An English version is not yet available. The original Chinese text appears below.
刚刚，DeepSeek 没有发模型。
产品部与 Harness 团队发了一篇长篇架构文章，《Super-agent 设计探索：迈向更自主的 Agent 系统》。
科技媒体抓的是能力：AI 能在群里没人 @ 的时候自己发现 Bug、提交修复 PR，能跨 IM 和 GitHub 把一个任务连续推进，能 24 小时在线。
这些当然重要。但这份文章递到一位书记或校长手里，真正该划线的是它顺手回答的一个组织问题：当执行不再是瓶颈，组织该怎么重新分工。
文章里有一句话，夹在两段技术论证中间，写得很轻：
一个人通常只能同时跟进 3 到 5 个活跃 Session。
这不是产品观察，是一道天花板。
它同样精确地描述了今天的高校。一位教师一学期带四门课、两百个学生，外加科研、评估和几张表格。他的「并发数」就这么多。所有关于 AI 改革的雄心，最后都在这条线下面排队。
真正跟进的「活跃会话」
的长期机时利用率
实训室，常被分开报预算
过去两年，高校应对这条线的方式高度一致：用采购的方式，解决能力的问题。
于是有了三个反复出现的场面。
智算平台建起来了，机时利用率长期不到三成
设备科的台账很漂亮，教务处的课表上找不到几门课真在用。
AI 通识课开起来了，翻开大纲还是 Python 语法
加几个演示案例。学生上完一学期，会跑 demo，不会用。
实训室验收那天来了两拨人参观，之后门是锁着的
揭牌、拍照、发通稿。钥匙在实验中心。
三件事，其实是同一个动作的三个变体：
加了一个东西，没有改结构。
这篇文通篇都在讲「改结构」。它不谈怎么往系统里塞更多东西，谈的是重新划清谁负责什么、什么该固化成代码、什么该留给判断、什么必须留在原地。
这套思路，正好能拆成那三件事的施工图。
PART 01政策给的是一条链，不是三张任务单
先把政策摆清楚，它比任何动员讲话都硬。
2026 年 4 月，教育部、国家发展改革委、工业和信息化部、科技部、国家数据局联合印发《「人工智能+教育」行动计划》，提出到 2030 年基本形成人工智能与教育深度融合的发展格局。
被引用最多的是几句话，但引用的人常常把它们当成并列任务：
| 政策原文要求 | 它在链上的位置 |
|---|---|
| 公共基础课 | 推动人工智能成为高校公共基础课，面向全体学生 → 这是「课程要求」 |
| 分类教材 | 按学科专业分类编写课程教材，打造「短实新」前沿课程 → 这是「教材要求」 |
| 素养标准 | 制定教师智能素养标准，分层分类培训、实现全覆盖 → 这是「谁来教」 |
| 资格考试 | 将人工智能纳入教师资格考试和认证内容 → 这是「教师怎么达标」 |
| 成果认定 | 教学成果奖设「智能教育」项目、纳入「双千」计划 → 这是「达标了怎么被承认」 |
注意它们的排列。这五个不是并列任务，是一条链：
链上任何一环单点突破，都会漏。
而大多数学校的操作顺序是反的：先把课开出来，因为课表最容易改。开完发现没人能上，于是请企业来讲几场，或者整个压在计算机学院。第二年评估，通识课变成「外聘讲座＋线上视频」的拼盘，学分照给，能力没长。
这不是执行不力，是顺序错了。
正确的顺序是：
先把教师这一环打通。没有人能上，课开得再整齐也是空的。
有了人，才谈得上按学科分类编教材、做「短实新」的前沿课程。
最后才是实训室。它是环境，不是起点。
下面逐条说。每一条，都能在这篇文章里找到对应的设计。
PART 02教师培训：让教务处去上课，是角色错位
文章里最容易被跳过的一段，是双层架构。
要同时做到「连续」和「高效」，系统必须在会话组织上做取舍：所有事件交给同一个会话，上下文最连续，但会串行阻塞；每条事件都新开会话，吞吐最高，但上下文割裂、回复混乱。
DeepSeek 把这两件事拆到两层。
只负责承接交互、维护全局记忆、分派任务
