人工智能应用通识教程 教案 马利

ADDINCNKISM.UserStyle教案课程名称：人工智能应用授课学期：授课班级：软件工程(校企联合培养)（1）班等开课部门：计算机学院授课教师：广州应用科技学院教务处制

课程信息课程名称人工智能应用课程代码0901012T课程类别¨通识教育课程¨学科基础课程þ专业必修课程¨专业拓展课程¨产业岗位导向课程¨职业能力拓展课程¨集中实践教学课程课程性质þ必修¨选修考核方式¨考试þ考查总学时/学分32/2学时分配理论：16学时实践：16学时适用专业软件工程（校企联合培养）课程负责人授课语言þ中文¨双语¨全英文（外文）选用教材《人工智能应用通识教育》，马利、黄卫祖、解成俊等编著，清华大学出版社，2025.09,第1版，ISBN:9787302703549参考书目1.《人工智能导论（第5版）》，王万良编著，2023.05，高等教育出版社，ISBN:978735515322.《人工智能导论》，徐洁磐、徐梦溪编著，中国铁道出版社，ISBN：9787113278366参考文献李晓理,张博,王康,余攀.人工智能的发展及应用[J].北京工业大学学报,2020,46(6):583-590.DOI:10.11936/bjutxb2020020001朱永新,杨帆.ChatGPT/生成式人工智能与教育创新：机遇、挑战以及未来[J].华东师范大学学报(教育科学版),2023,41(7):1-14.课程网址超星学习通课程页：/course/260658916.html相关教学资源网址慕课视频：《人工智能应用》免费视频1：人工智能应用_中国大学MOOC(慕课)/course/ZJUT-1002694018?tid=1475232446《人工智能应用基础》免费视频2：人工智能应用基础_中国大学MOOC(慕课)/course/QDU-1206502801?tid=1470154449其他课程教案设计第一章/项目一AI大模型原理与应用授课学时数理论学时3实践学时3教学目标1.理解人工智能的基本概念、发展历程及与软件工程的融合趋势。2.掌握卷积神经网络(CNN)的核心思想及其在图像识别中的典型应用。3.了解大模型(以Transformer为核心)的基本原理与本地部署方法。4.能使用PyTorch完成简单手写数字识别实验,并成功调用或部署一个大模型服务。支撑课程目标：课程目标1、课程目标2教学重难点【重点】CNN的特征提取思想;大模型作为“可调用服务”的工程理解;PyTorch基础项目的代码结构。【难点】Transformer注意力机制的直观理解;本地部署大模型时的环境配置与依赖解决。课程思政要点科技自强:通过梳理AI发展史,尤其是我国在大模型领域的追赶与突破,引导学生认识自主创新的重要性。工程伦理:在介绍大模型能力时,讨论其可能存在的偏见、虚假信息生成等问题,强调技术开发者的社会责任。教学方法þ课堂讲授þ小组活动□实验演示þ难点答疑þAI辅助助课□作业讲评þ实践教学□考试测验□其他活动使用媒体资源þ文字教材þ电子教案þ录像材料□录音材料□直播课堂□CAI课件□IP课件□知识图谱□其他资源：主要教学环节设计（一）理论课（3课时：人工智能发展、CNN原理与大模型概述）1.课时导入与目标明确通过学习通发布互动提问：“你使用过哪些AI产品？它们是如何‘理解’世界的？”结合学生回答，展示智能音箱、图像识别APP、ChatGPT等案例，引出本章核心——从传统AI到大模型的演进，并明确本次课的学习目标。2.核心内容讲授与互动第一部分：人工智能发展历程与流派人工智能的定义与分类首先讲授人工智能的经典定义（如“让机器模拟人类智能的科学与技术”）及不同维度的分类（按能力分为弱AI与强AI，按应用场景分为专用AI与通用AI），结合手机美颜（专用AI）、ChatGPT（弱AI向通用AI演进）等案例辅助解释。随后通过学习通发布“分类匹配”随堂测评：给出10个人工智能产品案例，让学生在学习通中将其与对应的分类类型匹配，教师实时查看答题数据，针对错误率较高的案例进行讲解。人工智能的起源与发展以时间轴为线索，梳理人工智能的发展历程：从1956年达特茅斯会议（“人工智能”术语诞生），到专家系统的兴起与低谷，再到深度学习推动的第三次浪潮。重点讲解关键节点事件（如AlphaGo战胜李世石），并通过学习通发布“年代事件连线”任务，让学生将发展阶段与对应事件、技术突破进行连线，强化时间线记忆。