当AI从"会回答"到"能执行" 教育数字化的下半场，比模型更需要升级的是什么？

过去两年，大模型涌入校园，AI助手遍地开花。但如果仔细看，大多数AI应用仍然停留在"你问我答"——能告诉你政策怎么走，却替你走不完流程；能生成一份教案，却接不上你学校的排课系统。这中间缺的那一步，恰恰是教育数字化真正最难的一步。

一、分水岭：AI建设的"上半场"已经跑完，瓶颈在哪？

回看过去两年的教育AI建设，形式越来越丰富，但总体上围绕一个逻辑展开：把AI能力引入校园，让它"知道更多"。

从接入通用大模型，到建设校园知识库，再到开发各类智能助手——做的事情越来越多，但底层模式没有变：AI理解你的问题，从知识库里找答案，生成一段文字给你。好一点的，能帮你整理材料、起草文档。再好一点的，搭一个工作流，自动跑几个步骤。

归纳下来，上半场形成了四种典型模式：

表 1 ｜ 高校AI建设上半场的四种典型模式

图 1 ｜ 高校AI建设上半场的四种典型模式

这四种模式共同解决了"如何让AI理解校园知识"的问题，也推动了教育数字化从"信息化"迈向"智能化"。但深入使用后，一个瓶颈开始显现——

核心瓶颈：AI还停留在"辅助决策"阶段

无论是智能问答、知识检索，还是工作流自动化，大多数应用仍然停留在"辅助决策"。AI可以回答问题、生成内容、提出建议，却很难真正完成一项校园业务。

举个例子：教师想办科研项目申报，AI能帮你解读政策、整理材料，却没法自动查询科研系统、补充缺失信息、协调多个业务平台、提交申请并跟踪进度。学生问毕业手续，AI能说明流程，但学生还是得自己在多个系统间反复操作。

这就是当前教育AI建设面临的"最后一公里"问题。AI已经能理解知识，却还不能真正理解业务；能生成答案，却还不能完成任务。

而2026年，这个瓶颈正在被打破。

二、"最后一公里"：从回答问题到完成任务

推动变化的，不是模型参数变得更大，而是智能体开始拥有了完整的任务执行能力。

过去，AI完成的是一次对话。今天，一个智能体可以根据用户目标，自主拆解任务、规划步骤、调用多个工具、连接不同系统，并根据执行结果不断调整后续动作，直到完成整个任务。

这个变化来自三方面能力的成熟：

图 2 ｜ 从"会回答"到"能执行"：AI跨过了什么门槛？

这意味着什么？AI开始真正进入业务流程，而不仅仅停留在业务咨询。

在K12领域，这个变化已经有了落地雏形。一些区域教育平台开始尝试让AI直接驱动业务操作——教师对AI说一句"帮八年级一班跑操加2分"，系统自动调用业务流程完成操作，不用切换系统、不用填表、不用记流程。这种"对话即操作"的模式，正是智能体从"会回答"走向"能执行"在教育场景中的具象化体现。

而在更广阔的教育全场景中，智能体的能力边界也在扩展。以智能体广场的形式，将学生评价、智能教研、德育工作、全链路备课、AI协同教学、课堂分析、自适应学习、智能作业、考试与学情分析等九大能力模块化呈现，师生均可按需调用——这实际上是在把"回答问题"的AI，逐步变成"完成教学任务"的AI。

但问题来了：当智能体想要真正"动手"时，它发现校园系统的大门并不都对它敞开。

三、数据互通解决不了的问题：从"有什么"到"能做什么"

过去二十年，教育数字校园建设主要解决了两件事：把线下业务搬到线上，让分散系统中的数据流动起来。统一身份认证、数据交换、主数据管理、业务中台——这些基础设施逐步打通了教务、人事、科研、财务、学工等系统。

但有一个根本前提一直没变：这套体系的默认使用者，是人。系统通过页面和菜单提供服务，用户理解业务规则，选择功能，填写信息，再把流程一步步推进。数据互通改善了体验，却没有改变操作方式。

智能体进入校园业务后，这套逻辑面临挑战。

一个关键区别：系统互联 vs 能力开放

以科研项目申报为例，智能体不仅需要读取申报通知和科研成果，还要核验资格、补充历史信息、生成材料、填写表单，并在关键节点发起确认。完成这项任务，单纯获得数据访问权限不够，它还必须能够调用具体的业务动作。