它不执行具体任务，甚至可以不配备执行工具。
上下文彼此隔离，挂着完整工具
专注把一件事做完，不直接对用户说话。
文章里有一句设计说明：
DeepSeek 原文Router 的价值不在执行，
在于它是全局的序点、协调点和记忆。翻译成学校语言：教务处和教师发展中心是 Router，二级学院的骨干教师是 Worker。
现在回头看绝大多数高校的教师 AI 培训。请两位专家讲一天半，签到，发学时证明，结束。
这不叫培训，叫告知。
问题不在专家讲得好不好，在于角色错位：我们让 Router 去当了 Worker，让最该做统筹、分派和记忆的部门，去做它最不擅长、也最不该亲自做的事。
Router 该干的活，文章里写了三件。
一、全局记忆
Router 存在的意义，是所有跨任务的信息与决策都在这里汇总。对应到学校，是一份全校可查的改造档案：哪个学院、哪门课、改到哪一步、卡在哪、谁在做。没有这份档案，一所万人大学每年都在重新发现同一个问题。
二、分派
Router 只处理任务之间的高层关联，不介入单任务内部。对应到学校，是选拔种子教师、配对双师、把任务派到具体的人头上，而不是发份通知等学院自己报。
三、对外接口
Worker 不直接对外，由 Router 统一回复。对应到学校，是所有口径、成果、申报材料从一个口子出。否则各学院各说一套，评估时对不上。
有两个样本值得看。它们的共同点不是花钱多，是把 Router 建起来了。
| 学校 | 做法 |
|---|---|
| 四川大学 | 「四阶十维」教师人工智能素养框架，配两年行动计划。2026 年「启航计划」全员通识年，各学院组织全体教师以必修加选修完成专题培训；2027 年「领航计划」分层深化年，转向中青年教师的教学应用实操。硬指标：每个学院孵化「AI+课程」优秀案例 5 到 10 个，选育「AI 教学先锋教师」约 30 人。 |
| 合肥经济学院 | 专项投入 1000 余万元教师数智化经费，构建「顶尖高校研修＋头部企业实训」双轨体系，分批送千余名教职工赴浙江大学、同济大学、上海交通大学研修；同时常态化派青年教师进企业，做 AI 赋能、算力应用、智能体开发的培训与行业认证。回校后还要过三道工序：教研分享、课堂转化、项目孵化。 |
两校的共同结构是三层：全员一层负责覆盖，种子一层负责产出，成果一层负责出口。这正是文件要的「分层分类＋全覆盖＋测评」。
还有一条制度设计值得单独拎出来。
文章讲事件路由时给了一组数据：取消「直通」机制后，Router 需要做的决定增加了约 30%，总读缓存 token 从 2323 万涨到 3177 万，增幅约 37%。
所以「直通」在学校里对应什么？授权加备案。
种子教师的课程改造方案，教务处备案即可开工，不必排队等三轮论证。Router 保留观测权，不做每件事的审批人。这条不写进制度，前面所有分层都会退化成层层请示。
PART 03课程改革：换掉的是课堂的「输入」
文章第三节讲「事件驱动」，起点是个很朴素的变化：Agent 的主要输入，不再是人类逐条键入的提示词，而是环境里持续产生的半结构化事件——群消息、邮件、代码评审评论、CI 结果。
这个转变对课程的启发，比任何教学法名词都直接。
| 课堂输入 | 长什么样 |
|---|---|
| 教案（昨天） | 预定义、线性、可穷举、有标准答案。教师把知识点排成 32 个学时，按顺序投放。 |
| 事件（今天） | 一个模糊的需求、一份脏数据、一条自相矛盾的评论、一次失败的运行。有噪音、有歧义、需要现场判断。 |
用教案训练出来的学生，到了事件现场会失能。这才是「会跑 demo，不会用」的机制性原因。
这篇文章里有三样东西可以直接借。
两级过滤：什么该固化成肌肉记忆，什么该留给现场判断
面对海量事件，DeepSeek 没让大模型逐条判断，延迟和成本都受不了。它做了 Fast Path / Slow Path：确定性条件用代码快速筛掉，剩下真正需要理解的才交给模型。
