Abstract
With the rapid development of science and technology, AIGC technology is playing an increasingly important role in educational innovation. At present, college students are generally facing the problem of difficulty in finding employment, and they urgently need more personalized and accurate academic planning to improve their employment competitiveness. In this study, we used AIGC technology to construct a personalized intelligent tutoring assistant, which can comprehensively consider multi-dimensional factors such as students' professional background, interest preferences, and employment intentions, and tailor an exclusive academic planning plan for each student. Through accurate matching of courses, course question answering, and academic development path planning, it aims to comprehensively improve the comprehensive quality and employment competitiveness of college students, and help them smoothly enter the ideal workplace environment after graduation. This paper not only theoretically discusses the deep integration of AIGC technology with the field of education, but also provides practical cases for the application of AIGC in education scenarios. This achievement not only helps to promote the innovation and reform of the education model, but also provides experience and ideas for universities and educational institutions to learn from in the reform of personalized education, which has certain practical significance.
Keywords
AIGC; Personalization; Intelligent Tutoring Assistant; Academic Planning
1.引言
近年来，我国人工智能产业呈现跨越式发展态势。自党的十八大以来，国家层面相继出台《新一代人工智能发展规划》（2017）[1]、《关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见》（2022）[2]等纲领性文件，充分展现了我国推动人工智能发展的决心和力度。2022年是AIGC（Artificial Intelligence Generative Content，人工智能生成内容）的爆发元年，ChatGPT的发布使得AIGC破圈，并迅速引发全世界关注。相较于传统的人工智能，AIGC实现了从决策式AI到生成式AI的转型，为教育行业带来了个性化学习内容生成的优势。
国内外学者所进行的关于利用AI辅助学生学习的相关研究中，张浩琛（2024）[3]通过研究发现，AI技术能够通过优化学习路径、提供个性化学习资源以及解决传统学习模式中存在的资源不足、反馈不及时等问题，显著提升学习效果。朱俊华等（2025）[4]通过分析学生与ChatGPT的互动，发现AI在支持个性化学习和自主学习方面具有显著优势。这为AI在教育中的应用提供了实证依据，并强调了关注学生个体差异的重要性。Tabora,Liandro Antonio T（2024）[5]收集并分析了2019年至2024年发表的N=34项研究的数据，以探索AI辅助个性化学习的可行性和影响。总体调查结果显示了AI辅助个性化学习的积极影响，强调在各个国家，尤其是亚洲、非洲和北美，学习成果和学生积极性得到改善。
个性化推荐作为一种新的学习模式在国内逐渐兴起。刘凯等（2016）[6]在个性化推荐系统理论探索中提出，个性化推荐系统的体系构架由其“认知助手”的本质决定，具有内在的层次化结构。这一体系从处理逻辑上分为五个关键过程：体察用户、洞悉需求、了解资源、产生推荐和反馈纠偏，最终形成一个以用户为中心的系统。查英华,朱其慎(2015)[7]在研究基于个性化推荐的移动学习系统构建中提出，对于不同专业背景的学生，个性化推荐系统能够考虑到学生的个性特征和偏好差异，主动向学生推送个性化的知识，提高其学习的有效性。
针对以上背景，现有研究已经证实AI技术以及个性化推荐的有效性，但在利用AIGC助力大学生个性化学业规划的领域存在空白，这为本研究提供了创新空间。本文旨在构建AIGC个性化智能导学助手，从多维度辅助学生，根据专业背景、兴趣偏好和从业意向，生成个性化的学业方案。同时密切结合行业动态，助力学生学业规划与提升就业竞争力，缓解大学生的就业压力，也为AIGC在教育场景中的应用提供了实践案例，具有一定的实践意义。
2.理论背景
2.1 AI大模型