查询课表是一项能力，核验身份是一项能力；生成证明、提交申请、发起审批、发送通知，同样都是能力。数据告诉智能体校园里"有什么"，业务能力决定它实际上"能做什么"。

这正是当前K12教育信息化中暴露的核心堵点。系统越来越多，数据越来越丰富，但数据之间没有真正流动；AI工具不断增加，却难以深入学校真实业务场景。具体表现为三个层面：

表 2 ｜ 教育信息化三大核心堵点

图 3 ｜ K12教育数字化三大核心堵点

这三个堵点的共同根源，指向同一个问题：高校（学校）需要在数据目录、知识目录之外，逐步建立一套"业务能力目录"。

它不是简单罗列系统接口，而是回答几个更实际的问题：校园能提供哪些业务能力，谁可以调用，在什么条件下调用，执行后会产生什么结果，又应由谁承担责任。一项成熟的业务能力，应当有明确的输入输出、身份要求、权限边界、风险等级和审计规则。

图 4 ｜ 从"系统互联"走向"能力开放"

过去，数字校园以系统为基本单元：教务一套系统，科研一套系统，财务又一套。未来，业务仍由这些系统承载，但系统中的部分功能将以标准能力的方式被重新组织，供不同智能体按需组合。智能体不是业务系统的替代者，它更像一层新的执行界面——将用户目标转化为对校园能力的调用，并在多个系统之间组织任务。

四、智能体基础设施：四层架构，缺一不可

当AI从"回答问题"走向"完成任务"，仅靠模型本身已经无法决定AI应用的实际效果。一个真正能完成工作的校园智能体，需要在复杂业务环境中持续运行：理解目标、制定计划、调用能力、协调系统、验证结果、修正策略——直到完成整个业务流程。

如果说大模型是智能体的"大脑"，那高校还需要建设智能体的"神经系统"和"行动系统"。这套基础设施至少包括四个核心层次：

图 5 ｜ 智能体基础设施四层架构

第一层：模型与知识平台——认知能力

模型依然是基础。但高校的大模型平台正在从"单一模型部署"发展为"统一模型服务平台"：一方面灵活接入不同类型的大模型，按场景选择最适合的能力；另一方面持续建设校园知识库，将制度、办法、业务规范、课程资源等沉淀为智能体可理解、可检索、可引用的知识体系。

这一层解决的是"知道什么、理解什么、如何思考"。但知道，并不意味着能够做到。

第二层：智能体运行时——把目标变成执行过程

真正决定智能体能力上限的，是运行时。用户提出目标后，运行时负责理解意图、拆解步骤、规划流程、调用模型和工具，并根据结果不断调整。完整的执行过程包括四个环节的循环：感知→规划→执行→验证，直到任务完成。

这意味着智能体不再是一次性问答工具，而是一个能持续工作的执行主体。

第三层：校园业务能力平台——让系统真正可调用

对高校而言，真正制约智能体落地的往往不是模型能力，而是业务能力。今天大多数校园系统仍面向人设计——教师登录教务系统办业务，学生登录系统完成注册。而未来，智能体同样需要查询数据、填写表单、提交申请、更新状态、调用审批流程。

这些能力需要从各业务系统中逐步抽象出来，形成标准化、服务化、可授权调用的能力接口。智能体不必理解每个系统的内部逻辑，只需知道：校园有哪些能力可调用、在什么权限下调用、调用后能完成什么工作。

第四层：智能体治理平台——为执行划定边界

智能体能执行任务，也意味着拥有更大的操作权限。如果缺少治理体系，越智能，潜在风险越大。治理至少包括四个方面：

表 3 ｜ 智能体治理平台四维度

五、普教与高教：同一方向，不同节奏

智能体基础设施的底层逻辑相通，但普教和高教的组织架构、业务复杂度、信息化基础差异很大，落地节奏必须因地制宜。

表 4 ｜ 普教与高教智能体建设的差异对比

普教：局校一体化 + AI连接，从"数据流动"到"智能落地"

普教的核心挑战在于"局校协同"和"数据打通"。一些先行区域已经在探索"双平台协同"路径：以局校一体化平台统一数据底座，打通教育局与学校、学校内部各系统之间的数据壁垒；再以AI连接平台将数据资源、业务系统与AI能力连接为统一智能入口。

关键在于，AI调用的是本校的校本数据，而非通用语料。当AI能回答的不是"三角函数公式是什么"，而是"我校高二（3）班学生在三角函数章节的典型错因分布"——这才叫"智能"落地了。

从场景来看，普教的智能体更聚焦教学全流程。以九大智能体为例，覆盖学生评价、智能教研、德育工作、全链路备课、AI协同教学、课堂分析、自适应学习、智能作业、考试与学情分析——本质上是把教师日常分散在十几个系统里的工作，收拢到一个智能入口完成。