这是一条极好的课程分层判据。必须固化成肌肉记忆的基本功——统计口径、编程规范、实验安全、学术引注——不需要每次现场判断，练到条件反射就行。必须现场判断的东西——这个场景该不该用 AI、这个输出可不可信、这个方案值不值得做——才需要占课堂时间。
现实中的 AI 课程，两类错误各占一半。全当 Slow Path 教，每节课都在讨论「AI 的伦理与未来」，学生四年下来手上没有硬功夫；全当 Fast Path 教，AI 课上成 Python 语法课和工具说明书，学生一进真实场景就废。
分层的意义在于承认：这两类需要完全不同的教法、课时和考核方式。
把上下文当预算：学时就是学生的上下文预算
文章里有一句话，整个 AI 教育最该抄进教务管理规定：
浪费上下文窗口，就是浪费模型的智能。
窗口有限。注入太多，挤占空间、稀释注意力；注入太少，模型得反复调工具去读，步数暴涨。所以 DeepSeek 把上下文当 Cache 经营：能预判要用的直接内联，超预算的留在窗口外、只留引用和摘要。
一门 32 学时的课，塞进 40 个知识点、8 个工具、3 个大作业，看上去充实，实际是把窗口塞满、把注意力稀释。学生记住的是碎片，不是结构。
敢不敢做减法，是这一轮课程改革最见功力也最不讨好的一件事。减法在大纲上不好看，在评估表上不加分。
承认试错：把「尝试过但不成立」也算作学习证据
文章里还有个设计：Agent 在还不确定结果是否被采用时，就根据环境信号在后台先试一把。结果有价值就交付，没有价值就丢弃。
这是对「试错」的工程化承认。对应到课堂是三个安排：允许失败的实验课，过程性评价占足够权重，把「尝试过但方案不成立」也算作有效学习证据。
如果一门课的评分里只有正确答案得分、错误答案扣分，学生就会本能地绕开所有不确定性。而那恰恰是 AI 最不值钱的部分。
已经跑到前面的学校，路径已经很清楚了
| 学校 | 路径 |
|---|---|
| 哈尔滨 职业技术大学 | 以课程改革牵引教师学习。启动「AI+课程改革」专项，让全校各专业和公共基础课教师围绕本领域的 AI 应用做教学创新——教师为了上课，必须自己先学。再组跨学科团队集体攻关，为全校各年级开人工智能通识与应用公共必修课，教师在这个过程中从「技术学习者」变成「课程开发者」，最后凝练成教材。配套以赛促用：首届 AI 赋能教学能力比赛 192 位教师参加初赛，27 位进校赛，评出 16 项优秀作品。 |
| 武汉大学 | 把通识课做成全校统一底座：一门《人工智能导引》面向全体学生，配多学科垂域的通关实验室。 |
关于教材，「短实新」三个字是一句授权：
不必等统编教材，允许讲义先行、活页迭代、一年一版。
AI 领域的统编教材出版即滞后。等书到了，技术已经换了一代。
敢不敢用自己的讲义上课，是这一轮课程改革的分水岭。
PART 04实训室：最贵的错误，是把环境搬进机房
这是三件事里花钱最多、最容易走偏的一项。
文章第五节讲了一个很具体的工程难题：Agent 的计算要放到云端才能持久在线，但执行环境搬不走。
为什么搬不走？原文列得实在：真实开发环境里有未提交的本地修改、私有凭据、内网服务依赖、特定硬件和工具链。在云端重建一套，成本极高还容易漏。
DeepSeek 的解法是解耦：计算在云端跑，环境留在原地，端侧只放一个不保存会话状态的轻量 daemon，负责执行命令、返回结果。这个设计有个名字，叫 BYOM（Bring Your Own Machine）。
把这条平移到高校，很多学校正在犯的错误就露出来了：
我们在把环境搬进机房。
每个学院建一个 AI 实验室，每个实验室配一批 GPU 和几十台工作站，每台机器装一套环境，每个环境各配一个厂商账号。设备总量上去了，利用率下来了，维护成本指数级上升，跨学院的课排不进去，三年后设备过时全部重来。
国家对这件事的态度，文件里写得很清楚：基础环境要「强调集中建设，避免低效重复投入」，由国家牵头建教育智算服务平台、教育科研基础语料库和教育专用大模型，为各级各类学校提供算力、数据、模型和工具。
