《人工智能通识》教案 平震宇 - 单元1-8 从冯·诺依曼结构到人工智能的诞生-代码提示词设计与基础编程任务实践

课程教案课程名称《人工智能通识》课程代码111222教学学期任课教师任课班级所在二级学院（部）教研室 一、课程目标知识目标学生能够阐述人工智能的发展脉络、体系结构及核心原理（如机器学习三大范式、深度学习、Transformer架构与大规模预训练模型），准确识别智能体、多模态大模型等关键技术在智能制造、辅助驾驶、数字文创等领域的应用场景，并掌握人工智能治理与数据安全等伦理法律常识。能力目标学生能够熟练运用DeepSeek、豆包、通义千问、GitHubCopilot、Cursor、通义灵码、Coze、即梦AI、Mureka等主流人工智能平台与工具，独立完成提示词设计、AI辅助编程、智能体开发及AIGC创作等实战任务，具备高阶提示词（Prompt）设计能力，以辅助内容创作、代码优化及艺术设计，实现技术工具与实际任务的深度融合。素质目标学生能够运用“需求分析—工具操作—迭代优化”的思维模式，将计算机、数学、艺术等跨学科知识应用于实际行业场景，提出具有创造性与可行性的人工智能解决方案，具备持续跟踪前沿科技动态并将其转化为职业竞争力的能力。学生能够理性评估AI技术的社会影响，自觉遵守法律法规与行业标准，分析并规避算法歧视、数据泄露等伦理风险。在项目协作中展现出良好的团队沟通能力、严谨的工匠精神以及“科技向善”的社会责任感，树立正确的科技价值观。。二、学情分析本课程授课对象为人工智能技术应用专业一年级学生，生源类型分为普招、对口单招。知识和技能分析：同学已经在高中阶段的《信息技术基础》课程中积累了初步的计算思维和操作能力，能够熟练使用学习通平台完成在线学习任务，也具备了基本的信息检索与办公软件应用能力。部分同学对使用Excel等工具进行数据存储、统计和报表生成已有初步接触和理解。认知和实践能力分析：高职学生喜欢动手探究，实践能力较强，能够接受有一定挑战度的团队项目任务。但没有明确的学习目标，学习自觉性偏弱，遇到困难容易产生畏难情绪，需要老师适时正向激励和正确引导，同时采用有效的考核体系。学习特点分析：(1)乐于观察与思考，求知欲较高，适合在老师引导下开展探究式、体验式教学方法，提高学生分析能力；(2)知识迁移能力偏弱，学习编码时，需要老师细致、准确讲解语法要点，并予以示范演示，促成学生在循序渐进中做到举一反三，达到对知识的应用；(3)学习抽象的概念、原理时比较吃力，老师可以在讲解抽象理论时，引入贴近学生生活、形象生动的案例，有助于学生消化吸收。三、重点难点教学重点：1.理清AI起源、发展历程与三层产业链，掌握各行业典型应用。2.吃透机器学习、深度学习、Transformer、大模型核心原理与评价指标。3.熟练掌握通用/代码提示词，会使用豆包、Cursor、Coze等各类AI工具。4.掌握智能体、RAG知识库、工作流搭建，了解多模态与自动驾驶技术方案。5.识别数据安全、算法歧视、知识产权等AI伦理风险，明晰合规要求。6.具备AI项目拆解、开发、落地的综合实操能力。教学难点：1.底层原理抽象（反向传播、自注意力、向量嵌入等），理解难度大。2.跨计算机、数学、工科、法学多学科，融会贯通不易。3.AI技术、工具更新快，需长期自主学习。4.提示词、智能逻辑无固定标准答案，考验实操迭代能力。5.各类技术路线、国内外治理方案需辩证对比分析。6.难以把握AI辅助与人类决策、安全、诚信的边界。7.综合项目需系统化工程思维，流程设计难度高。四、课程设计总体思路课程总学时为24学时，面向全校一年级学生开设本课程立足职业教育新质复合型技术技能人才培养定位，紧扣国发〔2025〕11号《“人工智能+”行动意见》、《职业院校人工智能应用指引（2026版）》政策要求，依托企业一线跟岗调研成果，以分层AI职业能力图谱为顶层设计依据，搭建「底层素养夯实—核心能力进阶—行业场景赋能」三段递进式完整教学逻辑，彻底摆脱传统AI课程偏重底层算法、脱离岗位的学科化设计弊端，形成“通识底座统一、专业模块可拆、产教场景落地”的通专融合课程架构。