大模型（Large Model）是当前人工智能领域最具突破性的技术方向之一，它通过海量数据和超大规模参数训练，展现出强大的通用任务处理能力。这类模型通常采用Transformer架构，基于自注意力机制来处理复杂的序列数据，其参数规模可达数十亿至数千亿级别。以OpenAI的GPT-3为例，该模型使用了45TB的原始训练数据和1750亿个参数，展现出惊人的语言理解和生成能力。
目前大模型主要分为三大类：专注于文本处理的语言大模型（如GPT系列）、擅长图像理解的视觉大模型，以及能够同时处理文本、图像、音频等多模态数据的跨模态大模型。这些模型已在多个领域展现出巨大价值，包括智能对话、内容创作、金融风控、医疗辅助诊断等应用场景，甚至在基础科研领域的蛋白质结构预测、新材料发现等方面也取得了突破性进展。
2.2 Agent的定义
根据Google（2024）发布的Agent白皮书，智能体被定义为“能够自主决策并采取行动的软件系统，具备观察环境、使用工具及以目标为导向执行任务的能力”[8]。Agent架构图如图1所示。这一定义凸显了AI Agents区别于传统大语言模型的本质特征：其核心优势在于自主行动能力与长期记忆机制——即Agent能够主动感知环境变化、基于目标规划行动序列，并通过记忆系统存储历史交互信息以实现个性化连续服务[9]。从OpenAI的AGI分级框架来看[10]，Agent 第三级突破了主流模型第一、二级仅能被动应答的功能边界，成为可代表用户主动完成复杂任务的智能系统，如自主规划多步流程、动态调用外部工具或处理跨模态信息交互。
图1.Agent架构图[14]
2.3智能体微调的核心理论基础
智能体微调的核心理论支撑源于迁移学习，其本质是复用预训练大模型的通用能力，如语言理解、逻辑推理，通过特定任务数据优化参数，实现从“通用智能”到“专用技能”的高效转化[11]。Yosinski等2014年的研究证实，深层神经网络底层特征具有跨任务通用性，高层特征可通过局部参数调整适配具体任务[12]。因此，微调通常冻结预训练模型主体参数以保留通用知识，仅针对Agent的核心模块，如任务规划、工具调用、记忆机制进行定向优化。例如，通过优化对话策略网络或记忆检索接口，使Agent在客服场景中基于用户历史交互提供个性化响应。
3.智能导学助手的介绍
3.1工作流程
首先用户填写问卷，系统获取用户个人信息，根据用户个人信息进行就业市场调查，为其制定学业规划，用户采用推荐的学业规划之后为其推荐学习资源。然后根据学习资源和时间制定详细的学习计划，并在学习过程中追踪用户的学习情况。用户可以在学习过程中随时进行反馈，系统也会收集学习过程中的数据反馈，根据反馈动态调整，具体的动态反馈过程会在系统模块中的智能反馈模块介绍。如下图所示：
图2.智能导学Agent工作流程图
3.2功能模块
大学生个性化智能导学助手3个模块，分别为个性化学习方案推荐模块、智能学习知识模块、智能反馈模块，智能导学助手模块图如图3所示：
图3.智能导学助手模块图
①个性化学习方案推荐模块设计
个性化学习方案推荐模块作为智能导学助手的特色模块。在具体的设计中，通过借助AIGC技术，采用主动式聊天和被动式接收用户基本信息的方式采集整理用户画像特征。
同时，利用AIGC的科学分析功能多角度展示用户个人特征，然后根据智能导学助手展示的用户自我画像进行就业市场调查。
最后综合用户基本信息与就业市场信息，全面规划一套具体可实施的个性化学习方案。该方案全面结合用户学习习惯特点以及风格，从而提高用户的个性化学习体验[13]。
若用户不满意当前方案，则进入智能反馈模块调整方案。
在个性化学习方案推荐模块的作用下，智能导学助手根据用户的基本信息和职业发展意愿，生成定制化的学习方案。
②智能学习知识模块设计
智能学习知识模块是智能导学助手的核心组成部分，它具备课程资源管理、课程资源辅导、课程资源学习跟踪三大功能，全方位助力学生高效学习。
在课程资源管理方面，该模块构建了一个系统化的课程资源架构。它不仅涵盖了课程之间的关联关系，还包含了丰富多样的具体资源库。课程间的依赖关系清晰地呈现了知识的递进逻辑，能够帮助用户根据自身的学习进度和知识掌握程度，构建个性化学习方案的整体框架，从而有条不紊地推进学习进程，进而显著提升学习效率。
在课程资源辅导环节中，用户可以通过便捷的前端交互界面，向智能导学助手提出与知识技能相关的问题。依据具体问题迅速提供针对性的解答。这种实时的互动辅导，不仅能够及时解决学生在学习过程中遇到的难题，还能激发学生的学习兴趣和积极性。
课程资源学习跟踪功能可以持续记录用户的课程学习轨迹与学习记录。它收集的数据涵盖了知识点内容、学习时长、学习次数等多个维度。通过跟踪用户的学习行为及学习痕迹，智能导学助手能够精准地汇总学习过程中的数据变化，从而为智能反馈模块提供数据支撑。
③智能学习反馈模块设计
智能学习反馈模块主要负责收集用户的自主反馈、学习数据分析反馈，以及学习方案修改。智能导学助手全面收集用户的主观学习感受和日常学习记录，借助AIGC技术整理分析数据，生成近期学习成果及相关数据报告。用户根据报告，能了解自己的学习情况，判断是否修改学习方案。
学习情况主要分为两种：若用户最近学习状态良好，未出现不按时学习课程或课程学习进度不流畅的情况，智能导学助手不会提醒用户调整状态或修改学习方案；若用户出现不按时学习课程或课程学习不流畅的情况，智能导学助手会提醒用户调整状态或修改学习方案。若用户选择修改学习方案，智能导学助手将根据学业规划、学习资源、学习计划的反馈顺序分别处理：
1.若用户反馈学业规划存在问题，则优化学业规划，并修改学习资源和学习计划；
2.若学习资源不符合需求，则调整推荐的学习资源，修改学习计划；
3.若学习计划需要改进，则直接修改学习计划。
在智能学习反馈模块的作用下，用户学习过程中，智能导学助手能实时调整方案，提升用户的学习效率与学习体验。
3.3具体实现
先是环境搭建，安装Ollama框架与Docker容器平台，部署Open Web UI可视化交互界面，之后本地部署Deepseek语义模型，整理多学科标准化问答数据集（JSON格式）利用知识增强平台Onsloth，将各专业人才培养方案、课程教学大纲、教材内容等教学资源进行数字化投喂微调。根据收集到的大学生个人信息，附带自己专业与基本的职业需求。之后统一通过前端页面进行交互。如图4.