（3）人工智能的主要流派及研究领域介绍符号主义、连接主义、行为主义三大流派的核心思想与代表技术（如符号主义的专家系统、连接主义的神经网络），结合表格对比各流派的优缺点。讲解研究领域时，聚焦机器学习、计算机视觉、自然语言处理等热门方向，展示相关应用案例（如人脸识别、语音助手）。讲解完毕后，通过学习通发起“流派观点辨析”讨论：“你认为当前人工智能发展主要依赖哪个流派的技术？为什么？”，鼓励学生在讨论区发言，教师选取典型观点进行点评。第二部分：卷积神经网络（CNN）原理（1）整体架构与生物启发卷积神经网络（ConvolutionalNeuralNetwork,CNN）是专为处理网格状数据（如图像）而设计的深度学习模型。其结构灵感来源于人类视觉皮层中“局部感受野”的工作机制——即神经元仅对视野中特定局部区域敏感。这一特性使CNN能够高效捕捉空间层次化特征，成为计算机视觉任务的基石。（2）卷积层：局部特征提取器卷积层是CNN的核心组成部分，通过在输入图像上滑动可学习的滤波器（也称卷积核）来提取局部特征。每个卷积核负责检测一种特定模式，例如边缘、角点、纹理或更复杂的形状。随着网络层数加深，卷积核能自动组合低级特征形成高级语义表示（如从边缘到数字轮廓）。多个卷积核并行工作，生成多通道的特征图（FeatureMap），实现对输入信息的丰富表达。主要教学环节设计（3）激活函数：引入非线性能力在卷积操作后，通常会引入非线性激活函数（如ReLU：f(x)=max(0,x)），以增强模型的表达能力。若无非线性变换，多层卷积将等价于单层线性操作，无法拟合复杂函数。ReLU不仅计算高效，还能缓解梯度消失问题，是现代CNN的标准配置。（4）池化层：降维与鲁棒性增强池化层（PoolingLayer）紧随卷积层之后，用于对特征图进行下采样。最常用的是最大池化（MaxPooling），它在局部窗口内保留响应最强的值，从而降低特征图的空间维度。这不仅显著减少参数量和计算负担，还使模型对输入的小幅平移、旋转或形变更具鲁棒性，提升泛化能力。（5）全连接层：分类决策输出在网络末端，经过多次卷积与池化后得到的高维特征图会被展平（Flatten）并送入一个或多个全连接层（FullyConnectedLayer）。这些层类似于传统神经网络，负责将抽象特征映射到最终的类别标签空间。配合Softmax函数，可输出每个类别的预测概率，完成图像分类任务。第三部分：大模型（Transformer）原理与工程化（1）架构起源与核心思想Transformer由Google在2017年提出，是首个完全摒弃循环（RNN）和卷积（CNN）结构的序列建模架构。其核心创新在于引入自注意力机制（Self-Attention），通过全局交互直接建模输入序列中任意两个词元之间的依赖关系，从根本上解决了长距离依赖建模难题。（2）自注意力机制的工作原理对于输入序列中的每个词元，模型分别通过三个可学习的线性变换生成查询（Query）。通过计算Query与所有Key的点积并经Softmax归一化，得到注意力权重；再以此权重对Value加权求和，输出该词元融合全局上下文的新表示。这一过程可并行处理整个序列，极大提升训练效率。（3）编码器-解码器整体结构标准Transformer采用编码器-解码器框架。编码器由多层堆叠而成，每层包含多头自注意力模块和前馈神经网络，用于深度理解输入语义；解码器在自注意力基础上增加掩码自注意力（MaskedSelf-Attention），防止当前位置“看到”未来信息，从而支持自回归式文本生成。主要教学环节设计（4）对后续大模型的影响Transformer架构因其高效性与强大表达能力，成为几乎所有现代大语言模型的基础：BERT仅使用编码器，GPT系列仅使用解码器，而Qwen、LLaMA等通用大模型则在此基础上不断优化层数、注意力机制和训练策略，推动AI进入大模型时代。（5）工程化落地流程从研究到应用，大模型需经历完整工程链路：首先在海量文本上进行预训练，再通过指令微调（SFT）对齐人类意图；为适配端侧设备，常采用轻量化技术如4-bit量化、LoRA微调；最终通过推理引擎（如Ollama、vLLM、ONNXRuntime）实现高效部署与服务调用。