课程以“AI赋能本专业岗位实操”为主线，弱化复杂数学推导、底层模型开发等高门槛内容，把抽象人工智能理论转化为零基础学生可上手、岗位可复用的数字化工具操作能力。通用通识层设置六大标准化递进项目：人工智能概述、生成式AI全场景应用、AI辅助编程、轻量化本地智能体开发、多模态辅助驾驶实战、AIGC数字创意实践，搭建覆盖全校所有专业统一AI基础能力底座，系统普及国产大模型、提示词工程、WSL+Ollama本地部署、智能体RAG知识库等2026前沿轻量化技术。在通用底座之上，依托校企跟岗采集真实产业工单，分专业配置差异化拓展项目案例：面向电子类专业设置集成电路封装缺陷检测智能系统开发、车规级电源管理芯片测试智能体任务；面向交通类专业配套百度Apollo多模态自动驾驶全流程仿真实训；面向文创、商贸专业设计读书节宣传视频、品牌营销文案矩阵等AIGC综合创作项目，把AI工具训练嵌入智能制造、智能汽车、数字文创、现代服务业真实工作流程，实现AI通识素养与专业岗位能力深度耦合，解决通识与专业“两张皮”的教学痛点。教学实施全程遵循工作过程导向、任务驱动的职教核心范式，以企业完整工作链条复刻课堂教学流程，构建「岗位需求拆解→AI工具选型→实操落地→效果校验→迭代优化」闭环实训模式。将大模型、本地智能体、多模态生成等前沿技术拆解为阶梯式操作任务，依托课程配套轻量化本地实训环境，学生在普通机房、个人电脑即可完成全流程实战，不用依赖高端算力设备。课堂不局限工具操作训练，同步引导学生反复调试、比对方案、复盘缺陷，在实操迭代中培育数据批判思维、人机协同思维，塑造精益求精的数字工匠精神与工程实践素养。课程坚持育才与育人双向同步，践行数字人文主义育人理念，摒弃AI伦理独立章节“贴标签”式设计，将数据隐私、算法公平、生成内容版权、行业数据安全、国产AI创新自信等思政与合规要素嵌入每一项实训任务。在智能体开发、AIGC创作、工业检测等实操环节同步设置伦理辨析、风险研判任务，引导学生辩证看待AI技术边界，树立科技向善、合规从业的职业底线。整体课程既聚焦学生AI工具实操、人机协同核心硬技能，又同步塑造价值观、职业操守等高阶素养，兼顾短期岗位就业能力与长期职业可持续发展潜力，为产业输送适配数智化转型的复合型高职技术技能人才。

课号1授课班级授课时间授课时数2授课单元名称单元一从冯·诺依曼结构到人工智能的诞生一、教学目标素质目标（1）培养学生求真务实的钻研精神，理解现代计算机与人工智能技术发展背后的科学逻辑（2）通过梳理人工智能“三起两落”的发展历程，培养学生正视挫折、坚持创新的科学精神（3）引导学生辩证看待人工智能能力边界，树立理性、客观的技术认知观知识目标（1）了解冯·诺依曼体系结构的三大基本原则与五大核心部件（2）掌握图灵测试的定义、判定标准及其六大核心能力要求（3）了解人工智能发展五阶段的代表性事件与内在逻辑能力目标（1）能描述冯·诺依曼体系结构与二进制逻辑的基本原理（2）能运用图灵测试标准判断智能行为特征（3）能归纳人工智能“瓶颈—突破—繁荣—新瓶颈”的技术周期发展规律二、教学内容（1）现代计算机的基础——冯·诺依曼体系结构（2）让机器富有智能——图灵测试与人工智能（3）人工智能的发展历程（推理期至生成式AI爆发期）三、重点难点教学重点（1）冯·诺依曼体系结构的三大基本原则（2）图灵测试的判定标准与六大核心能力（3）人工智能发展五阶段的关键突破节点教学难点（1）理解冯·诺依曼体系结构“程序存储执行”思想的工作原理（2）理解每次技术“寒冬”背后的深层技术瓶颈成因四、思政元素（1）达特茅斯会议与人工智能学科奠基者的科学探索精神（2）DeepSeek等国产大模型以“低成本高效能”实现技术突围的自主创新历程，激发科技报国情怀五、教学设计教学过程教学方法与手段环节1：课前准备布置预习任务：查阅“冯·诺依曼”“图灵测试”相关资料，思考“计算机为什么能自动运算”。教学方法：任务驱动法教学手段：课程网站环节2：新课导入（1）导入案例1：展示ENIAC计算机与现代计算机的对比图片，提问“为什么早期计算机运算慢、还容易出错？”