宇智汇和下周要讲“函数极限”，讲义已经有了，麻烦却还没结束：旧课件里的图不够直观，习题难度需要重新排，想补一段讲解视频，又得写脚本、配字幕、核公式。对教师来说，这些并不是同一个“生成 PPT”的问题。它们是一串彼此牵连的工作。
教育 AI Agent 想接住的，正是这串工作。本文把它理解为一种在教师给定目标与权限内，读取课程材料、分解任务、调用工具并交付教学材料的系统。这个定义强调任务过程；一个有“教育智能体”名字的聊天窗口，未必已经具备这些能力。
截至2026年10月23日，公开产品与政策材料已经能让我们看清一些方向。但哪类应用已有效改善学习、哪类仍停留在产品展示，需要分别判断。以下选取与教师工作直接相关的近期进展，结合一个假设备课案例展开；不把产品发布当成教学效果证明。
今年的变化：AI 开始靠近课程和教师的日常工作
国内的政策方向已经覆盖具体教学环节。教育部等五部门2026年4月印发的《“人工智能+教育”行动计划》，提出研发智能学伴，并明确支持教师备课、多模态教学资源自动生成和人机共创备课。它提供了推进方向；一所学校是否具备可用的课程资源、师资支持与验收机制，仍要落到具体项目上判断。
海外产品的一个信号，是开始连接课程依据和执行工具。Anthropic 7月发布 Claude for Teachers，面向经验证的美国 K–12 教师，连接 Learning Commons 的课程标准与教学资源，并接入教学工具。官方还列举了通过 Claude Code 和 Cowork 处理材料、定时执行重复任务的用法。这说明产品在尝试承接持续工作；其适用地区、学段和数据条件，不能直接套用到国内高校。
更近的一条动态来自10月5日。Google 在世界教师日介绍与 TED 合作征集教师技术实践想法，强调由教师经验参与工具设计。它不是新 Agent 发布，也不是学习成效实验；把它和前述产品放在一起看，本文的判断是：教育 AI 的讨论正在更多地触及课程依据、教师参与和日常使用条件。
备课、辅学、教务，成熟条件并不一样
“教育 Agent 现在能做什么”很难用一张功能清单回答。生成一份可修改的教案、引导学生解一道题、直接改动教务系统里的记录，出错后的后果和补救成本差别很大。下面按任务边界列出试点时应核对的内容，不代表这些能力已在所有产品中实现。
| 应用 | 适合承担的工作 | 需要人工把关的地方 |
|---|---|---|
| 教师备课 | 整理指定资料、拟课件结构、起草讲解脚本、生成概念示意图 | 知识准确性、难度、图示与公式是否一致 |
| 学生辅学 | 按课程材料提示思路、设计追问、提供练习反馈 | 提示是否变成代答；学生离开工具后能否独立完成 |
| 课程资源维护 | 对照新旧讲义整理修改点，标记相关课件与视频片段 | 版本一致性、引用与授权、旧材料是否仍在使用 |
| 教务服务 | 查询公开制度、起草常见问题答复 | 身份权限、信息时效；涉及学籍、成绩等操作需严格授权 |
如果学校刚开始试点，我更倾向于从教师端备课入手。输入和交付物较容易限定，教师也能在材料进入课堂前检查。学生端辅学同样有价值，但“回答让学生满意”和“学生真正理解”是两种评价，不能混用。
拿一节“函数极限”课试一遍
以下是用于讨论产品设计的假设任务，不是院校客户案例，也不代表已取得教学效果。
先说明学生需要学会什么
教师给出本节课允许使用的教材章节、讲义和习题，并写清学习目标：学生要理解“趋近”与“取到”的区别，能借助图像解释一个极限例子，并识别函数值与极限值不一致的情况。学时、先修知识、不可省略的推导，也应一并交代。
这比“帮我生成一份高质量课件”更接近可执行任务。没有这些约束，系统可能做出漂亮的目录，却把关键概念放错位置，或者使用学生还没学过的证明方法。