（二）实验课（3课时：PyTorch手写数字识别、本地模型部署）实验1：运行并解读PyTorch手写数字识别项目，理解数据、模型、训练、评估的流程。实验2：本地部署一个轻量化大模型，并通过命令行或简单脚本进行对话测试自主学习任务1.观看关于AI历史的纪录片片段或科普视频。2.尝试使用不同的提示词与本地部署的大模型交互,观察并记录输出差异,思考“提示工程”的初步影响。教学反思教案备注1.教案按授课章节（或项目单元）填写，整个教案共用一个封面。2.重复班授课，培养目标相同可共用相同教案，培养目标不同需撰写新的适配教案。3.可根据课程内容自行增加页码，兼顾页面布局美观、紧凑的原则。

课程教案设计第二章/项目二AIGC工具与API集成授课学时数理论学时3实践学时3教学目标1.理解人工智能生成内容（AIGC）的基本概念、发展脉络及其在现代软件开发中的作用，能够使用提示词（Prompt）有效引导AI生成符合预期的高质量内容。2.理解AIGC如何融入开发流程，赋能需求分析、原型设计、代码编写、文档生成、测试数据生成等环节。3.掌握通过API调用方式，将大模型的多模态生成能力集成到简单应用中的方法。4.在提供的预配置环境（含预建知识库）中，运行并体验一个完整的，理解其工作流程。5.认识AIGC技术在实际应用中的潜力与局限性，建立初步的工程伦理与安全使用意识。支撑课程目标：课程目标1、课程目标2、课程目标3教学重难点【重点】通过API将AIGC能力集成到软件应用中的基本方法；【难点】学科知识问答系统的实现。课程思政要点生产力变革：通过展示AIGC在代码辅助、文档生成等场景如何提升开发效率，引导学生思考如何利用新技术解放创造力，适应未来工作范式。严谨性与批判思维：强调AIGC（尤其是代码生成）是“辅助”而非“替代”。必须对生成结果进行严格审查和测试，培养严谨求实的工程精神，避免技术依赖。创新与边界：在体验AIGC强大生成能力的同时，讨论知识产权、原创性以及技术滥用的边界，树立在创新中坚守法律与道德底线的意识。教学方法þ课堂讲授þ小组活动□实验演示þ难点答疑þAI辅助助课□作业讲评þ实践教学□考试测验□其他活动使用媒体资源þ文字教材þ电子教案þ录像材料□录音材料□直播课堂□CAI课件□IP课件□知识图谱□其他资源：主要教学环节设计（一）理论课（1学时：AIGC核心模态与应用场景）1.课时导入与目标明确

通过学习通发布互动提问：“你最近用AI生成过什么内容？是代码、图片，还是其他？”结合学生回答，展示典型案例：GitHubCopilot自动生成函数、Midjourney绘制海报、SunoAI根据歌词生成歌曲、D-ID创建数字人播报视频等。引出本章核心——AIGC（生成式人工智能）如何赋能现代软件开发与创意生产，并明确本次课的学习目标。2.核心内容讲授与互动（1）AIGC定义与技术基础（5分钟）简要说明AIGC是基于大模型（如扩散模型、Transformer、自回归模型）实现的内容生成范式，其本质是“数据驱动的创造性输出”。（2）六大核心模态详解（30分钟）结合动态演示或截图，逐一介绍：程序代码生成：以Copilot或CodeLlama为例，展示自然语言描述→可运行代码，强调其在需求分析、原型开发、测试数据生成中的作用；图像生成：介绍StableDiffusion、文心一格，演示“文本提示→高质量图像”，可用于UI/UX设计、图标制作；音乐生成：展示SunoAI输入歌词→生成带人声的完整歌曲，拓展至游戏BGM、短视频配乐场景；视频生成：讲解Pika、RunwayGen-2如何从文本或图像生成短视频，应用于营销、教育微课；数字人替身：以D-ID、腾讯智影为例，说明文本驱动口型同步与表情合成，用于智能客服、课程讲解；3D模型生成：简述Shap-E、LumaAI实现“文本→3D资产”，服务于元宇宙、游戏开发。强调AIGC正从“单模态”向“多模态融合”演进，成为软件工程全生命周期的辅助工具。（二）理论课（1学时：提示工程与国产API集成）1.课时导入展示两个AI回答对比：模糊提问“写个排序”vs精准提示“用Python写一个带注释的冒泡排序函数”。提问：“为什么后者效果更好？”引出提示工程（PromptEngineering）的核心地位。2.核心内容讲授与实操解析（1）提示工程基本原则讲解高质量提示的关键要素：明确任务、提供上下文、使用示例（Few-shot）。