引出冯·诺依曼体系结构的优化价值。（2）导入案例2：播放“模仿游戏”电影片段或图灵测试情境动画，引导学生思考“如何判断一台机器是否具有智能？”教学方法：讲授法案例引入法教学手段：课程网站、PPT环节3：教学过程（1）冯·诺依曼体系结构核心讲解：二进制逻辑、程序存储执行思想、五大核心部件（运算器、控制器、存储器、输入设备、输出设备）。对比分析：ENIAC的缺陷与冯·诺依曼的优化方案。（2）图灵测试与人工智能起源讲解图灵测试的“模仿游戏”流程与判定标准。归纳通过完全图灵测试所需的六大能力：自然语言处理、知识表示、自动推理、机器学习、计算机视觉、机器人技术。课堂互动：分组讨论“图灵测试是否是判断智能的唯一标准”，每组选派代表分享观点。（3）人工智能发展历程时间轴讲解五个发展阶段：第一次浪潮与低谷、专家系统繁荣与第二次寒冬、算力跃升与统计学派崛起、深度学习爆发、生成式AI爆发。归纳逻辑：引导学生总结“瓶颈—突破—繁荣—新瓶颈”的循环规律。任务点评、要点归纳：冯·诺依曼体系结构核心原则、图灵测试判定标准、人工智能发展五阶段脉络。教学方法：讲授法任务驱动法小组讨论教学法教学手段：课程网站、PPT环节4：作业与评价课后学习任务布置：a.完成随堂测、参与线上讨论；b.任选人工智能发展史上的一个关键事件（如达特茅斯会议、深蓝战胜卡斯帕罗夫、AlphaGo等），查找资料，分析其对人工智能发展的推动作用，形成学习笔记上传至课程网站。评价：自我评价、同学互评、老师评价教学方法：任务驱动法教学手段：课程网站六、教学效果与反思通过本课程的学习，学生初步建立起对计算机工作原理与人工智能起源的系统认知，能够运用图灵测试标准辨析智能行为，理解人工智能发展并非一帆风顺，而是历经技术瓶颈与突破的螺旋式演进。教学中需关注学生对“程序存储执行”抽象概念的理解程度，后续可通过更多可视化动画辅助讲解。更多教学反馈将通过课程网站收集，作为下一次课教学设计参考。

课号2授课班级授课时间授课时数2授课单元名称单元二人工智能的产业图景与伦理边界一、教学目标素质目标（1）培养学生关注国家人工智能产业发展战略的国家意识，增强科技自信（2）引导学生正视人工智能应用中的数据安全、算法歧视、知识产权等伦理挑战，树立负责任的技术应用观（3）培养学生的社会责任感，能够在未来职业实践中自觉遵守AI伦理规范知识目标（1）了解人工智能产业链基础层、技术层、应用层的三层结构（2）了解人工智能在生产制造、公共治理、民生服务等领域的典型应用（3）了解数据安全、算法歧视、知识产权保护三大伦理挑战及我国相关治理规范能力目标（1）能描述人工智能产业链三层结构及各层级的核心内容（2）能列举人工智能在不同行业的典型应用场景（3）能识别人脸信息违规收集、算法歧视等常见AI伦理风险场景二、教学内容（1）人工智能技术的现状与未来（2）人工智能典型应用（生产制造类、公共治理类、民生服务类、数字文创类）（3）人工智能产业发展（产业规模、产业链结构、发展趋势）（4）人工智能面临的伦理挑战（数据安全与隐私、算法歧视、知识产权保护）三、重点难点教学重点（1）人工智能产业链三层结构（2）人工智能典型应用场景（3）数据安全、算法歧视、知识产权三大伦理风险的识别方法教学难点（1）理解基础层、技术层、应用层之间的联动关系（2）辨析中外数据安全治理路径的差异（事后追责vs事前准入审查）四、思政元素（1）“神威·太湖之光”超算等国之重器彰显的科技自立自强精神（2）我国“备案前置、动态监管”的AI治理路径，体现负责任大国的科技伦理担当五、教学设计教学过程教学方法与手段环节1：课前准备布置预习任务：收集身边人工智能产业应用的案例（如智能制造、智慧医疗、智能家居等），思考“这些应用背后依赖哪些技术支撑？”教学方法：任务驱动法教学手段：课程网站环节2：新课导入（1）导入案例1：展示央视3·15晚会曝光的人脸识别滥用案例视频片段，引导学生讨论“便利与隐私如何平衡？”（2）导入案例2：展示AI视觉检测在工业质检中的应用视频，让学生感受人工智能对产业效率的提升。