国家层面在收口，学校层面就不该再铺摊子。
校级该怎么建？三句话。
一个底座，N 个接入点
算力、模型、平台集中建一套，全校共用；真实业务环境分散留在原地，通过接口接进来。
长江师范学院与美林数据共建的「人工智能通识＋专业教学一体化实验室」就是这个结构：一个底座、双重支撑、分层教学、资源共享。同一个平台既承担全校各专业的 AI 通识教学，也承担 AI 专业的算法与工程训练。美术类学生用它做创意设计，人文类学生用它做资料处理，共用一套算力和数据源，各自独立成课。
这个结构的价值不在省钱，在于它让非计算机专业的学生真的用得上。
把「训模型」换成「编排智能体」
上一代实训室的核心任务是训模型：调参、跑 benchmark、看准确率，比的是显卡数量。
这一代的核心任务正在变成搭智能体：把大模型、知识库、业务系统、工具调用串起来，让它在真实流程里跑通一件事。教学形态更接近软件工程和系统集成，需要的是流程、接口、权限、评测、异常恢复。
这里有个很有意思的巧合：DeepSeek 这篇文章本身，就是一份现成的教学案例。
这五个问题，是任何一个做智能体的人都必须回答的。现在有一份公开的、写得很细的标准答案。把它们搬进课堂，比再买一批设备有用。
| 形态参考 | 做法 |
|---|---|
| 合肥经济学院 | 国产化算力中心：32 张昇腾 910B4 加速卡，FP16 总算力约 9 PFLOPS，支撑 AI 通识、AIGC 实训、大模型轻量化训练、智能体开发，同时面向区域高校和中小微企业免费开放。 |
| 山东外国语 职业技术大学 | 更轻的形态：与华为共建人工智能实践实验室样板点，配全国首个与华为合作的 AI 通识一体机，可同时满足 200 名学生同步实践。 |
这两所值得注意的不是设备规模，是它们都把实训室接进了课程表和专业建设，没有让它单独存在。
招标之前，先写清三个使用率
课程使用率：每学期多少门课、多少课时在这里上。要写具体课程名和学时，不能写「预计覆盖全校」。
非计算机专业使用率：如果 90% 的使用者都来自计算机学院，这个实训室对「全校 AI 素养」的意义有限，本质是个专业实验室。
对外开放服务时长：面向区域院校、企业、中小学的服务量。这条直接决定它能不能拿到后续的政策和资金支持。
三个使用率写不进方案，就先别急着招标。
反过来，如果验收标准是「设备清单与合同一致」，这个实训室大概率会变成参观路线上的一个点。
PART 05教学督导：系统在跑，不等于任务在推进
文章第六节讲 Watchdog，一个独立于主系统之外的控制回路。它有一句诊断，对高校教学监控体系的针对性极强：
原文仅靠传统的进程存活探测或监控脚本是不够的
因为许多异常并非进程崩溃，而是模型在执行中陷入无效循环或偏离目标。
系统还在跑，不等于任务在推进。
我们的督导体系，很大程度上就是一套进程存活探测：查课表是否执行、进度是否吻合、材料是否齐全、课堂是否有序。这些指标能发现「停摆」，发现不了「空转」。
而这一轮 AI 进课堂最容易出现的恰恰是空转：PPT 里加了 AI 元素，课堂上有一次大模型演示，作业允许用 AI 完成，评估材料里写「已实现 AI 赋能」。看起来全在跑，实际没有一件事在推进。
所以督导指标必须改。建议只改一条，但改到位：
从「这门课是否使用了 AI 工具」，改为「这门课的学生是否产出了可验证的作品」。
可验证的意思是：能跑、能用、能被第三方复现、能说明它是怎么做出来的。这一条能同时挡住教师的表演式 AI 教学和学生的 AI 代写。
PART 06这篇文章自己承认没解决的事
给决策者写东西，只讲成功案例是不可信的。这篇文章有个难得的品质：最后专门列了开放问题。
实验是简化的
作者自己写明：实验基于合成负载与简化环境，部分设置还可以更严谨，「以上结果仅作为初步参考」。那组 12.4 分钟对 29.5 分钟的数据是方向性信号，不是成绩单。
现在市面上几乎所有「AI+教育」方案都处在这个阶段。别被 demo 说服，要自己跑一遍。