通过正反案例（如“解释CNN”vs“用通俗语言向高中生解释CNN”）展示优化效果。强调提示是“与AI高效对话的语言艺术”。（2）国产平台API调用全流程解构以智谱AI（GLM）或百度文心千帆为例，逐步拆解一次完整API调用：步骤1：注册开发者账号，创建应用，获取APIKey；步骤2：安装官方SDK（如zhipuai或wenxin-api）；步骤3：构造请求体：指定模型（如glm-4）、输入prompt、设置temperature/top_p等参数；步骤4：发送HTTP请求，解析JSON响应，提取生成文本。教师现场编码演示，突出国产平台在数据安全、中文优化、本地化服务上的优势，融入“支持国产AI生态”的思政导向。主要教学环节设计（三）理论课（1学时：RAG系统概览与学科问答）1.课时导入

提出痛点：“如果问大模型‘本课程第三章的重点是什么？’，它能准确回答吗？”引出大模型缺乏私有知识的局限，进而介绍检索增强生成（RAG）——让AI“查资料再回答”，提升专业领域问答准确性。2.核心内容讲授（1）RAG基本原理阐述工作流程：用户提问→从本地知识库检索相关文档→将文档与问题拼接为新提示→输入大模型生成答案。强调其“有据可依”，有效缓解“幻觉”问题。（2）学科知识问答系统技术栈

介绍主流框架与工具：向量数据库：Chroma（轻量易用）、FAISS（高效）；嵌入模型：BGE、text2vec（中文优化）；编排框架：LangChain（模块化流水线）、LlamaIndex（专为RAG设计）。

展示系统架构图：知识库→向量化→检索→大模型→输出。操作方法与工程价值

讲解典型操作流程：加载学科资料（PDF/Word）→文本切分→向量化存储→用户提问时实时检索Top-K段落→注入大模型上下文。强调RAG在教育、医疗、法律等垂直领域的落地价值，呼应“用技术服务真实场景”的人文关怀思政要点。（四）实验课安排（共3学时）【第一次实验课】（1.5学时）：实验1——初探大模型API任务解析与演示：教师通过学习通发布实验详细任务书，投屏演示智谱AI平台注册、APIKey获取及Python脚本编写全过程。学生实操与指导：学生独立完成环境配置、脚本编写与多轮对话测试。教师巡回指导，重点解决网络代理、Key权限、JSON解析等共性问题。成果提交：学习通提交实验报告，包含运行成功截图、脚本代码及对提示设计的简要反思。【第二次实验课】（1.5学时）：实验2——体验学科知识问答系统系统演示与流程解析：教师运行预置RAG系统，演示“提问→检索原文→生成答案”全流程，解析LangChain核心组件。学生体验与探究：学生在JupyterNotebook中交互式提问（如“什么是自注意力机制？”），记录不同问题下的检索片段与生成答案，对比直接调用大模型的效果差异。讨论与总结：组织小组讨论：“RAG如何减少AI幻觉？”、“知识库更新后系统是否自动生效？”。提交3组问答记录截图及200字机制理解总结。自主学习任务1.使用Claude生成Python小游戏代码（教材项目2.1）。2.使用即梦AI生成应用图标（教材项目2.2）。3.AIGC综合创作（任选一个音频/视频/数字人项目）。教学反思教案备注1.教案按授课章节（或项目单元）填写，整个教案共用一个封面。2.重复班授课，培养目标相同可共用相同教案，培养目标不同需撰写新的适配教案。3.可根据课程内容自行增加页码，兼顾页面布局美观、紧凑的原则。

课程教案设计第三章/项目三智能体应用授课学时数理论学时4实践学时6教学目标1.能够准确区分传统智能体与AI智能体的本质差异，清晰阐述AI智能体的发展历程、核心能力及典型应用场景，形成对智能体技术的全景认知。2.熟悉主流智能体开发平台（重点掌握Dify，了解讯飞星火、豆包、文心一言智能体等）的核心功能与适用场景，能够根据具体的软件应用需求，合理评估并选择匹配的智能体开发平台。3.掌握“提示词设定→技能扩展（插件/工具）→知识库构建（RAG）”的完整智能体创建链路。能够针对给定场景（如自适应测评）分解任务、设计工作流，并在Dify平台上实现可运行的智能体应用。支撑课程目标：课程目标1、课程目标2、课程目标3教学重难点【重点】1.基于Dify平台的智能体搭建全流程：提示词、知识库构建（RAG）、插件调用。【难点】1.

