五大核心模块（感知/决策/行动/记忆/反馈）、

五类智能体分类（按自主能力递进）、"感知-决策-行动-反馈"闭环工作原理、

六大主流低代码平台对比分析，以及Coze（扣子）平台"五步法"实战（创建→提示词→技能→调试→发布）。

通过本章学习，学生将感受"人人皆可开发AI应用"的魅力。思政融入通过低代码开发的普惠性，激发学生"技术服务生活、创新源于实践"的意识；

通过展示我国自主低代码平台（Coze/文心智能体等）的生态优势，增强民族科技自信；

通过数据安全与隐私保护的讨论，强化"安全开发、合理用数"的数据伦理意识。一、教学目标及基本要求【知识目标】·理解智能体的定义、核心构成（感知/决策/行动/记忆/反馈五大模块）与"感知-决策-行动-反馈"闭环逻辑；·清晰区分智能体与生成式大模型的核心差异，熟悉五类智能体（按自主能力）的分类体系；·掌握Coze（扣子）平台的基础操作与"五步法"智能体搭建流程。【能力目标】·能够运用智能体构成与闭环逻辑，辨析不同类型智能体的能力边界与运行特点；·能够使用Coze平台完成智能体的创建、提示词编写、技能添加、调试与发布的全流程操作；·具备场景化设计能力，能针对学习与生活需求（如文档整理、有声单词卡）设计实用智能体功能。【素养目标】·树立"技术服务生活、创新源于实践"的理念，通过低代码开发感受AI技术的普惠价值；·强化"安全开发、合理用数"的数据伦理意识，明确智能体开发中隐私保护与数据合规的重要性；·确立正确的技术工具观，认识到低代码智能体是"学习与生活的增效器"而非依赖对象。二、教学重点、难点与教学方式教学重点1.智能体的五大核心模块及其协同工作机制；

