引言

《教育强国建设规划纲要（2024—2035年）》与《关于加快推进教育数字化的意见》将教育数字化推进到育人方式与评价制度的系统变革，强调高阶思维、实践能力和防止技术依赖的协同发展。大模型具备目标分解、过程记忆、多角色协同能力后，技术介入的基本单位已从一次回答扩展为工作流和认知分工。但部分学习者将认知加工外包的现象已经出现：辅助期间团队作品质量明显提升，撤除工具后独立判断能力并无同步增长。这迫使研究者追问：当智能体能够完成越来越多的专业任务时，什么构成了学习者不可外包的认知核心？

机械类实物项目为此提供了高约束情境。学生需在材料、载荷、公差、工艺、成本与安全约束下完成设计、制造、装调和测试。语言上连贯的参数建议只有在可制造、可装配和可重复测量时才具有工程意义。模型遗漏会以干涉、变形、振动或失效的方式“回到”学习现场；错误不仅降低分数，还可能消耗材料并引发安全风险。实物项目由此放大了生成式人工智能“流畅但错误”输出的代价，为检验学习者是否真正形成工程判断提供了天然的证据环境。

现有研究存在三方面不足。其一，智能体研究多聚焦文本任务，较少进入材料和设备约束显著的全过程项目。其二，工程项目学习研究常把样机当作学习终点，未充分解释样机如何反证数字主张并促成因果理解。其三，智能体可直接改善团队作品质量，作品表现不再自然等同于个体学习；若缺少工具撤除后的独立判断证据，评价可能奖励“系统完成了项目”而非“学生形成了能力”。三者指向同一个理论需要：建立能够解释人、智能体与物三者认知关系并支持教学设计的分析框架。

本文为后续设计型研究构建一组可实施、可审计、可证伪的初始设计理论。分析材料包括2024年1月至2026年5月公开的智能体教育应用、人工智能学习评价及工程项目学习研究，参照机械产品生命周期组织任务结构。分析分三步：识别智能体可能承担的认知功能；按“认知任务—物理约束—证据形式—责任风险”分解各阶段；导出设计原则、待检验命题和评价框架。

一、智能体介入实物项目学习的基本矛盾

（一）从工具使用到认知分工

本文所称智能体，是指能够围绕目标分解任务、保持状态、调用知识或工具并依据反馈调整行动的人工智能系统。其教学意义取决于它在具体阶段承担何种认知功能。需求分析、方案扩展、计算仿真、故障假设和数据处理，看似都可由同一模型完成，实则对应不同的学习价值和错误代价。若笼统归为“AI辅助”，便无法判断学生经历了真正的认知活动还是仅完成了操作步骤。

智能体介入产生四类认知分工。生成与分析用于扩展方案空间、检索标准和辅助计算；批判与诊断用于提出反例和证据缺口；证据审计用于追踪来源、假设和验证状态；安全治理用于识别风险并上报教师。多智能体研究已表明，角色差异化和反馈编排可改善学习活动，但只有将角色与特定阶段的实物约束和证据标准绑定，才可能防止多个智能体在相同错误源上产生相关性幻觉。

（二）三重矛盾及其教育后果

第一重矛盾存在于生成效率与认知经历之间。元分析显示生成式人工智能在适当条件下能提高学习表现，但研究间差异显著，任务设计、学习者能力和评价方式会改变其作用方向。当智能体快速给出需求表和计算书时，学生可能节省低价值重复劳动，也可能跳过问题表征、假设生成和自我纠错。所谓“元认知惰性”并非使用技术的必然后果，而是高质量表面输出掩盖了推理缺席。教学需要的是在流程中嵌入可观察的推理要求和证据留存。

第二重矛盾存在于数字可然性与物理真实性之间。大模型即使调用计算或仿真工具，错误的边界条件、单位和材料参数仍会产生“精确但错误”的结果。工程类学生对人工智能的采用受任务风险和决策权感知显著影响。另一个智能体的赞同或仿真云图不能构成工程证据——可信结论须通过实物测量、标准查对或独立复算来确认。