理解工作流节点的衔接逻辑，能够搭建复杂业务流。课程思政要点1.科技报国与自主可控：在讲解“智能体平台”时，对比国际主流平台与国内自主平台（文心一言、通义千问、Dify开源项目），重点剖析国产平台在技术突破与生态建设上的成就，引导学生树立“技术自主、科技自信”的观念，认识到AI技术是民族复兴的历史机遇。2.AI伦理：在“创建智能体-提示词设定”环节，强调智能体行使的是“话语权”。“提示词工程师”应坚守责任，杜绝伪造身份、传播虚假信息。通过案例讨论，植入社会主义核心价值观，确保技术向善。3.人文关怀：在讲解应用场景及工作流搭建时，刻意选取“自适应测评”、“智能学习助手”、“学业预警”等教育赋能场景。引导学生关注技术如何解决真实痛点（如学习困难、心理压力），培养用技术服务社会、解决实际问题的温情与担当。教学方法þ课堂讲授þ小组活动□实验演示þ难点答疑þAI辅助助课□作业讲评þ实践教学□考试测验□其他活动使用媒体资源þ文字教材þ电子教案þ录像材料□录音材料□直播课堂□CAI课件□IP课件□知识图谱□其他资源：主要教学环节设计（一）第1次理论课（2学时）：智能体认知与工作流思维构建1.案例导入播放一段对比视频：传统基于规则（IF-THEN）的客服机器人vs.基于大模型的AI智能体（拟人化助手）。通过学习通发布讨论：“你更愿意和哪个机器人对话？为什么？”，引出AI智能体的核心特征（拟人化、自主规划、工具使用）。教师系统梳理：传统智能体（规则驱动、闭环）与AI智能体（目标驱动、开放）的本质区别；AI智能体的发展历程。2.核心能力与场景映射讲授AI智能体的四大核心能力展示应用场景矩阵3.平台生态与技术自信对比分析主流平台：OpenAIGPTs（生态强）、Dify（开源、灵活）、Coze（字节、易用）、文心智能体（百度、中文优化）。重点剖析Dify的开源策略与Coze在国内的低门槛普及，讲述国产平台如何解决大模型应用落地的“最后一公里”问题。引导学生思考：“作为未来的软件工程师，如何在自主技术生态中贡献代码或应用？”4.工作流思维构建概念讲解：什么是工作流？将“一个想法”变成“自动化任务”的蓝图。类比工业流水线，强调“输入→节点处理→输出”的逻辑。Dify工作流解剖：通过投屏演示，拆解一个Dify工作流实例（如简单的翻译机器人），展示LLM节点、知识库节点、代码节点、条件节点的外观与连接方式。浏览五大项目（智能摘要、心理分析、自适应测评、学业预警、多智能体助手）的最终效果视频，激发学生学习欲望。5.小结与预习总结本节课知识图谱（概念→能力→平台→工作流）。布置自主学习任务：预习Dify官方文档的‘创建第一个工作流’部分，并尝试注册Dify云服务账号。（二）第2次理论课（2学时）：核心技术原理与集成思维1.复习与衔接通过学习通发布测验：将AI智能体核心能力与具体技术实现。快速回顾上节课内容。2.智能摘要原理与RAG实战原理原理讲解：智能摘要的本质：长文本→短文本，信息压缩。介绍抽取式（Extractive）与生成式（Abstractive）摘要的区别，强调大模型在生成式摘要上的优势。RAG与知识库：提出痛点“大模型不知道你的内部资料”。引出RAG架构（检索+生成）。用户提问→向量化→检索知识库→返回Top-K片段→拼接Prompt→LLM生成回答。3.自适应测评逻辑深度解析以英语四级单词测试为例，讲解CAT（计算机自适应测试）的核心思想：答对→提高难度，答错→降低难度。将CAT逻辑转化为Dify工作流节点，条件判断节点（判断答案对错）→变量节点（记录难度等级、题目序号）→循环节点（下一题）。主要教学环节设计4.多智能体与集成思维单智能体的局限：职能单一、上下文窗口限制、难以处理超级复杂任务。多智能体协作模式：广播、主从、投票等。展示“智能学习助手”的完整技术架构图。拆解各Agent的职责：规划Agent：拆解“帮我复习高数”为“找资料→出题→批改→讲解”检索Agent：调用知识库找资料测评Agent：执行自适应测评讲解Agent：针对错题调用大模型生成解析引导学生思考：这不是凭空想象，而是可以用5个实验项目拼接出来的。