从会用Agent到驾驭Agent：浪潮信息大模型实训营兰州大学站结营

如今，使用一个现成的智能体并不难。借助平台提供的模板和插件，也能搭出一个能对话、能查资料的AI助手。

但把它用到具体任务中，问题也随之而来：资料明明上传了，回答为何还是张冠李戴？一项任务，该让Agent按固定步骤执行，还是让它根据情况自主规划？理解这些问题，需要进一步看清Agent如何执行任务，了解Agent的底层编排和工作原理。

日前，由兰州大学信息科学与工程学院、浪潮信息与Datawhale开源学习社区联合开展的浪潮信息大模型实训营在兰州大学结营。实训营依托元脑企智EPAI平台，围绕任务定义、流程编排、知识组织和结果核验，带学生从“用Agent”走向“造Agent”。136名学生自主组队、选题，提交了52份智能体（Agent）应用作品，涵盖专业学习、科研辅助、升学准备和校园生活等方向。

兰州大学信息科学与工程学院突出工科特色，重视专业理论与工程实践的结合。这次实训将选题权交给学生，让他们从熟悉的场景中发现需求，自主设计、开发并检验应用。当AI承担越来越多的执行工作，大学生也需要从任务的执行者，进一步成长为能够定义问题、设计方案、判断结果的应用设计者。会用AI只是起点，学习如何用专业知识设计和驾驭AI，才能在面对新的问题和场景时，作出自己的判断、找到解决办法。

01 从提问到核验，拆解Agent的工作过程

开发一个有用的Agent，首先要把它需要解决的问题说清楚。

一项研究结论，能否适用于所有大学生？在课堂的学术文本处理案例中，回答这个问题，需要先回到原文，核对研究的样本、情境和时间范围，再分析结论的局限。讲师通过提示词优化前后的对照，引导学生检查提问中是否藏着未经证实的假设，明确回答可以依据哪些资料、需要给出什么结果。把笼统的需求转化为准确、可检验的任务，是后续设计的起点。

任务明确之后，还要选择合适的执行方式。同样是处理学术资料，翻译与精读的目标相对明确，可以预先设计工作流；专题调研则可能因为检索中出现的新线索而改变方向。在讲师展示的调研案例中，Agent先澄清用户关注的领域，再调用工具检索文献，并根据返回材料决定是否补查近期综述。工具返回的信息，也成为Agent安排下一步行动的依据。

通过这些案例，课程引导学生理解固定流程与自主规划各自适用的条件。对于反复出现的同类任务，还可以将常用的执行方法和参考资料组织成技能（Skill），供Agent复用。采用哪种方式，学生需要根据具体任务自行判断。

找到了资料，还需要核验答案。在课内实操开发一个“课程学习助手”的过程中，讲师围绕检索增强生成（RAG）讲解资料组织和结果评估：课程讲义需要保留解释概念所需的上下文，标准习题则按问答对组织。面对模型给出的一条回答，既要检查相关资料是否找全、找准，也要核验回答是否忠于证据、回应了提问。

这也为学生调整设计提供了依据。资料没有找到，应检查检索策略；资料已经找到，回答却仍然失准，则需要检查模型使用证据的方式。问题出在哪一步，要通过具体的资料和回答来判断。

02 从学习备考到校园生活，把真实需求变成Agent应用

集中授课结束后，实训营安排了8天的分组开发时间。浪潮信息提供元脑企智EPAI平台和算力资源，助教在开发期间持续答疑。各组需要自行确定应用服务于谁、要解决什么问题，再把这些判断落实到功能和交互设计中。

“我更看重共同承担，不只是稳定。”在“心途”团队展示的一次测试中，用户读完AI写来的“人生回信”，对其中一处解读作了补充。这封信取材于用户在模拟人生中做过的选择。收到反馈后，应用重新回看双方轮流照护的那段经历，调整了先前的理解。在这款面向大学生的自我探索应用中，回信之后还留有交流的空间，用户可以继续解释自己为什么作出这样的选择。

同一道题，最多追问一次。这是“计算机考研复试简单模拟”团队给AI面试官设定的一条规则。团队的主讲学生当时也在准备考研，听过课上的案例后，希望给自己做一个“会追问、会挑错”的复试陪练。回答不完整时，应用会针对原题追问，给练习者一次把原理讲清楚的机会；随后转入下一门专业课，兼顾追问的深度与不同科目的练习需要。

平时拍下的板书和PPT，到了期末还能怎样派上用场？“速记”团队从身边同学整理笔记的习惯入手，让学生根据自己保存的学习资料出题自测。在团队展示的案例中，距离期末考试还有6天，应用结合此前的答题和错题记录，列出需要优先复习的知识点，再分配到每天。留在手机相册里的课堂资料，由此成为安排复习的依据。

一趟从兰州到西安的两日游，可以按预算设计不同的行程，但车次信息需要先查实。“旅行规划助手”团队据此把查询与规划分开：由车票查询工具获取指定日期的车次，再由大模型结合查询结果组织逐日行程、给出费用预估。演示中的这项分工，也呈现了团队对工具和模型各自用途的考虑：交通信息通过查询获取，行程的综合安排交给模型处理。

结营路演（Demo Day）上，评委也进一步引导学生思考应用的适用边界。针对复习规划工具，一位评委指出，即使课程名称相同，不同学校使用的教材、教师划定的考试范围也可能存在差异，因此建议团队先围绕一门熟悉的课程把应用做扎实，再探索推广的可能性。

专业知识在这里有了具体用途：帮助开发者判断资料是否适用、规则是否合理，以及结果能否回应使用者的实际需要。熟悉一个领域，才能更有依据地设计应用，也更容易发现设计中的遗漏。

03 在真实任务中，培养自主解决问题的能力

“有人带着一步步学，还有结果验收，我觉得挺有收获感的。”一位学生在课后反馈中写道。

实训营把技术学习、应用设计和结果验证放在同一个实践过程中。学生围绕自主选定的题目组织开发，在测试中观察应用的表现，并在路演中说明设计思路，接受关于功能和适用范围的追问。课堂上的方法，也由此成为需要在具体任务中作出取舍的设计选择。

现成的智能体降低了使用门槛，也对大学生的能力提出了新的要求。当AI承担越来越多的执行工作，人需要把模糊的需求定义为清晰的任务，为任务设计合适的流程，核验AI给出的结果、找出出错的环节，还要用专业知识判断一个方案适用于谁、边界在哪里。

会用AI是起点，懂得如何设计和驾驭AI，是大学生需要进一步培养的能力。对高校实践教学而言，这意味着既要为学生提供接触AI工具的机会，也要让他们参与任务设计、开发与验证，在具体问题中练习判断，并根据结果调整方案。

*大模型应用开发实训营由浪潮信息联合高校与Datawhale开源学习社区共同打造，探索将产业技术能力引入高校人工智能实践教学。实训营依托元脑企智EPAI大模型应用开发平台，通过“理论+实操”的教学模式，帮助学生系统掌握大模型应用开发流程，实现从知识学习到应用实践的转化。通过将产业平台、算力资源和实践课程带入校园，实训营进一步缩短高校教学与人工智能产业应用之间的距离，助力“AI+X”复合型人才培养。