2.智能体"感知-决策-行动-反馈"闭环逻辑；

3.Coze平台"五步法"（创建→提示词→技能→调试→发布）搭建流程；

4.低代码开发的优势与适用场景。教学难点1.智能体与生成式大模型的本质区别（可执行动作vs仅文本输出）；

2.五类智能体（按自主能力）的层次递进关系；

3.如何引导学生从"照搬教程"到"独立设计"自己的智能体。教学方式教师课堂讲授与Coze平台实操演示相结合，学生同步操作；

通过"旅行规划智能体"等生活化案例讲解闭环逻辑；

安排课堂实践环节：学生独立完成一个简单智能体的搭建与调试。三、教学过程第一课时（智能体的定义、构成与分类）1.创设情境，导入新课(1)教师提问："你们用过小爱同学吗？知道送餐机器人怎么避开障碍物吗？"引出智能体概念。(2)展示案例：旅行规划智能体——用户只需说"12月12-15号去北京玩"，智能体自动查天气、筛景点、排行程。(3)明确学习目标：理解智能体"是什么""由什么构成""有哪些分类"。2.进行重点知识的讲解（1）智能体的定义与三大核心特征定义：智能体（Agent）是能通过传感器感知环境、经决策系统自主规划行动路径、借助执行器采取行动、最终达成目标的自治实体。类比：智能体=智能管家——能"听"需求、"想"方案、"动手"完成、能"记住"偏好、"改进"问题。三大核心特征：①目标驱动（非指令驱动）——你只需说"我要去北京玩3天，预算5000元"，智能体自主规划全部环节；②自主决策与规划——能拆解复杂任务为子任务并规划顺序；③可进化的自适应——通过反馈持续优化，越用越智能。智能体vs大模型关键差异：智能体=多模态感知+可执行动作+长期记忆+任务完成率评价；大模型=纯文本输入+仅输出文本/代码+仅窗口内上下文+困惑度评价。（2）智能体的五大核心模块模块类比功能说明实例感知模块五官接收并解析外部信息（文字/PDF/图片/音频）OCR插件解析扫描PDF、语音识别转文字决策模块大脑核心任务拆解与逻辑推理，最关键的"智商"模块将"北京三日游"拆成查天气→选景点→订住宿行动模块手脚把决策落地——调用插件/API/设备控制调用天气插件、发邮件通知、控制机器人移动记忆模块记事本短期记忆（当前对话上下文）+长期记忆（用户偏好）记住"预算5000元""不喜欢辛辣食物"反馈模块成长引擎评估结果并优化策略，让智能体持续进化"行程太赶"→下次增加休息时间（3）智能体的分类（按自主能力——最核心维度）简单反射智能体：最基础的"条件反射"型，无记忆。例：考勤系统刷工牌即开门。基于模型的反射智能体：有基础记忆，能关联上下文。例：先说"订单号123456"，后说"查进度"，自动定位该订单。目标导向智能体：有明确目标，能自主规划任务——低代码开发最常用类型。例：输入"月底前完成新品推广"，自主规划社群发券+海报+短视频。基于效用的智能体：不仅达成目标，还追求"最优解"。例：物流调度平衡"成本最低+时效最快+利用率最高"。学习型智能体：通过数据持续进化。例：推荐系统根据你的点击记录不断优化推荐。3.归纳总结，布置课后作业(1)课堂小结：智能体定义→五大模块→五类分类（按自主能力递进）。(2)随堂练习：请举例说明你身边的一个智能体，并分析它属于哪一分类、具备哪些模块功能。(3)课后作业：阅读教材3.1-3.2节，完成思考题；预习3.3节Coze平台介绍。第二课时（闭环逻辑与低代码平台）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：智能体五大模块、五类分类。(2)教师引言："知道了智能体是什么，那它到底怎么工作的？怎么不用写代码就能搭建一个？"2.进行重点知识的讲解（1）感知-决策-行动-反馈闭环逻辑以"处理长篇文档"为例：感知（读取文档内容）→决策（分析提炼主题与关键数据）→行动（生成规范摘要）→反馈（核对信息完整性并修正疏漏）。智能体用技术将这一流程自动化。两大开发路线：①基于框架开发（LangGraph/LangChain）——需编程基础，灵活性极高，适合计算机专业；②低代码开发——可视化拖拽+组件配置，开发周期短至数天/数小时，适合非计算机专业。