5.实验任务发布通过学习通发布五大实验的任务概览及分组建议。明确每个实验的核心产出物。（三）实验课安排（共6学时）【第一次实验课】（2学时）：实验1+实验21.实验1：智能摘要Agent任务解析与演示：教师通过学习通发布实验1详细任务书。投屏演示：如何在Dify上“从0到1”创建一个空白工作流，拖拽“开始节点”和“LLM节点”，在LLM节点中写入摘要提示词（“请将以下文章总结为100字以内的摘要...”），连接“结束节点”。重点强调：提示词工程的细节（角色扮演、输出格式JSON约束）。学生实操与指导：学生独立完成智能摘要Agent构建，并输入不同长度的文本进行测试。教师巡回指导：重点关注提示词设计不合理导致的输出格式错误；引导学生尝试“Few-shot”提示，即在Prompt中给1-2个摘要示例。成果提交：学习通提交实验报告其中包括工作流截图+1次成功摘要的对话截图等内容。2.实验2：AI心理分析Agent任务解析与演示：发布任务书，讲解背景：构建一个能回答心理学常见问题的问答助手。重点操作演示：如何创建知识库、分段与清洗、向量化、嵌入等待；如何在工作流中调用“知识检索节点”并连接到LLM节点。学生实操与指导：学生上传提供的心理学常见问答数据集，构建RAG流程。指导学生调整知识库检索的“召回数量”和“相似度阈值”，观察不同参数对回答质量的影响。小结：总结RAG工作流的标准范式：Query→检索→增强Prompt→生成。主要教学环节设计【第二次实验课】（2学时）：实验3+实验4（前半部分）1.实验3：自适应测评工作流任务解析与关键逻辑拆解：发布任务书，讲解业务目标：构建一个小学四年级数学难度自适应测试系统。步骤1：使用变量节点定义“难度系数level”（初始值1）。步骤2：LLM节点生成题目，提示词中包含“难度系数：{level}”。步骤3：条件判断节点分析用户答案。判断逻辑：若答案正确，则level+=0.5（但不超过3）；若错误，则level-=0.5（但不低于1）。步骤4：迭代/循环：引导学生使用“直接再次调用自身”或Dify的“Answer节点+结束节点”配合前端刷新来实现连续出题。学生实操与指导：学生复现核心逻辑，并扩展界面（如添加emoji反馈）。教师重点指导：变量节点的初始化与更新；条件节点的多分支配置；避免无限循环的出口设计。2.实验4：智能学业预警工作流发布任务书，明确本实验需要集成外部数据。教师演示如何通过HTTPGET请求模拟获取学生旷课次数、作业提交率等数据，并在工作流中进行JSON解析。学生完成HTTP节点的配置和数据解析，为下节课完成完整风险分级逻辑做准备。【第三次实验课】（2学时）：实验4（后半部分）+实验51.实验4：智能学业预警工作流学生实操：基于上节课获取的外部数据，增加条件判断节点，制定预警规则（如：旷课>3次且作业提交率<60%→高风险；满足其一→中风险；否则→低风险）。教师指导：强调业务逻辑的严谨性，引导学生思考“单纯数据驱动”可能导致的误判，引入人工复核环节的设计思路（技术无法完全取代人）。成果提交：学习通提交实验报告其中包括工作流截图+不同风险等级的测试案例截图等内容。2.实验5：多Agent学习助手本实验要求学生将实验1-4的成果进行整合，或重新构建一个包含至少2个专用Agent协作的平台。教师展示Dify的“工作室”多Agent编排界面，演示如何将“摘要Agent”和“测评Agent”串联。分组协作与指导：学生以2人小组为单位，设计并实现一个最小可行性学习助手（如“英语作文批改+错词讲解”助手）。教师巡回指导：重点引导组内分工、接口定义（一个Agent的输出作为另一个Agent的输入）。成果展示与互评：通过学习通随机抽取2-3组进行演示，其他组通过学习通评分量表进行互评。自主学习任务1.