图4.智能助手交互页面
大学生依据课程计划开展网上学习，并借助大学生个性化智能导学助手解决日常疑问。系统将收集知识点内容、学习时长、学习次数等数据，深度分析后精准评估学生在各学科和知识点上的掌握程度与学习效果。根据分析结果，向用户提供详细的学习反馈报告，包括成绩评价、优势与不足、改进建议等，如果存在问题，大学生个性化智能导学助手结合当前情况对学习计划进行重新规划。整个学习过程聚焦于提升大学生的就业竞争力，通过优化学习路径和内容，帮助学生积累知识、提升技能，实现学业与职业发展的有机衔接。
4.结语与展望
本研究构建的大学生个性化智能导学助手，通过深度融合AIGC技术，为大学生提供了一种全新的学习与学业规划模式。智能导学助手的核心创新在于个性化学业规划的精准设计与动态调整，以及对大学生就业压力的有效缓解。通过AIGC驱动的智能化服务，智能导学助手突破了传统就业辅导的时空限制，能够全天候为学生提供个性化的学习与学业发展支持，有利于实现了从学业到职业的无缝衔接。
然而，本智能导学助手目前仍存在一定局限性：在用户信息采集方面，除基本信息外还需处理聊天数据等海量过程性数据，如何高效快捷地采集仍需进一步研究；在课程资源推荐上，课程技能与就业岗位所需技能的匹配度有待提升，需优化算法以建立更精准的动态映射模型；在智能导学助手生成的近期学习成果以及相关数据报告方面，现有数据分析方法对用户学习成效的展现不够全面，需完善评价体系以更直观地反映学习过程与学习成果。未来工作中，将进一步完善系统功能，优化系统设计，以适应不断发展的精准导学需求。
参考文献
[1] 国务院.新一代人工智能发展规划[A/OL].(2017-07-20).
[2] 科技部,教育部,工业和信息化部,等.关于加快场景创新以人工智能高水平应用促进经济高质量发展的指导意见[A/OL].(22-08-12).
[3] 张浩琛.基于AI辅助的课程自主学习案例分析[J].电子技术,2024,53(06):302-303.
[4] 朱俊华,许璐瑶,马近远.生成式人工智能如何赋能学生学习——基于大学生自我调节学习行为的实证研究[J].高等工程教育研究,2025,(02):66-72.
[5] Tabora,Liandro Antonio.The Impact of Artificial Intelligence(AI)Systems on the Personalized Learning Outcomes for Senior High School Students:A Systematic Review.In:Proceedings of the International Conference on Future Education and Technology(ICFET),June 14-16,2024,Multimedia University,Malacca,Malaysia,pp.67-74.
[6] 刘凯,王伟军,黄英辉,等.个性化推荐系统理论探索:从系统向用户为中心的演进[J].情报理论与实践,2016,39(03):52-56.DOI:10.16353/j.cnki.1000-7490.2016.03.011.
[7] 查英华,朱其慎.基于个性化推荐的移动学习系统构建[J].新课程研究(中旬刊),2015,(09):7-9.
[8] Google. (2024). Agent Systems: A Comprehensive Framework for Autonomous Decision-Making. Whitepaper.
[9] OpenAI. (2023). AGI Safety from First Principles. Technical Report.
[10] 米栏.2024 AI Agent应用纵览[J].互联网周刊,2025,(05):12-13.
[11] Yosinski, J., et al. (2014). How transferable are features in deep neural networks? Advances in Neural Information Processing Systems, 3320-3328.
[12] Hu, H., et al. (2023). Parameter-Efficient Fine-Tuning of Large Language Models: A Survey. Nature Machine Intelligence, 5(4): 334-348.
[13] 安喜旺.基于MOODLE系统的开放式移动学习平台设计与实现[D].浙江:浙江工业大学,2017.
[14] weng,L.(2023,JUNE 23),LLM - Powered Autonomous Agents.Lilian Weng's Blog. https://lilianweng.gi thub.io/posts/2023 - 06 - 23 - agent/