（2）主流低代码平台对比平台核心能力生态与优势适合场景字节Coze（扣子）可视化拖拽、60+插件、多智能体协作中文生态完善、新手友好、对接微信/抖音/飞书新手入门、办公/学习场景推荐首选百度文心智能体知识图谱+RAG融合、企业级安全合规贯通文心一言生态、知识整合能力强医疗/法律/教育等知识密集型场景华为云Versatile极简开发、多框架兼容适配国产化算力、工业/政务经验丰富工业、政务等国产化需求OpenAIGPTs依托GPT-4o、自然语言创建全球生态完善、大模型能力领先通用场景、面向全球用户MicrosoftCopilot深度集成Microsoft365对接Excel/Outlook/Teams依赖微软生态的企业办公（3）Coze平台特色零代码门槛：拖拽式工作流、表单化配置，10分钟搭建基础智能体。插件生态丰富：60余种内置插件（链接读取/OCR识别/文件读取/语音合成等），调用成功率100%。知识管理便捷：支持多格式文件上传与URL爬取，自动文本拆分与语义索引。多渠道部署：支持发布至微信/抖音/飞书/Coze商店/API集成至自有系统。3.归纳总结，布置课后作业(1)课堂小结：闭环逻辑→两大开发路线→主流平台对比→Coze为何是新手首选。(2)随堂练习：若你想开发一个"课程疑难解答智能体"，请画出它的闭环流程图，说明每个阶段需要什么模块/插件。(3)课后作业：注册Coze账号（），浏览插件商店和模板库，思考你想搭建的第一个智能体的功能；预习3.4节Coze五步法。第三课时（Coze五步法实战）1.回顾上节课内容，明确本节课学习目标(1)教师检查学生Coze注册情况，解答注册中遇到的问题。(2)明确本节课目标：跟着老师一步步完成一个智能体的搭建，掌握Coze"五步法"。2.进行重点知识的讲解（课堂同步实操）步骤一：创建智能体（基础初始化）登录Coze国内版→导航栏"扣子编程"→新建项目→选择"智能体开发"模式。填写智能体名称（如"有声单词卡"）和功能介绍，AI自动匹配头像。步骤二：编写提示词（定义核心逻辑）明确三点：①身份（如"小学生英语学习助手"）；②语言风格（如"活泼亲切、简单易懂"）；③功能范围（如"仅围绕英语单词生成例句/发音/图片，不回答无关问题"）。可使用"自动优化提示词"按钮获得结构化内容。步骤三：添加技能（拓展能力边界）插件集成：在"技能"面板→"插件"→插件商店搜索目标插件（如"头条搜索""语音合成""OCR识别"）→添加。知识库：上传文档（PDF/Word）或输入URL→平台自动解析并构建语义索引。新手可用"AI自动添加插件"快速配置。步骤四：调试智能体（验证功能效果）在右侧"预览与调试"面板模拟用户实际使用，输入测试指令。观察回复速度、功能执行情况，出现偏离则返回调整配置。步骤五：发布智能体（落地使用场景）调试无误→单击"发布"→填写发布记录（V1.0版本功能说明）→选择发布渠道（Coze商店/微信/抖音/飞书/API）。实战案例：以"有声单词卡智能体"为例完整演示五步法需求：输入英文单词，自动生成含释义、例句、发音和配图的单词卡。步骤：创建→编写提示词（小学生英语学习助手身份+活泼风格+仅英语单词功能）→添加语音合成插件+知识库→调试（输入"elephant""apple"验证）→发布。3.归纳总结，布置课后作业(1)课堂小结：Coze五步法（创建→提示词→技能→调试→发布），核心是"拖组件、配规则、发应用"。(2)随堂练习：请尝试修改你的智能体提示词，看看回复风格有何变化。(3)课后作业：独立完成一个智能体的搭建与发布（如"课程表提醒智能体""学习笔记整理智能体""校园问答智能体"），需提交智能体名称、功能介绍和至少2张运行截图。(4)预习下一章：第4章机器学习。四、教学反思（课后填写）教学效果自评达成预期目标基本达成需改进（请说明：）学生反馈亮点改进措施人工智能通识课教学设计课程名称：人工智能通识课授课年级：大二各年级授课学期：2026-2027学年第1学期教师姓名：任课教师专业类别：理工科（非计算机类）上课地点：多媒体教室总学时：48学时（理论16+实验32）使用教材：人工智能导论日期：2026年09月教案正文课题名称第4章机器学习计划学时4学时内容分析本章是理论与实验的"分水岭"，系统讲解机器学习的核心概念与经典算法。