查漏补缺：未在课内完成实验1-5任一实验的同学，需在课后自主安排时间完成，并提交最终版实验报告至学习通对应作业区。2.拓展探究（已完成课内实验的同学）：探究Dify工作流中的“迭代节点”与“直接递归调用”在实现循环逻辑时的性能与设计差异。调研国产智能体平台（如Coze）的“插件生态”，尝试发布一个自定义插件。教学反思教案备注1.教案按授课章节（或项目单元）填写，整个教案共用一个封面。2.重复班授课，培养目标相同可共用相同教案，培养目标不同需撰写新的适配教案。3.可根据课程内容自行增加页码，兼顾页面布局美观、紧凑的原则。课程教案设计第四章/项目四具身智能授课学时数理论学时2实践学时0教学目标1.通过本章节的学习，使学生能够准确陈述“具身智能”的核心定义(智能通过物理载体与环境交互实现)，能描述具身机器人从传统工业机器人(固定程序)一协作机器人(人机共融)一具身智能机器人(大模型驱动自主决策)的三阶段演进路径。2.通过本项目的学习让学生能列举当前具身智能领域的三大技术突破方向(多模态感知集成、端侧大模型部署、群体智能协同)，并说明其对产业化的意义及应用。支撑课程目标：课程目标1教学重难点【重点】具身智能”的核心定义、发展脉络、现状趋势、具身机器人的典型应用场景；【难点】说明场景需求与技术能力的匹配关系。课程思政要点科技自信:我国在工业人形机器人、六足仿生机器人领域已实现与国际同步甚至局部领先(优必选WalkerS2、越疆六足机器狗均为国产自主技术)。产业报国:具身智能是“新质生产力”的核心抓手，服务国家智能制造战略。教学方法þ课堂讲授þ小组活动☑实验演示¨难点答疑¨AI辅助助课□作业讲评¨实践教学□考试测验☑其他活动混合式教学使用媒体资源þ文字教材þ电子教案þ录像材料□录音材料□直播课堂□CAI课件□IP课件□知识图谱□其他资源：主要教学环节设计（一）第1次理论课（2课时：具身智能）1.导入与自主学习检查发布简短测评题（如“请简述具身智能的基本概念”“你所了解的具身智能机器人”等），根据答题结果点评预习效果，加强与学生的交流互动性，并强调具身智能是AI与现实物理世界交互的关键。随后展示人形机器人、智能机械臂等前沿动态视频，引出本章核心主题：认识具身智能。2.核心内容讲授与互动模块一：具身智能机器人概述。讲解具身智能机器人的定义（“具备物理实体，能够感知环境并自主与之交互的智能体，融合了机械工程、传感技术、人工智能等多学科前沿成果。”），结合教学目标1，分析其发展现状及趋势。阐述具身智能机器人在各行各业中的典型应用，让学生在讨论区分享自己接触过的具身智能机器人产品，教师总结并引出接下来的项目案例。主要教学环节设计模块二：优必选Walker智能服务机器人。介绍优必选Walker智能服务机器人的出现背景，详细分析优必选Walker智能服务机器人的核心模块，并分别介绍每个模块的功能与关键技术以及协同工作的方式，讲解重点放在多模态传感器融合的感知架构上。最后对在实际中的应用方面进行大致叙述，并在学习通发布“优必选Walker智能服务机器人有哪些核心模块”题目，让学生加深印象。模块三：越疆动力机器狗。在模块二已详细介绍的基础上，关于越疆动力机器狗的结构与模块描述可适当精简，但需确保清晰概括其核心功能模块。重点应放在各模块的技术实现原理上，并深入阐述该机器狗的实际应用场景，通过与智能服务机器人的对比分析，帮助学生加深理解和记忆。模块四：AgilityRoboticsDigit双足具身智能机器人。首先，阐述双足具身智能机器人的发展背景，并重点分析其技术创新与独特优势。接着，明确介绍双足机器人系统的核心功能模块，建议在讲解时始终与优必选Walker智能服务机器人进行对比区分，特别是从名称记忆入手，避免概念混淆。最后，讲解双足机器人的实际应用场景，并客观说明该智能机器人系统目前存在的应用局限性。模块五：MagicBotZI高动态双足人形机器人。首先，明确强调MagicBotZI高动态双足人形机器人代表了当前具身智能领域的最前沿技术成果，以此激发学生的听讲兴趣。