基本信息

  • 课程名称：走近智能体
  • 课程对象：学森挑战计划高中生，主要面向高一学生
  • 授课方式：线下授课 + 腾讯会议（详见课程微信群、Canvas 公告）
  • 授课地点：上海交通大学徐汇校区
  • 课程时间：2026 年春季学期，星期六第七至第九节
  • 详细安排：见“内容安排”页面
  • 教学平台：SJTU Canvas
    具体课程入口详见课程微信群或 Canvas 公告

为什么开这门课

过去几年，大语言模型已经从聊天框进入软件、搜索、写作、编程、设计和日常工作。它可以回答问题，也可以在合适的系统里读取资料、整理信息、生成网页、修改代码、调用工具、接受反馈，并继续推进下一步任务。

如果一上来就讲“智能体”，高中生很容易先记住一串工具名。课程会先回到几个基本问题：大语言模型到底是什么？为什么一个预测下一个 token 的模型，会发展出对话、总结、解释和写代码的能力？为什么把模型放进 API 之后，软件就能调用它？给它上下文、资料和工具之后，它又怎样逐渐从“回答问题”走向“帮助人做事”？

这门课会沿着这条因果链往前走。我们先看懂大模型如何生成回答，再看懂 API、上下文、多轮对话、资料检索、工具调用和人类反馈如何组合起来。到课程后半段，同学们会看到：一个看似简单的智能助手，其实是由许多小能力拼成的系统。

课程怎么学

这是一门低压力、案例驱动的导论课。课堂会尽量从具体任务开始，例如整理一份活动资料、生成一个网页草稿、修改一段说明文字、检查一个计划哪里有风险。每次课只增加少数几个概念，让同学能跟上这件事是怎样一步步变复杂、也一步步变有用的。

课程少讲工具命令和开发文档，多看背后的原理：模型看见了什么，为什么会这样回答，哪些信息进入了上下文，工具到底做了什么，错误从哪里来，人应该在哪一步检查。

课后思考以短文本为主，每次围绕一个具体场景写一段回答。建议同学尽量沿用同一个熟悉场景，这样到最后会自然得到一个完整智能体的雏形。

课程模块

课程分为五个模块。

模块一：先看懂大模型

先理解大语言模型是什么，token 是什么，为什么 Next-Token Prediction 可以产生连贯回答。课堂只保留必要的直觉，帮助同学看懂“模型如何生成文字”。

对应主题：

  • LLM API：模型怎样被程序调用
  • Next-Token Prediction：大模型为什么会接话

模块二：上下文决定模型看见什么

理解上下文、系统要求、用户输入、历史对话、示例、文件片段和任务约束。模型当前看到什么，往往直接决定它接下来怎样继续生成。

对应主题：

  • Context：模型当前看见什么
  • Memory：哪些信息需要被保留

模块三：从一次回答到连续推进

真实任务往往要经历提出初稿、检查问题、补充限制、继续修改。课程会讨论多轮对话、反馈和任务状态，让同学理解智能体怎样一步步推进。

对应主题：

  • 多轮推进：从一次回答到完成任务

模块四：让模型接入外部世界

当任务需要资料、搜索、计算、代码或浏览器时，模型需要接入外部信息和外部行动。课程会讨论 RAG、资料核验和工具调用，理解这些能力怎样扩展模型边界，也怎样带来风险。

对应主题：

  • RAG 与资料：把外部信息带进回答
  • Tool Use：让模型查、算、读、写

模块五：让结果可见，并看清边界

代码助手和网页智能体让自然语言需求变成可见结果。课程会观察智能体如何生成、修改、检查和继续迭代，也会讨论幻觉、权限、隐私、成本和责任边界。

对应主题：

  • 代码智能体：从需求到可运行修改
  • 网页智能体：从想法到可见界面
  • 风险：幻觉、权限、隐私与责任
  • 完整链条：什么样的智能体真的能做成事

你会学到什么

完成课程后，同学们应能做到：

  1. 用自己的话解释 LLM、API、Token、Context、Memory、RAG、Tool Use 和 agent 之间的关系。
  2. 判断一个智能工具主要是在回答问题，还是已经在持续推进一个任务。
  3. 说明上下文、资料、示例和反馈为什么会改变模型输出。
  4. 看懂代码助手、网页生成工具和智能体工具的大致工作方式。
  5. 指出智能体常见失败方式，包括幻觉、误用工具、忽略约束、泄露隐私、权限过大和成本失控。
  6. 拆解一个熟悉的 LLM 智能体应用，说明它需要什么输入、有哪些中间步骤、可能在哪里失败，以及人应该如何监督。

作业与考核

课程考核保持简单，主要看同学是否认真完成课后思考，能否把课堂中的智能体直觉用自己的例子说清楚。

  • 课后思考：45%
    • 共 9 次，每次 5%。
    • 每次围绕一个开放问题，建议 80-150 字。
    • 在 Canvas 直接用文本提交即可。
  • 课程大作业：55%
    • 原则上 3 人一组，观察或设计一个 LLM 智能体助手。
    • 可以选择学习、校园、生活或社会场景。
    • 重点是说明目标、输入、资料、工具、行动步骤、反馈方式和风险边界；不需要做出产品。
    • 提交一页提纲、一张图或一页 PPT 均可，课堂会选取若干有代表性的作业交流。