教学方法：讲授法案例引入法教学手段：课程网站、PPT环节3：教学过程（1）人工智能产业发展讲解产业规模数据、基础层—技术层—应用层三层产业链结构。案例分析：“神威·太湖之光”超算等国产算力设施对AI产业发展的支撑作用。（2）人工智能典型应用分类讲解生产制造类、公共治理类、民生服务类、数字文创类四大应用板块。课堂互动：分组讨论“你所学专业未来可能与哪类AI应用结合”，每组分享讨论结果。（3）人工智能伦理挑战案例分析1（数据安全）：对比国内人脸识别滥用治理案例与ClearviewAI跨境侵权案例，理解中外治理路径差异。案例分析2（算法歧视）：结合Meta住房广告算法歧视案，分析算法歧视四大成因。案例分析3（知识产权）：结合Copilot开源代码侵权诉讼案例，理解AI生成内容的版权争议。任务点评、要点归纳：产业链结构、典型应用场景、三大伦理挑战及应对规范。教学方法：讲授法案例分析法小组讨论教学法教学手段：课程网站、PPT环节4：作业与评价课后学习任务布置：a.完成随堂测、参与线上讨论；b.选择一个自己感兴趣的人工智能伦理案例（数据安全/算法歧视/知识产权任选其一），查找资料，撰写一篇小论文，分析该案例暴露的问题及可行的治理对策。评价：自我评价、同学互评、老师评价完成专业能力评价、非专业能力教学评价与反馈教学方法：任务驱动法教学手段：课程网站六、教学效果与反思通过本课程的学习，学生较为全面地了解了人工智能产业链结构与典型应用场景，能够识别数据安全、算法歧视、知识产权等常见伦理风险，并初步树立起负责任的技术应用观。教学中学生对中外治理路径对比的理解较为深入，但对产业链各层级联动关系的把握仍需加强，后续可结合更多产业实景图辅助讲解。更多教学反馈将通过课程网站设置学习评价收集，并作为下一次课教学设计参考。

课号3授课班级授课时间授课时数2授课单元名称单元三机器学习基础认知——三大范式与评价指标一、教学目标素质目标（1）培养学生从生活现象抽象出科学规律的探究精神（2）通过“西瓜挑选”等生活化案例，培养学生化繁为简、举一反三的思维方式（3）引导学生理解“没有放之四海而皆准的评价标准”，树立辩证、全面的评价思维知识目标（1）理解机器学习的基本定义与核心思想（2）掌握监督学习、无监督学习、强化学习三大范式的区别与代表应用（3）掌握准确率、精确率、召回率、F1值四大模型评价指标的含义能力目标（1）能运用三大学习范式区分实际任务场景（2）能计算并解读准确率、精确率、召回率等指标（3）能结合混淆矩阵分析模型的欠拟合与过拟合状态二、教学内容（1）机器学习的基本定义与编程范式转变（2）机器学习的三大范式：监督学习、无监督学习、强化学习（3）关键概念：训练集/测试集、特征与标签、拟合状态（4）模型评价指标体系：混淆矩阵、准确率、精确率、召回率、F1值三、重点难点教学重点（1）机器学习三大范式的区别与代表应用（2）准确率、精确率、召回率的计算方法与实际意义教学难点（1）理解“经典编程”与“机器学习”两种范式的本质区别（2）精确率与召回率之间的权衡关系四、思政元素（1）以“西瓜挑选”等生活化类比，体现劳动人民生产生活智慧对科学方法的启发（2）通过医疗诊断类评价指标案例，引导学生理解技术决策背后的社会责任五、教学设计教学过程教学方法与手段环节1：课前准备布置预习任务：思考“你手机里的哪个App最“懂”你？它是如何做到的？”，收集1个身边的机器学习应用案例。教学方法：任务驱动法教学手段：课程网站环节2：新课导入（1）导入案例1：展示垃圾邮件过滤、人脸识别解锁等生活场景，提问“计算机是如何“学会”识别的？”（2）导入案例2：以“挑西瓜”为例，引导学生思考“如果没有妈妈教你判断标准，你能自己总结出规律吗？”引出监督学习与无监督学习的区别。教学方法：启发教学法案例引入法教学手段：课程网站、PPT环节3：教学过程（1）机器学习的基本定义核心讲解：经典编程“规则+数据→答案”与机器学习“数据+答案→规则”的范式转变。（2）机器学习三大范式监督学习：以“挑西瓜”为例讲解分类与回归任务。无监督学习：以“西瓜自动分堆”为例讲解聚类的思想。强化学习：以“亲自挑瓜吃到甜瓜获得奖励”为例讲解试错学习机制。