内容涵盖ML基本定义与核心思想、三范式分类（有监督/无监督/强化学习）、

数据集三部分划分与参数/超参数辨析、线性回归五步法（房价预测案例）、

逻辑回归与Sigmoid函数（助学贷款案例）、决策树与信息增益（水果识别案例）、

K-Means聚类（外星人水果市场案例）、PCA降维、Q-Learning强化学习（飞船驾驶案例）、

模型评估（过拟合/欠拟合/混淆矩阵/交叉验证），以及GAN生成对抗网络。

全章以"外星人学AI"叙事串联，将抽象算法具象化为生活案例。思政融入通过"数据驱动"的思维方式，培养学生从数据中发现规律的科学研究素养；

通过模型评估的严谨性要求，引导学生树立"好的模型必须经得起检验"的科学态度；

通过GAN等前沿应用的展示，激发对AI技术边界的探索精神与创新意识。一、教学目标及基本要求【知识目标】·理解机器学习的基本定义与核心思想——"让计算机从数据中自动发现规律"；·掌握有监督学习、无监督学习、强化学习三大范式的本质区别与典型应用场景；·理解数据集三部分划分（训练集/验证集/测试集）的意义，以及参数与超参数的本质区别；·熟悉线性回归、逻辑回归、决策树、K-Means聚类等经典算法的基本原理。【能力目标】·能够根据具体任务（分类/回归/聚类）选择合适的机器学习算法并说明选型理由；·能够理解模型评估的基本流程（交叉验证、混淆矩阵、精确率/召回率/F1分数），判断过拟合与欠拟合；·具备初步的算法实现能力，能使用sklearn库完成经典的线性回归和分类实验。【素养目标】·培养"数据驱动"的科学思维，理解机器学习如何从数据中挖掘规律；·通过模型评估的学习，树立严谨求实的科学态度——好的模型不是"看起来好"，而是"经得起检验"；·通过GAN（生成对抗网络）等前沿应用，激发对AI技术边界的探索兴趣与批判性思考。二、教学重点、难点与教学方式教学重点1.机器学习三范式（有监督/无监督/强化学习）的定义与典型算法对应关系；

2.数据集三部分划分（训练集/验证集/测试集）及其在模型开发中的作用；

3.线性回归五步法、逻辑回归Sigmoid函数与决策树信息增益的核心思想；

4.过拟合与欠拟合的判断方法及其应对策略。教学难点1.参数vs超参数的本质区别——前者由模型学习，后者由人设定；

2.K-Means聚类中K值的选择与PCA降维的直观理解（"外星人水果市场"案例）；

3.Q-Learning强化学习的基本思想——智能体通过与环境的反复交互，最终学到最优策略。教学方式教师课堂讲授为主，结合"外星人学AI"的叙事主线贯穿全章，增强趣味性和可理解性；