安全与隐私是真风险
文章说得很直接：云端 Agent 一旦被攻破，它连接的全部端侧设备都面临被控制的风险；即使云端没事，只要端侧凭据能进入模型上下文，正常执行过程中同样存在凭据泄露风险。
对应到高校，就是学生数据、科研数据、校内业务系统的权限边界。
跨边界协同没有标准答案
一个组织内存在多个彼此隔离的实例时，如何安全可靠地通信协作仍需探索。
对应到高校，是跨院系的课程共享、跨校的学分互认，以及最难的——一个学生四年的成长数据怎么在学院之间流转而不失控。
政策也明确要求「强化人工智能进校园管理，明确智能产品、终端的应用规范」，防范「学术造假、泄露隐私」。这条不能等出了事再补制度。
采购技术方案时就写进合同：数据不出校、凭据不进上下文、日志可审计。
这三条不是劝退，是提醒：这一轮建设，方案要留出修改的余地。把架构做成可替换的，比把功能做全更重要。
PART 07给决策者的三个动作
如果这篇文章只留下一句话，我希望是这句：
这三件事的预算，不要分三条线报。
分三条线报的结果，是被切成三个小项目，各自都不够用，各自都做不成：教师培训做成两天讲座，课程建设做成一本讲义，实训室做成一批设备。
打包成一个「AI 教学能力建设专项」，一把手挂帅，教务处、人事处、信息中心、二级学院联合推进，才有做成的可能。
- 第 1–2 周
成立跨部门工作组，明确牵头人。必须有签字权，不能是联络组。同时指定「谁负责全局记忆」——它不该是新增一个办公室，而是在现有部门里明确一份档案的归属。
- 第 3–4 周
做一次教师 AI 素养基线摸底。不必等国家标准落定，先用现成工具跑一遍。目的是分层，不是考核。
- 第 2 个月
选 3 到 5 门课做 AI 改造试点，选 1 个专业做交叉课程包。宁可少，不可散。同步启动种子教师的作品制：结业不交学时，交作品。
- 第 3 个月
出一版实训室建设需求书，写清三个使用率；同步申报微专业，把教改成果往「智能教育」项目上靠。
结语工具三年一换，思想四十年没变
DeepSeek 在结语里写：
DeepSeek 原文我们并没有提出全新的理论，而是将计算机系统中经典的工程思想应用到了 Agent 系统的构建中。
这句话在技术圈是谦辞。放到教育里，是一句纲领。
因为过去两年，绝大多数高校的 AI 课程教的是工具：怎么用这个模型、怎么调这个参数、怎么点这个按钮。工具三年一换，等学生毕业，课上教的那一版已经下线了。
而文章里真正值钱的东西——分层、缓存、并发、容错、解耦、监控——是四十年没变过的思想。它们不在任何一款软件的说明书里，但它们决定了一个人能不能看懂复杂系统，能不能在工具换代时迁移自己的能力。
这就是「AI 课程改革」和「AI 工具培训」的分界线，也是这三件事必须同时做的原因。
没有一批愿意先冒险的人，课改推不动。
能力只能在真实的课程里长出来，长不在学时证明上。
思想需要一个地方被跑一遍，才变成能力。
三者同时动，一年见效。只动一个，三年归零。
这一轮 AI 进高校，最后卡住的大概率不是钱，也不是算力。文件已经把路径写清楚，钱也在一轮一轮往下走。
卡住的是人。没有人愿意在自己讲了二十年的课上，先冒一次险。
人的问题靠开会解决不了，靠发文件也解决不了。它只能在真实的课程里、真实的场景里，让一部分教师先跑通一遍，再让其他人看见「原来可以这样」。
不是再上三个项目，
是改一次结构。
延伸阅读与出处：① DeepSeek 产品部与 Harness 团队《Super-agent 设计探索：迈向更自主的 Agent 系统》（2026 年 10 月 31 日）；② 教育部、国家发展改革委、工业和信息化部、科技部、国家数据局《「人工智能+教育」行动计划》（2026 年 4 月）；③ 院校做法引自教育部官网、省级教育行政部门及公开报道（四川大学、合肥经济学院、哈尔滨职业技术大学、武汉大学、长江师范学院、山东外国语职业技术大学）；④ 文中 12.4 分钟 / 29.5 分钟等实验数据为原文自陈的初步结果，仅作方向性参考。