图 6 ｜ 局校一体化平台 + AI连接平台双平台协同架构

高教：从部门管理驾驶舱到校级智能体基础设施

高校的路径更偏"深"。一所高校内部有教务、学工、人事、科研、资产、就业等条线，每条线都有自己的系统和管理逻辑。高教的进阶路径是：先从一个部门的管理场景做起（比如科研申报智能体、人事服务智能体），沉淀业务能力目录，反向推动各系统数据治理和能力开放，再逐步扩展到校级智能体平台。

高教的核心转变是从"数字校园主要服务于师生"走向"同时服务于师生和智能体"。这意味着所有业务系统都需要在"为人设计"之外，增加"为智能体设计"的维度——开放能力接口、定义权限边界、建立审计机制。

共同趋势：从"系统建设"到"AI能力运营"

无论普教还是高教，信息中心的角色都在发生变化。过去关注网络、服务器、数据库、业务系统；未来需要建立模型管理、知识运营、智能体开发、业务编排、安全治理和运行评测等新能力。

信息中心从传统的信息化建设部门，逐步转向智能能力运营中心。业务部门也不再只是提需求——哪些业务可以开放、哪些流程适合智能体执行、哪些环节必须人工确认，都需要业务部门和信息中心共同设计。

图 7 ｜ 信息中心的角色转变：从系统建设到智能能力运营

六、政策风向：六个赋能与建设路径选择

2026年是"十五五"开局之年，也是教育数字化战略行动迈入2.0阶段的关键一年。教育部在国家教育数字化战略行动部署会上，以"六个赋能"勾勒了AI深度融入教育全要素、全过程、全场景的清晰路径：

图 8 ｜ "六个赋能"与六个中心

部署会同时强调"四个把握好"——把握好AI对教育底层逻辑重塑的影响、对培养创新人才的紧迫需求、对人口高质量发展的机遇、对价值观引领和伦理防范的课题。这意味着AI+教育不是单纯的技术问题，而是涉及育人模式、评价体系、伦理边界的系统工程。

国家智慧教育平台全新上线的"AI专区"和"启悟学习社区"，正是这一路径从理念走向落地的标志。AI专区汇聚学习资源和工具，让人人学AI、广泛用AI成为现实；启悟学习社区聚焦国产AI开源生态，学生在承担开源攻关任务中提升本领。

建设路径：小步快跑，持续迭代

智能体时代并不意味着所有业务都要立即实现自动执行。正确的做法是坚持"小步快跑、持续迭代"，优先选择高频、标准化、低风险、易验证的业务场景开展试点。

校园政策咨询、证明材料生成、科研成果统计、会议组织、通知发布、跨系统信息查询——这些场景规则明确、过程可验证、风险可控，适合作为切入点。随着业务能力不断沉淀、治理体系逐步完善，再向科研管理、人事服务、教学管理等复杂场景延伸。

同时要坚决避免形象工程、避免过度追求项目建设，特别重视AI带来的安全、伦理、心理健康等方面的影响，统筹好发展与安全。

七、结语：比模型更需要升级的，是整个数字底座

回顾教育信息化的发展历程，每一次技术变革都推动数字基础设施发生新的演进。互联网时代，建设的是网络基础设施；数字校园时代，建设的是业务系统和数据基础设施。今天，随着智能体逐步成为校园数字空间的新型参与者，教育正在迎来智能体基础设施建设的新阶段。

这一阶段，模型依然重要，但已经不是唯一的竞争力。真正决定AI建设成效的，是能否建立一套支撑智能体持续运行、业务协同、安全治理和持续运营的新型数字基础设施。

这里有一个容易被忽视的判断：互联网大厂的AI平台面向千行百业，追求通用性与规模化复制。教育行业的数据治理、业务流程适配、本地知识体系建设，不是它们商业模型的最优选择。教育需要的是"懂教育的AI"，而不是"装了教育知识的通用AI"。大厂卖的是通用铲子，教育需要的是教育矿井加掘金能力。

未来，校园数字基础设施不仅要连接人与系统，更要连接模型、智能体、业务能力和校园治理，形成面向智能时代的新一代数字底座。

从"会回答"到"能执行"，表面看是AI能力的升级，本质上是整个数字底座的代际跃迁。比模型更需要升级的，不是某一个应用，也不是某一种技术，而是支撑智能体持续创造价值的整个数字基础设施。把这件事想明白、做扎实，AI才不会只是校园里又一块好看的大屏，而是真正能帮师生把活干完的"新同事"。