先审结构，再生产不同形式的材料
Agent 先提交教学结构、关键例子和资料对应位置。教师确认后，再分别制作可编辑课件、概念图和短视频脚本。这样做有一个朴素的好处：教师发现讲解顺序不合适时，不必连带重做配音和视频。
图和视频也要服务同一个教学目标。比如图中用空心点表示未取到的位置，字幕却把它说成函数在该点的值，三份材料看起来都完整，合起来就会误导学生。因此，“文件都生成了”只能算交付检查，还需要跨材料的内容核对。
留下出处、修改记录和发布决定
每个关键结论应能回到教材或教师指定材料；补充例子要单独标明，找不到依据的内容先列为待核实。修改讲义后，系统应指出受影响的课件页和视频脚本段落，而不是让教师重新翻一遍全部文件。进入课堂的版本由教师决定。
宇智汇和把 EDU Agent 的业务方向放在高校教学内容制作，围绕课件、教学视频和抽象概念示意图展开。对这类产品，我们关心的问题也是：不同形式的材料能否围绕同一知识点组织，教师能否方便地修改和审阅。这里说明的是业务方向与设计取舍，不据此声称已经实现上述整套流程，或取得了院校验证的效果。
要落地，工程上至少得接住四件事
第一是限定资料范围。课程问答和材料生成应优先使用教师指定资源，保留文件版本与出处；检索到相似段落，只能说明找到了候选依据，仍要核查它是否支持结论。材料不足时，应让教师补充，而不是悄悄拼上一段无法核实的解释。
第二是保存任务状态。课件、图、配音或视频中的一个步骤失败，应能从该步骤重试，并保留已经审核的结果。否则一次看似成功的演示，遇到真实网络、文件格式和工具错误就可能变成教师的额外负担。
第三是把审核做进过程。教学结构确认一次，内容与图示再确认一次，发布前检查一次，通常比所有文件生成后才统一审阅更容易发现问题。自动检查可以帮助找出公式缺失、字幕不一致等候选问题，学科判断仍需要教师。
第四是缩小数据和权限范围。只处理课程内容的任务，不需要顺带读取全班学生档案；只生成答复的工具，不需要拥有修改成绩的权限。学生作业、成绩与身份信息应按学校制度和适用要求处理，明确授权、保存期限与访问记录。模型或外部工具返回的内容，也不应直接变成系统执行指令。
试点验收，先把“返工时间”算进去
一次生成用了几分钟，很容易测出来。教师为了修正内容又花了多久，却经常漏算。建议选同一课程中难度接近的章节，在现有流程和 Agent 辅助流程下分别记录；任务规模较小时，先把它当作流程改进试验，不急着宣布具有普遍效果。
- 教师总耗时：资料准备、下达任务、等待、检查、修改、发布都计入；单列返工时间。
- 内容质量：记录概念错误、公式错误、错误引用与缺少依据的结论；严重错误单独列出，不用平均分掩盖。
- 材料可用性：课件能否编辑，图能否改，视频字幕能否校正；课程更新后是否能找到受影响的内容。
- 学习表现：如需讨论教学效果，应观察学生不用 AI 时的独立作答和解释能力，条件允许时安排延后测验；同时说明班级基础、教师与题目难度等差异。
- 运行成本：记录模型、图像和视频调用成本、失败重试次数，以及教师需要额外学习的操作。
如果制作时间减少，但教师查错更费力，收益就需要重算。如果学生交来的作业更整齐，独立解释却没有进步，也不能据此写出“学习效果显著提升”。这两条判断，比生成了多少页 PPT 更接近学校真正要解决的问题。
下一步，先把一节课交付稳
学校需要的往往是几件很具体的事：明天上课的材料能不能用，错了能不能及时改，下学期还能不能复用，教师是否因此多出时间照顾学生。这些问题都不新，只是 AI 让重新组织工作成为可能。
对教育 Agent 团队，包括宇智汇和在内，值得先做扎实的是一条窄而完整的任务流程：教师给出课程依据，系统交付可检查、可修改的材料，问题能追溯，改动能保留。等这一节课稳定下来，再讨论扩展到整门课程和更多教学环节，会更有依据。