第三重矛盾存在于认知卸载与工程主体性之间。规则清晰、风险较低且易复核的任务可以合理卸载以释放工作记忆；但问题最终界定、关键参数取舍、故障归因和安全放行若被整体外包，学生便失去形成判断并承担后果的机会。智能体介入后须进一步回答：作品中的哪一个决定由谁提出、谁验证、谁对物理后果负责？若缺失预测、测量、偏差解释和复测环节，工程教育中最具价值的因果推理可能被绕开。

三重矛盾共同表明，智能体的教育后果不由使用频率决定，而由认知功能和责任在人、智能体与物之间的配置决定。若智能体替学生完成不可外包的认识活动，技术便成为答案代偿；若智能体扩展候选主张、实物证据迫使学生解释和修订，技术才可能转化为工程学习。关键在于把“回答正确”与“从证据中学会判断”区分开来。

二、物质证据约束下工程主体性的生成

（一）工程主体性的三维结构

工程主体性是学习者在分布式人机系统中保有提出和验证工程主张、把判断转化为行动并对后果负责的能力，可分为认识主体性（界定问题、比较证据、修订解释）、行动主体性（把模型转化为加工、装配和测量行动）和责任主体性（识别风险、遵守审批、为结论签字）。三者互为条件：没有行动和责任的反馈，认识无法深化。

这一界定与工程教育认证对复杂问题分析和职业责任的要求相衔接，也与人工智能素养框架中的人本判断和持续反思一致。工程主体性不是在智能体介入前已固定的个人属性，而是在“人—智能体—物”关系中被支持、削弱或重新生成的情境能力。评价它不能只问作品是否完成，而要问决策所依据的证据和责任链条是否归属学生。

（二）数字—实物双环及偏差的认识论作用

实物项目包含两个相互咬合的学习环。设计推理环由“需求—假设—模型—预测”构成，把模糊愿望转化为可检验主张；实物验证环由“制造—测量—偏差—诊断—修订”构成，让材料和设备对数字推理作出回应。智能体可在两个环中辅助扩展方案和整理数据，但连接处必须由学生承担：说明预测与测量为何不一致、哪一项假设被否定、如何修订、复测是否收敛。

实物样机兼具双重属性：既是工程交付物，也是认识论装置。材料波动、加工误差和装配间隙会把数字模型省略的条件重新带回推理过程。一次未达指标的测试不天然等于教学失败；若学生能保留原始数据、定位偏差来源、修订模型并复测，失败反而可能生成比偶然成功的演示更深的因果理解。

智能体输出的流畅性常被物质偏差打断，但偏差本身不会自动生成学习——若教师直接给出原因或让智能体替学生完成诊断，认识机会仍会被绕过。只有当偏差被转化为需要学生解释和复测的任务时，物质阻力才成为“必要的认识论摩擦”。

综上，图1所示机制可概括为“主张—反证—解释—修订—复现”：智能体输出外化为候选主张但不具有证据资格；数字预测与实物测量的差异建立可证伪条件；学生在标准和原始数据之间完成归因；修订须接受复测；支架撤除后学生在无智能体条件下解释关键决定以检验能力内化。

（三）机制成立的边界条件

机制成立需三个条件：项目须有可测需求和可重复试验，仅凭教师印象判断则物质证据无法形成反证；智能体输出须留下版本、来源和假设，交互不可追溯则无法区分学生判断与模型代写；偏差解释须由学生主导，智能体可提出诊断假设却不能替代最终归因。工程主体性的生成不在于消除认知卸载，而在于为不可外包的认知活动保留学生必须经历的认知空间。

三、由答案代偿走向工程学习的设计原则

（一）候选主张证据化

第一项原则是把智能体建议降格为“待证工程主张”，其证据链应连接需求、决策、智能体输出、制品、实测与修订。以轴径建议为例，学生须说明载荷假设、材料和安全系数来源、计算版本、加工尺寸及测试变形；若偏差超限，记录被修订的假设。证据链的教育功能不是增加文档，而是迫使学生回答“为什么相信”“如何反驳”“谁承担后果”。