课堂互动：分组讨论“图像识别、用户分群、AlphaGo分别属于哪种学习范式”，每组选派代表分享。（3）关键概念解析讲解训练集/验证集/测试集的作用与拟合状态（欠拟合、过拟合、适度拟合）。（4）模型评价指标体系场景设定：“从1000个人中识别10个感染者”，讲解混淆矩阵（TP/TN/FP/FN）。讲解准确率、精确率、召回率、F1值的计算公式与适用场景差异。任务点评、要点归纳：机器学习核心思想、三大范式、关键概念与评价指标体系。教学方法：讲授法任务驱动法小组讨论教学法教学手段：课程网站、PPT环节4：作业与评价课后学习任务布置：a.完成随堂测、参与线上讨论；b.列举生活中3个监督学习应用场景和1个无监督学习应用场景，并说明各自应重点关注哪个评价指标，整理笔记上传至课程网站。评价：自我评价、同学互评、老师评价教学方法：任务驱动法教学手段：课程网站六、教学效果与反思通过本课程的学习，学生能够理解机器学习区别于传统编程的核心思想，掌握三大学习范式的判别方法，并能运用评价指标分析模型性能的合理性。教学中学生对精确率与召回率的权衡关系理解仍需加强，后续可结合更多真实业务场景（如医疗诊断、垃圾邮件过滤）强化训练。更多教学反馈将通过课程网站收集，作为下一次课教学设计参考。

课号4授课班级授课时间授课时数2授课单元名称单元四深度学习与神经网络原理一、教学目标素质目标（1）培养学生对前沿科技发展脉络的探究精神，理解技术突破背后的持续积累（2）通过神经网络训练过程的讲解，培养学生严谨求实、精益求精的科学态度知识目标（1）了解深度学习发展的四个历史阶段（2）理解人工智能、机器学习、深度学习之间的层级关系（3）掌握人工神经网络的核心组件与训练原理能力目标（1）能归纳深度学习四阶段发展的关键突破节点（2）能描述神经元、权重、激活函数与网络层的组成关系（3）能阐述前向传播与反向传播的训练循环逻辑二、教学内容（1）深度学习发展历史（连接主义起源至大模型时代）（2）深度学习是什么：与机器学习、人工智能的层级关系（3）人工神经网络核心组件：MP模型、感知机、多层前馈网络（4）神经网络训练过程：前向传播、损失计算、反向传播、梯度下降三、重点难点教学重点（1）深度学习发展四阶段的关键突破（2）神经网络的核心组件与训练循环逻辑教学难点（1）理解激活函数为神经网络引入非线性的作用（2）理解反向传播如何将误差信号逐层回传调整权重四、思政元素（1）以ChatGPT、文心一言、通义千问等中外大模型集中涌现的历程，引导学生认识科技创新需要几代人的持续积累（2）辛顿等学者数十年坚持神经网络研究、历经两次寒冬而不放弃的科学精神五、教学设计教学过程教学方法与手段环节1：课前准备布置预习任务：查阅“神经网络”“深度学习”相关资料，思考“人脑神经元与人工神经网络有何相似之处？”教学方法：任务驱动法教学手段：课程网站环节2：新课导入（1）导入案例1：播放ChatGPT横空出世、席卷全球的新闻片段，提问“这背后依赖什么核心技术？”（2）导入案例2：展示一张猫的图片经过深度神经网络逐层识别的动画（边缘→部件→整体），直观呈现深度学习的分层特征提取过程。教学方法：讲授法案例引入法教学手段：课程网站、PPT环节3：教学过程（1）深度学习发展历史时间轴讲解四阶段：萌芽与第一次兴盛期、复兴与第二次寒冬、深度学习爆发与工业化革命、迈向通用人工智能。（2）深度学习是什么讲解人工智能、机器学习、深度学习三者的层级包含关系。讲解“深度”的含义：浅层网络与深层网络在特征提取上的差异。（3）人工神经网络核心组件讲解MP模型的信号整合与阈值判断机制。讲解感知机的局限（无法处理异或问题）与多层前馈网络（MLP）的突破。课堂互动：分组讨论“为什么单层感知机无法解决异或问题，而多层网络可以？”（4）神经网络训练过程讲解训练五步骤：初始化权重→前向传播→计算损失→反向传播→梯度下降更新权重。任务点评、要点归纳：深度学习发展脉络、核心组件、训练循环逻辑。教学方法：讲授法任务驱动法小组讨论教学法教学手段：课程网站、PPT环节4：作业与评价课后学习任务布置：a.完成随堂测、参与线上讨论；b.用自己的语言画出一张“神经网络训练五步骤”流程图，并简要说明每一步的作用，上传至课程网站。评价：自我评价、同学互评、老师评价教学方法：任务驱动法教学手段：课程网站六、教学效果与反思通过本课程的学习，学生能够梳理深度学习的发展脉络，理解人工智能、机器学习、深度学习的层级关系，并掌握神经网络训练的基本循环逻辑。教学中学生对反向传播的数学直观理解仍存在一定难度，后续可借助更多可视化动画降低理解门槛。更多教学反馈将通过课程网站收集，作为下一次课教学设计参考。