通过"水果识别/房价预测/助学贷款/飞船驾驶"等丰富的生活化案例，将抽象算法具象化；

安排课堂讨论环节，引导学生对比不同算法的适用边界。三、教学过程第一课时（机器学习概述与数据准备）1.创设情境，导入新课(1)教师展示案例："你每天刷抖音，为什么推荐算法总能精准推送你喜欢的内容？"引出机器学习的核心价值。(2)回顾"外星人学AI"主线：外星人已掌握大模型和智能体，现在需要学习如何让机器"从数据中自己发现规律"。(3)明确学习目标：理解ML的定义、三大范式、数据集划分与核心概念。2.进行重点知识的讲解（1）机器学习基本定义机器学习就是让计算机从数据中自动发现规律，并利用这些规律进行预测或决策。核心公式：机器学习=数据+算法+评估。与"传统编程"的本质区别：传统=人写规则→输入数据→输出结果；ML=人给数据和答案→机器自己学规则→输出模型。（2）机器学习三范式范式核心特征典型任务经典算法有监督学习数据带标签，模型学习"输入→输出"的映射房价预测/垃圾邮件分类/疾病诊断线性回归、逻辑回归、决策树、SVM、KNN无监督学习数据无标签，模型发现数据内在结构客户分群/文档聚类/异常检测K-Means、层次聚类、PCA降维强化学习智能体与环境交互，通过奖惩学习最优策略游戏AI/机器人控制/自动驾驶Q-Learning、DQN、策略梯度（3）数据集三部分与参数/超参数数据集划分：训练集（70%）→用来"练题"；验证集（15%）→用来"调参"；测试集（15%）→用来"最终考试"。划分不当（如数据泄露）会导致"考试作弊"式的高分低能。参数vs超参数：参数（如线性回归的权重w和偏置b）——模型从数据中自动学习，不需要人设定；超参数（如学习率、K-Means中的K值）——人在训练前设定，决定模型的学习方式和复杂度。类比：参数=学生自己总结的做题方法，超参数=老师给定的学习规划。3.归纳总结，布置课后作业(1)课堂小结：ML定义→三范式对比→数据集划分→参数vs超参数。(2)随堂练习：判断以下场景属于哪种ML范式：①根据历史房价数据预测未来房价；②将商场顾客分为高/中/低消费群体；③训练AI玩超级马里奥。(3)课后作业：阅读教材4.1-4.2节，完成思考题；预习4.3节监督学习算法。第二课时（监督学习：线性回归与逻辑回归）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：三范式分类、数据三部分划分、参数vs超参数。(2)引出问题："外星人想用数据预测房价——他该用什么方法？"2.进行重点知识的讲解（1）线性回归——预测连续值核心思想：找到一条最佳拟合线（y=wx+b），使得所有数据点到这条线的"总偏差"最小。类比：在散点图中画一条"穿过人群中间"的直线。线性回归五步法：①收集数据→②选择模型（线性假设）→③定义损失函数（均方误差MSE）→④优化参数（梯度下降找最优w和b）→⑤评估模型（R²决定系数）。生活案例：根据房屋面积预测房价——面积是特征x，价格是标签y，学到的w就是"每平米均价"。（2）逻辑回归——二分类问题线性回归输出的是任意实数，但分类需要"0到1之间的概率"——引入Sigmoid函数将输出压缩到(0,1)。核心公式：P(y=1|x)=1/(1+e^(-z))，其中z=wx+b。生活案例：助学贷款审批——输入学生家庭收入、GPA等特征，输出"批准概率"。概率>0.5则批准，<0.5则拒绝。Sigmoid函数的直观理解：当z很大时→输出接近1（很大概率是正类）；当z很小时→输出接近0（很大概率是负类）；z=0时→输出=0.5（"不确定"）。3.归纳总结，布置课后作业(1)课堂小结：线性回归（连续值预测+最小二乘法）vs逻辑回归（分类+Sigmoid）。(2)随堂练习：如果给你1000条某城市不同地段的二手房成交数据（含面积、楼层、房龄、成交价），你想预测一套新房子的售价——这是回归问题还是分类问题？为什么？(3)课后作业：阅读教材4.3节决策树部分，尝试用手工方式计算书中"水果识别"案例的信息增益。第三课时（决策树、无监督学习与强化学习）1.回顾上节课内容，明确本节课学习目标(1)快速回顾：线性回归（连续值）与逻辑回归（Sigmoid+分类）。(2)引出问题："如果用查表方式一步步判断水果是什么——这就是决策树！"2.进行重点知识的讲解（1）决策树——最直观的分类器核心思想：通过一系列"是否"判断，逐步缩小范围，最终确定类别。类比：水果店老板识别水果——"是圆的吗？"→"是橙色的吗？"→"表面有纹理吗？"→确定为橙子。信息增益：选择能"最大程度减少不确定性"的特征作为分裂节点。公式思想：分裂前的混乱程度-分裂后的混乱程度=这个特征提供了多少"有用信息"。（2）K-Means聚类——无监督学习的代表核心思想：在没有标签的情况下，通过数据点之间的"距离"将相似点聚在一起。外星人水果市场的案例——尽管不认识这些外星水果，但可以按"大小+颜色"自动分成几堆。K值的选择：K=3就是分3堆，K=5就是分5堆。K值由"肘部法则"确定——在"簇内误差平方和vsK值"的曲线上找"拐点"。（3）PCA降维——从高维到低维的魔法核心思想：在尽可能保留原始数据信息的前提下，将高维数据"压缩"到低维空间。类比：从多个角度给外星水果拍照，选一个"最能区分不同水果"的角度，用一个二维平面来近似所有信息。（4）Q-Learning强化学习——让智能体自学成才核心思想：智能体通过不断"A→B→C"地尝试各种动作，接受环境的"奖励"或"惩罚"反馈，最终画出一张完整的"最优策略地图"——这张表就叫Q表。飞船驾驶案例：智能体在迷宫中反复试错，最终学会从起点飞到终点的最优路径。3.归纳总结，布置课后作业(1)课堂小结：决策树（信息增益）→K-Means（距离聚类）→PCA（降维可视化）→Q-Learning（试错学习）。(2)课后作业：用纸笔画出书中"水果识别"决策树的全过程，并计算每一步的信息增益；预习4.4节模型评估与GAN。