生成与分析角色扩展候选项，批判与诊断角色寻找反例，证据审计角色检查主张是否连接来源和实测，安全治理角色触发暂停和上报。角色配置服从阶段任务，遵循最小必要原则；同一模型可承担不同角色，但生成、核验与批准必须分离，为学生保留比较证据和作出选择的空间。

阶段	学生不可外包的核心认知	智能体支持	最低证据	权限/质量门
需求	把愿望转为可测指标，识别冲突	访谈整理、矛盾提示	需求基线、验收指标、确认记录	需求基线由学生与教师批准
概念	提出备选并作有依据的取舍	方案扩展、反例与失效提示	权衡矩阵、淘汰理由、风险清单	智能体只建议，学生选择
建模	界定边界条件与模型适用域	计算、代码、仿真与敏感性提示	推导、单位核查、基准验证、版本	低风险数字执行；关键参数双核
制造	判断可制造性并选择工艺	工艺比较、DFM与程序辅助	工程图、工艺卡、风险评估	加工与设备操作须教师放行
装调	形成竞争性故障假设	故障树、症状映射、排查建议	日志、假设排序、单变量试验	不得自主驱动物理设备
测试	保证测量有效并解释不确定度	数据整理、可视化、异常提示	校准记录、原始数据、测试报告	方案先审批；原始数据不可改写
迭代	完成因果归因与跨情境迁移	版本对照、证据缺口审计	偏差解释、修订差异、复测证据	最终结论与责任由学生承担

表1将实施单位由“课程级”细化为“阶段—认知—支持—证据—权限门”，教师可依据风险、先备知识和设备条件灵活调整，而非套用固定软件清单。

（二）支架渐隐与个体剩余能力检验

第二项原则是把智能体支持设计为可撤除脚手架。早期示范拆解需求和查找证据；中期转为提问和显示证据缺口；后期只提供反例或沉默审计。渐隐判据是学生能否在较少支持下独立完成同类认知动作——若撤除工具后学生无法说明关键参数或预测失效模式，增强表现尚未转化为工程主体性。

评价须区分两条通道：人机增强表现（样机性能、可靠性、工程文档、协作效率）和个体剩余能力（无智能体条件下概念推理、关键计算、陌生故障诊断、证据解释和延迟迁移）。高增强表现与高剩余能力并存才是增能；作品质量高而剩余能力低则接近答案代偿。

（三）决策权与责任不可外包

第三项原则是分离建议权、数字执行权与物理批准权。智能体可在受控环境中检索、计算和运行低风险仿真，但危险操作、加工放行、设备启停和最终责任签字须由学生和教师依规完成。认知卸载分三类边界：程序性任务可卸载；方案取舍和诊断可协同但学生须核验；问题界定、安全批准和最终责任不得外包。

这种边界是教学机制而非技术合规。生成式人工智能治理需把透明披露、风险分级和人类监督嵌入流程，学术伦理要求处理人机关系与责任追溯。在实物项目中，治理核心是：谁有权让设备动作？谁确认测量有效？谁对失效负责？权限与责任可追溯，学生才可能在真实后果中形成责任主体性。

四、可检验命题与评价框架

（一）三个待检验命题

基于前述机制提出三个待检验命题。

命题1：阶段—角色匹配通过增加关键主张的核验与解释行为提高个体剩余能力——需比较同样使用智能体但角色编排不同的项目组。

命题2：预测—测量偏差的因果解释在智能体支持与工程理解之间发挥中介作用；真正产生学习的是学生能否利用数据区分错误类型并完成可复测修订。

命题3：支架渐隐与权限门调节认知卸载的作用方向——低风险任务卸载可能同时提高两类表现，高价值判断被持续代替则导致表现分离。

（二）多源证据的三角互证

评价应形成过程证据（需求版本、决策理由、智能体披露、模型版本、测试数据、修订轨迹）、作品证据（功能、精度、可靠性、可制造性、安全性）和个体证据（无智能体口试、现场诊断、变式任务、延迟迁移）的三角互证。样机性能属于团队，关键决定与独立解释属于个人，不能将团队分数复制为个体能力。