课号5授课班级授课时间授课时数2授课单元名称单元五Transformer架构与大规模预训练模型一、教学目标素质目标（1）培养学生透过技术现象把握核心原理的抽象思维能力（2）通过国内外主流大模型的对比，引导学生树立客观理性的技术评价观，激发科技自信知识目标（1）理解Transformer自注意力机制的核心原理（2）理解编码器—解码器架构及BERT、GPT两大技术路线的区别（3）了解“预训练+微调”两阶段范式及国内外主流大模型现状能力目标（1）能解释Q、K、V自注意力机制的计算逻辑（2）能区分编码器架构与解码器架构的适用场景（3）能比较国内外主流大模型的能力特征与适用场景二、教学内容（1）Transformer模型结构：自注意力机制、编码器—解码器架构（2）大规模预训练模型：发展历程、BERT与GPT两大技术路线（3）预训练大模型过程：预训练阶段、微调阶段（SFT、RLHF）（4）国内外主流大模型：GPT系列、Gemini、Claude、DeepSeek、通义千问、豆包、GLM等三、重点难点教学重点（1）自注意力机制Q、K、V的计算逻辑（2）BERT与GPT两大技术路线的区别（3）预训练+微调两阶段范式教学难点（1）理解自注意力机制如何模拟人类“自主提示”的注意力分配方式（2）理解编码器（双向理解）与解码器（单向生成）架构差异背后的任务适配逻辑四、思政元素（1）以DeepSeek-R1“低成本高效能”技术突破为例，体现我国科研工作者自主创新、攻坚克难的精神（2）国产大模型集中涌现的“百模大战”局面，展现我国在人工智能领域的产业活力与竞争实力五、教学设计教学过程教学方法与手段环节1：课前准备布置预习任务：查阅“Transformer”“注意力机制”相关资料，思考“人在阅读时是如何分配注意力的？”教学方法：任务驱动法教学手段：课程网站环节2：新课导入（1）导入案例1：展示“桌面上的红色咖啡杯”图片，引导学生体会“非自主提示”（被颜色吸引）与“自主提示”（主动寻找书本）两种注意力机制。（2）导入案例2：展示GPT-4、DeepSeek、通义千问等大模型对话界面截图，提问“这些模型的“大脑”里到底发生了什么？”教学方法：启发教学法案例引入法教学手段：课程网站、PPT环节3：教学过程（1）自注意力机制讲解Query（查询）、Key（键）、Value（值）的含义与计算逻辑。类比讲解：Query对应“我想找什么”，Key对应“每个词的特征标签”，Value对应“实际语义内容”。（2）编码器—解码器架构讲解Transformer整体结构：多头自注意力、前馈网络、残差连接与层规范化。讲解BERT（编码器架构，双向理解）与GPT（解码器架构，单向生成）的技术路线差异。课堂互动：分组讨论“文本分类任务应选用BERT还是GPT？为什么？”（3）预训练与微调两阶段范式讲解预训练阶段的自监督学习任务（MLM、CLM）。讲解微调阶段的有监督微调（SFT）与人类反馈强化学习（RLHF）。（4）国内外主流大模型现状简要介绍GPT系列、Gemini、Claude及DeepSeek、通义千问、豆包、GLM等国产大模型的技术特点。任务点评、要点归纳：自注意力机制原理、编码器解码器架构区别、预训练微调范式、主流大模型现状。教学方法：讲授法任务驱动法小组讨论教学法教学手段：课程网站、PPT环节4：作业与评价课后学习任务布置：a.完成随堂测、参与线上讨论；b.任选两款国内外大模型（如DeepSeek与GPT-4），从上下文长度、推理能力、适用场景等维度进行对比，形成简要对比表上传至课程网站。评价：自我评价、同学互评、老师评价教学方法：任务驱动法教学手段：课程网站六、教学效果与反思通过本课程的学习，学生能够理解自注意力机制的核心原理，掌握BERT与GPT两大技术路线的区别，并对国内外主流大模型现状形成基本认知。教学中学生对自注意力机制的数学计算过程理解存在一定难度，后续可结合更多图示化讲解降低抽象门槛。更多教学反馈将通过课程网站收集，作为下一次课教学设计参考。