随后，可向学生抛出启发性问题：“请结合所学知识，叙述高动态双足人形机器人应具备哪些关键技术？”在收集并分析学生的回答后，教师需进行系统性的汇总与总结。接着，讲解MagicBotZI机器人的实际应用场景，并客观阐述其当前的应用优势。最后，鼓励学生利用课余时间主动进行拓展搜索与学习，进一步深化对该领域技术的理解。3.小结总结具身智能机器人的概念、强调目前具身智能领域的三大技术突破方向，并梳理具身机器人从传统工业机器人(固定程序)一协作机器人(人机共融)一具身智能机器人(大模型驱动自主决策)的三阶段演进路径，并突出具身智能机器人在当前人工智能与机器人技术加速融合时代的重要地位。布置预习任务：请预习单元五的优秀项目展示，可提前观看项目视频。自主学习任务网上查找资料，举例服务型机器人的现状。教学反思教案备注1.教案按授课章节（或项目单元）填写，整个教案共用一个封面。2.重复班授课，培养目标相同可共用相同教案，培养目标不同需撰写新的适配教案。3.可根据课程内容自行增加页码，兼顾页面布局美观、紧凑的原则。第五章/项目五人工智能应用实践授课学时数理论学时4实践学时4教学目标1.了解北极星光无障碍出行智能领航系统的架构、了解系统功能（注册登录、多角色适配、智能出行辅助、志愿者服务、社区互动）的设计与实现。2.理解LangChain框架的基本概念、核心组件及其在构建大模型应用中的作用，能够使用链（Chain）与代理（Agent）有效编排大模型与外部工具，开发具备复杂逻辑处理能力的智能应用。支撑课程目标：课程目标2、课程目标3教学重难点【重点】1.掌握无障碍出行系统的全链路功能架构，并熟练运用LangChain的链与代理机制编排大模型与外部工具以开发智能应用。【难点】1.

解决复杂动态路况下多模态交互的鲁棒性问题，以及实现大模型在多方资源协同中的精准自主决策。课程思政要点1.科技向善与人文关怀：通过无障碍系统的设计，引导学生关注视障群体出行痛点，树立“技术应服务于人的全面发展”的价值观，培养用代码传递温度的社会责任感。2.工匠精神与安全伦理：在开发涉及人身安全的智能导航时，强调算法的严谨性、数据的隐私保护及容错机制的重要性，恪守“生命至上”的工程伦理底线。教学方法þ课堂讲授þ问题引导□实验演示þ视频演示□AI辅助助课□作业讲评□实践教学□考试测验þ其他活动混合式教学使用媒体资源þ文字教材þ电子教案þ录像材料□录音材料□直播课堂□CAI课件□IP课件□知识图谱□其他资源：主要教学环节设计（一）第1次理论课（2学时）：北极星光无障碍出行智能领航系统1.案例导入播放一段残障人士出行不便的案例视频，通过学习通发布讨论：“你认为如果要做出一款无障碍出行智能领航系统，系统应该包含什么功能？”，引出北极星光的功能介绍（视障辅助服务、听障辅助服务、志愿者服务）。教师系统梳理：通过智能识别技术与社区互助机制的结合，打造无障碍出行闭环解决方案。2.核心功能介绍以及总体设计介绍介绍北极星光无障碍出行智能领航系统系统架构，细分为应用系统、表示层、应用层、服务层、业务单元、数据层以及系统层。通过一个具体小视频让同学们明确北极星光的具体功能模块实现，体现北极星光的管理后台、客户端。了解具体功能实现的代码逻辑通过展示北极星光的的具体功能，按步骤和总设计方案进行讲解代码实现，使学生对北极星光无障碍出行智能领航系统的智能展现更加明确和理解，并鼓励学生在课下进行了解更多智能系统的底层逻辑。（二）第2次理论课（2学时）：LangChain1.复习与回顾通过学习通发布测验：北极星光的核心功能模块。让学生尽快回顾上节课内容。2.LangChain的基本概念问题导入：“如果你要用GPT开发一个客服机器人，需要哪些步骤？”学生思考：收集需求、准备知识库、设计对话流程、处理上下文、集成业务系统……教师进行痛点总结：代码重复率高、上下文管理复杂、工具调用繁琐、多模型切换困难等。引入LangChain