双通道评价提供四种诊断：均高表明学习增值，作品高而剩余低表明答案代偿，作品低而剩余高提示编排问题，均低则需回到任务和先备知识诊断。面向生成式人工智能的评价研究均强调应同时促进创造性、学术诚信和可解释的个体学习。

（三）验证路径与边界

后续研究分两阶段。第一阶段采用设计型研究，在小规模项目中检验角色匹配、证据链可用性和权限门负担，完整报告失败案例。第二阶段在流程稳定后开展准实验：实验组接受结构化智能体支持，对照组实施相同实物项目但不采用该支持，两组保持难度、设备和考核一致。主要结果预先确定为个体剩余能力指标和团队增强表现指标。

研究还应报告错误建议采纳、设备近失、接入差异和模型版本漂移等不利结果。人工智能支持的工程教学虽能改善计算思维，但其作用受先备知识、素养和项目复杂度调节。本文框架适用于课程周期内可完成、中等复杂度且可重复测试的机械或机电样机，不宜外推到高能、高压、医疗或载人系统。

五、讨论与结论

本文的理论贡献有三点。第一，将智能体教育研究的分析单位从工具效果转向认识权、行动权与责任权的重新分配。第二，将实物样机从项目成果重新界定为认识论装置，揭示偏差如何将材料阻力转化为学习资源。第三，用证据链、支架渐隐和双通道评价解释“作品更好但学生未必学会”这一评价难题。

本框架仍是基于近期文献和任务分析形成的初始设计理论，尚需在不同学校和项目条件下检验；证据记录与口试会增加负担，需探索最低充分证据集；智能体性能快速变化，须记录模型版本和工具权限。物质反证只有在学生保有解释责任时才有教育意义。

智能体介入实物项目学习的关键，是重新安排人、智能体与物之间的认知分工、证据关系和责任结构。最有教育价值的智能体，不是最快给出正确答案的智能体，而是在适当时刻扩展方案、暴露假设和提示证据缺口，在物理事实出现后把解释、修订与负责交还学生的智能体。当学生能够说明设计依据、证据指向和失效可能，在工具撤除后仍能判断并对后果负责时，智能体才从答案代偿转化为工程主体性的生成条件。