课号6授课班级授课时间授课时数2授课单元名称单元六提示词工程与大模型场景化应用实践一、教学目标素质目标（1）培养学生精准表达需求、结构化沟通的职业素养（2）引导学生在AI辅助学习与写作中坚守学术诚信底线，树立负责任的AI使用意识知识目标（1）理解提示词的四个核心构成要素（2）掌握提示词设计的七大原则（3）了解DeepSeek、豆包、通义千问等主流大模型的核心功能能力目标（1）能运用“指令+上下文+输入+输出”框架设计提示词（2）能灵活运用角色设定、结构化分解、小样本示例等进阶技巧（3）能借助大模型完成智能问答、代码调试、学术写作辅助等实际任务二、教学内容（1）提示词的四个核心要素：指令、上下文、输入数据、输出要求（2）提示词设计七大原则：明确具体、角色设定、结构化分解、小样本学习、指定输出格式、增加约束、迭代优化（3）DeepSeek、豆包、通义千问核心功能实操（4）大模型在专业学习、学术研究、职场办公中的应用场景三、重点难点教学重点（1）提示词四要素的应用方法（2）角色设定、结构化分解、小样本示例三大进阶技巧教学难点（1）针对复杂任务设计多步骤、可迭代的提示词（2）把握AI辅助学术写作与学术诚信之间的边界四、思政元素（1）研究生使用AI写作导致学术相似度问题的案例，引导学生树立“AI辅助而非替代思考”的诚信底线（2）合理规范使用AI工具，体现新时代职业人才的诚信品格与责任担当五、教学设计教学过程教学方法与手段环节1：课前准备布置预习任务：在DeepSeek或豆包中尝试输入一条简单指令（如“介绍人工智能”），截图保存生成结果，思考“结果是否符合预期？为什么？”教学方法：任务驱动法教学手段：课程网站、DeepSeek/豆包平台环节2：新课导入（1）导入案例1：对比展示“帮我写个介绍人工智能的文章”与“请用通俗易懂的语言，为高职一年级新生撰写一篇600字的人工智能科普文章”两条提示词的生成效果差异。（2）导入案例2：展示研究生使用AI辅助论文写作引发学术诚信争议的新闻案例，引发学生思考。教学方法：对比展示法案例引入法教学手段：课程网站、PPT环节3：教学过程（1）提示词四要素讲解指令、上下文、输入数据、输出要求的构成逻辑与公式：“根据[指令]+完成[上下文]+达成[输入数据]+满足[输出要求]”。（2）提示词设计七大原则逐条讲解并结合示例演示：明确具体、角色设定、结构化分解、小样本学习、指定输出格式、增加约束、迭代优化。课堂互动：学生分组，任选一条原则，现场编写提示词并在DeepSeek/豆包中测试效果，对比优化前后差异。（3）大模型场景化应用实操分场景演示：专业学习（定制复习计划）、学术研究（生成论文大纲、文献综述框架）、职场办公（会议纪要整理、工作汇报撰写）。强调AI辅助学术写作的诚信边界：AI生成内容需经核实、改写、标注，不可直接作为原创成果提交。任务点评、要点归纳：提示词设计方法、七大原则应用要点、AI辅助应用中的诚信规范。教学方法：讲授法任务驱动法小组讨论教学法上机实操演练教学手段：课程网站、PPT、DeepSeek/豆包/通义千问平台环节4：作业与评价课后学习任务布置：a.完成随堂测、参与线上讨论；b.运用本节课所学的提示词设计原则，为自己所学专业设计一条包含角色设定、结构化分解的提示词，在大模型中测试并记录生成效果，形成实践报告上传至课程网站。评价：自我评价、同学互评、老师评价完成专业能力评价、非专业能力教学评价与反馈教学方法：任务驱动法教学手段：课程网站六、教学效果与反思通过本课程的学习，学生能够掌握提示词设计的核心要素与七大原则，并能运用主流大模型完成实际学习与办公任务，初步具备高效驾驭AI工具的能力。教学中学生对提示词迭代优化的耐心与技巧仍需进一步培养，同时需持续强化AI使用中的学术诚信教育。更多教学反馈将通过课程网站收集，作为下一次课教学设计参考。

课号7授课班级授课时间授课时数2授课单元名称单元七AI辅助编程认知与工具选型一、教学目标素质目标（1）培养学生理性看待AI辅助工具的态度，认识到AI是能力增强器而非替代者（2）引导学生树立持续学习新技术的内驱力，主动适应人机协同的编程新范式知识目标（1）了解AI辅助编程发展的四个历史阶段（2）理解生成式AI对软件开发带来的五大变革（3）了解IDE集成工具、AI原生编辑器、通用大模型三类工具的特点能力目标（1）能归纳AI辅助编程四阶段技术演进脉络（2）能分析代码生成、注释、调试、优化四大变革场景（3）能完成VSCode、Cursor等工具的安装与基础环境配置二、教学内容（1）AI辅助编程发展历程（萌芽期至智能体协同期）（2）生成式AI如何变革软件开发（自动化代码生成、注释、调试、优化）（3）主流AI辅助编程工具：GitHubCopilot、Cursor、DeepSeek-Coder、通义灵码（4）环境搭建与工具配置：VSCode、Cursor安装配置流程三、重点难点教学重点（1）AI辅助编程四阶段发展脉络（2）三类AI编程工具（IDE集成/AI原生编辑器/通用大模型）的适用场景教学难点（1）理解从“补全”到“生成”再到“智能体协同”的范式跃迁逻辑（2）VSCode与AI插件的安装配置操作四、思政元素（1）以GitHubCopilot、DeepSeek-Coder等中外编程工具协同发展的态势，引导学生树立开放合作、自主创新并重的科技观（2）通过“代码的阅读时间远超编写时间”这一软件工程规律，培养学生严谨细致的职业素养五、教学设计教学过程教学方法与手段环节1：课前准备布置预习任务：查阅“GitHubCopilot”“Cursor”相关资料，思考“AI能帮程序员做什么、不能做什么？”教学方法：任务驱动法教学手段：课程网站环节2：新课导入（1）导入案例1：展示程序员输入自然语言注释后AI自动生成完整函数的操作演示视频，提问“这与传统编程有何不同？”（2）导入案例2：展示IntelliSense简单补全与CopilotChat智能对话生成代码的效果对比，引发学生对技术演进的思考。教学方法：对比展示法案例引入法教学手段：课程网站、PPT环节3：教学过程（1）AI辅助编程发展历程时间轴讲解四阶段：基于规则与本地补全的萌芽期、统计学习与云端智能兴起期、大语言模型与生成式AI变革期、AI原生开发环境与智能体协同探索期。（2）生成式AI如何变革软件开发讲解自动化代码生成（意图驱动）、软件维护（逆向分析与知识传承）、测试与调试（智能诊断）、代码优化与重构四大变革场景。课堂互动：分组讨论“AI辅助编程给程序员岗位带来了哪些新要求”，每组分享观点。（3）主流AI辅助编程工具对比分类讲解IDE集成工具（GitHubCopilot、AmazonQDeveloper）、AI原生编辑器（Cursor、Windsurf）、大模型代码能力（DeepSeek-Coder、通义灵码、ChatGPT）三类工具特点。（4）环境搭建实操演示演示VSCode下载安装、GitHubCopilot插件安装配置流程；简要介绍Cursor官网下载安装流程。任务点评、要点归纳：AI辅助编程发展脉络、五大变革场景、三类工具选型依据。教学方法：讲授法任务驱动法小组讨论教学法上机实操演示教学手段：课程网站、PPT、VSCode环节4：作业与评价课后学习任务布置：a.完成随堂测、参与线上讨论；b.在自己的电脑上完成VSCode安装及一款AI编程插件（GitHubCopilot或通义灵码）的配置，截图记录安装过程并上传至课程网站。评价：自我评价、同学互评、老师评价教学方法：任务驱动法教学手段：课程网站六、教学效果与反思通过本课程的学习，学生能够梳理AI辅助编程的发展脉络，理解生成式AI对软件开发带来的深刻变革，并完成基础开发环境的搭建。教学中部分学生在插件安装环节遇到账号注册等操作障碍，后续需提前准备好教育优惠账号申请指引。