参考文献：

1. [1] 中共中央, 国务院. 教育强国建设规划纲要（2024—2035年）[EB/OL].(2025-01-19)[2026-05-17].https://www.moe.gov.cn/jyb_xxgk/moe_1777/moe_1778/202501/t20250119_1176193.html.
2. [2] 教育部等九部门.关于加快推进教育数字化的意见：教办〔2025〕3号[EB/OL].(2025-04-11)[2026-05-17].https://www.moe.gov.cn/srcsite/A01/s7048/202504/t20250416_1187476.html.
3. [3] 吴河江,吴砥,谢晶.人工智能赋能教育生产力的机理与进路——兼论教育的生产力属性[J].教育科学,2025,41(03):17-23.
4. [4] Miao F, Shiohira K, Lao N. AI competency framework for students[R]. Paris: UNESCO, 2024.
5. [5] 吴永和,姜元昊,陈圆圆,等.大语言模型支持的多智能体：技术路径、教育应用与未来展望[J].开放教育研究,2024,30(05):77-89.
6. [6] 顾小清,郝祥军.悟空的毫毛：正在重塑学习技术系统的多智能体[J].华东师范大学学报（教育科学版）,2025,43(05):16-29.
7. [7] 黄昌勤,钟益华,王希哲,等.从单智能体到多智能体：大模型智能体支持下的激励型学习活动设计与实证研究[J].华东师范大学学报（教育科学版）,2025,43(05):44-56.
8. [8] 何珊云,沈演.学会提问：大学生与生成式人工智能协同学习模式的研究[J].华东师范大学学报（教育科学版）,2025,43(02):34-48.
9. [9] Doulougeri K, Vermunt J D, Bombaerts G, et al. Challenge-based learning implementation in engineering education: A systematic literature review[J]. Journal of Engineering Education,2024,113(04):1076-1106.
10. [10] Deng R, Jiang M, Yu X, et al. Does ChatGPT enhance student learning? A systematic review and meta-analysis of experimental studies[J]. Computers & Education, 2025, 227: 105224.
11. [11] Fan Y, Tang L, Le H, et al. Beware of metacognitive laziness: Effects of generative artificial intelligence on learning motivation, processes, and performance[J]. British Journal of Educational Technology,2025,56(02):489-530.
12. [12] 王佑镁,王旦,王海洁,等.生成式人工智能教育应用的“去技能化”危机与应对：基于反转型逆向思维分析框架[J].开放教育研究,2025,31(04):97-108.
13. [13] Dai Y. Why students use or not use generative AI: Student conceptions, concerns, and implications for engineering education[J]. Digital Engineering,2025,4:100019.
14. [14] Akolekar H, Jhamnani P, Kumar V, et al. The role of generative AI tools in shaping mechanical engineering education from an undergraduate perspective[J]. Scientific Reports,2025,15:9214.
15. [15] Shashidhara V V, Prabhu R, Chippar P. Transforming ideas into products: Project based learning in prototyping, fabrication, and testing course for first year engineering students[J]. International Journal of Mechanical Engineering Education,2026,54(02):370-390.
16. [16] 中国工程教育专业认证协会.工程教育认证标准（2024版）[S/OL].(2024-12-01)[2026-05-17].https://www.ceeaa.org.cn/detail.php?category=tzgg&id=2048.
17. [17] Couch S, Paul K M, Sullivan M, et al. Assessing learning and development through transdisciplinary problem-based invention education offerings[J]. Frontiers in Education, 2024, 9: 1306016.
18. [18] Guo G. Enhancing project-based manufacturing education with integrated engineering software tools[J]. Computer Applications in Engineering Education, 2025, 33(02): e70012.
19. [19] 杨澄宇.论教育与人工智能遭遇的事件性及应对[J].教育科学,2026,42(03):31-37.
20. [20] 蒋佳东,郭俊杰.自我的启蒙：学习者与生成式人工智能共享意义创造内在影响机制研究[J].开放教育研究,2026,32(01):87-97+111.
21. [21] Nguyen A, Duong A T, Nguyen D T B, et al. Guidelines for learning design and assessment for generative artificial intelligence-integrated education: A unified view[J]. Information and Learning Sciences, 2025, 126(7/8): 491-512.
22. [22] Xia Q, Weng X, Ouyang F, et al. A scoping review on how generative artificial intelligence transforms assessment in higher education[J]. International Journal of Educational Technology in Higher Education, 2024, 21: 40.
23. [23] Perkins M, Roe J, Furze L. Reimagining the Artificial Intelligence Assessment Scale: A refined framework for educational assessment[J]. Journal of University Teaching and Learning Practice, 2025, 22(07).
24. [24] 沈苑,房斯萌,柳晨晨,等.生成式人工智能教育应用治理：案例与反思[J].开放教育研究,2024,30(06):39-47.
25. [25] 牛军明.数智时代大学学术伦理构建的逻辑与进路[J].教育科学,2026,42(03):82-88.
26. [26] Hou C, Zhu G, Liu Y, et al. The effects of critical thinking intervention on reliance behaviors, problem-solving quality, and creativity during human-generative AI collaborative learning[J]. Computers & Education,2026,247:105576.
27. [27] Peters M, Angelov D. Redefining assessment tasks to promote students’ creativity and integrity in the age of generative artificial intelligence[J]. International Journal for Educational Integrity, 2025,21:25.
28. [28] Lei Y, Liu J, Fu X, et al. The effects of a generative AI-enabled CDIO teaching model on undergraduates’ computational thinking and individual psychological constructs[J]. Computer Applications in Engineering Education, 2025,33(05):e70075.
29. [29] Ma S, Chen Z. The development and validation of the Artificial Intelligence Literacy Scale for Chinese College Students (AILS-CCS)[J]. IEEE Access,2024,12:146419-146429.