方案速览
一页看懂：改什么、怎么改、改成什么样
本方案针对一个已经被招聘市场反复验证、但课程体系尚未跟上的结构性错位：企业的 AI 岗位要求，已经从「会不会训练模型」整体转向「会不会用模型解决业务问题」；而本科计算机类专业的课程重心，仍然压在模型原理、算法推导与调参训练上。结果是学生能完整复述 Transformer 结构、能推导反向传播，却讲不清自己做的项目解决了什么业务问题，也从未独立完成过一次从需求到上线的完整交付。
方案不复述理论，只回答四个问题：课程结构怎么调、理论和工程怎么配比、学生的四种核心能力从哪门课长出来、毕业时手里有什么。
一个底座
以 AI 原生开发平台为统一教学与实训底座，教学、实训、科研项目共用一套环境与工具链。
三个层次
资源赋能（课程包+产业案例库）→ 教学创新（AI 融入课堂）→ 能力升级（人机协同开发与创新）。
四个维度
师资提升、内容重构、案例引入、模式创新，四维一体推进，避免「只换教材不改教法」。
五个层级
通识与交叉 → 技能补丁 → 专业核心 → 项目实战 → 科研与工程实训，四年逐级递进不跳步。
本方案要达成的六个硬指标
② 不是新增一门「AI 导论」，而是让每一门专业课都承接一段 AI 能力——从大一到大四全程贯通；
③ 不以考试和论文收尾，而以「可运行系统 + 可复现实验」双凭据收尾——对就业学生交付项目，对深造学生交付复现与改进。
改革背景与紧迫性
政策已布好局，招聘口径已经换代，课程体系还没有
1.1 最直接的信号：AI 岗位的招聘要求，两年内完成了换代
这是本方案最重要的一个事实。对招聘平台大模型相关岗位任职要求变化进行追踪可以看到，企业看重的技能集合在很短时间内发生了整体迁移：
2025 年 · 大模型岗位要求 TOP 3
- Transformer 架构原理
- PyTorch / 深度学习框架
- 分布式训练
2026 年 · 大模型岗位要求 TOP 3
- RAG / Agent 框架
- API 调用与集成
- 应用开发与部署
数据来源：招聘平台岗位任职要求变化追踪。
与之对应的是学生端的普遍错位。行业面试官反馈的一个典型现象是：大量应届生能熟练背诵 Transformer 原理、手撕反向传播，却讲不清自己做的 AI 项目到底解决了什么业务问题；能列举十几种微调方法，却从未独立完成过一次完整的模型落地与效果调优。
「他练的是『怎么训练模型』，企业要的是『怎么用模型解决问题』。他投的是旧地图上的岗位，而市场已经走到了新大陆。」
—— 这是当前不少计算机类毕业生求职困境的准确概括。本方案的全部设计，都围绕「把地图换掉」这件事展开。1.2 产业侧：需求规模巨大，但缺的是「能闭环」的人
这三组数字放在一起，指向同一个结论：挤在「模型训练」这条窄路上竞争的人已经远远过剩，而真正缺人的是能把模型接进业务、跑起来、验证效果的工程落地环节。对绝大多数本科毕业生而言，前者的胜率极低，后者才是真实的机会窗口。
「72% 的企业表示『招到的人理论充足，但不会做真实项目』；68% 的企业需要额外花费 3–6 个月再培训，新人才能上手业务。」
—— 毕马威面向百家企业的调研结论。企业已经用最直白的方式说明：问题不在学生学的知识不够多，而在于这些知识没有串成一条能交付的链路。1.3 政策侧：本科层面的顶层设计已经就位
| 时间 | 政策文件 / 事件 | 与本方案的直接关系 |
|---|---|---|
| 2018.04 | 教育部《高等学校人工智能创新行动计划》 | 正式设立人工智能本科专业（专业代码 080717T），首批 35 所高校备案。本科层面的学科起点由此确立。 |
| 2025.07 | 教育部人工智能领域「101 计划」建设成果发布 （发布会于西安交通大学召开） |
发布《高等学校人工智能专业人才培养战略研究报告暨核心课程体系》与 12 本核心课程配套教材，体系包含 12 门核心课程大纲与 17 所高校的人工智能本科专业培养方案。→ 本方案的专业核心层与其对接，见 4.5 节。 |
| 2025.08 | 国务院《关于深入实施「人工智能+」行动的意见》 | 提出到 2030 年新一代智能终端、智能体等应用普及率超 90%，智能经济成为重要增长极。→ 明确了「应用层与智能体」是国家层面的方向性重心，与招聘口径的迁移方向一致。 |
| 2026.04 | 《「人工智能+教育」行动计划》 （教育部、国家发展改革委、工业和信息化部、科技部、国家数据局五部门联合印发） |
一体推进人工智能人才培养和应用创新。→ 为高校课程改革、平台建设、产学研协同提供直接的政策依据与项目抓手。 |
| 持续 | 《普通高等学校本科专业类教学质量国家标准》 与工程教育专业认证（OBE 理念） |
要求课程体系以「毕业要求—培养目标」反向设计、以学生学习成果为导向。→ 本方案的课程矩阵与评价改革按 OBE 逻辑组织。 |
1.4 院校侧：专业布点已密，同质化竞争已经开始
截至 2025 年，全国成功备案 / 开设人工智能本科专业的高校已达 569–626 所（不同统计口径），是近年来新增最多的本科专业之一；人工智能相关硕博授权点近 2000 个，在校生规模超 60 万人，每年毕业近 10 万人。
与此同时，多所高校已在校内大面积铺开 AI 课程与复合培养项目：复旦大学面向 2025 级开放 46 个「X+AI」本科双学位项目、在 10 个一级学科试点「学科博士+AI 硕士」双学位；电子科技大学实施「人工智能+工、理、管、文」跨大类双学位培养计划；中山大学新增 4 个「人工智能/计算机+」双学士学位复合型人才培养项目与 9 个相关微专业。
「教育慢变量与科技创新的快节奏之间存在明显的『剪刀差』——人工智能技术迭代周期以月为单位，而教育体系更新需 5 到 10 年。」
—— 同济大学党委书记、中国工程院院士 郑庆华。这句话点明了本次改革的根本矛盾：等不起，只能改机制——把「一次性修订培养方案」变成「每年滚动的课程动态更新」。
问题诊断：错位在哪里
本科的问题不是「没教 AI」，而是「教的方向与验收方式都偏了」
与高职「学生没见过 AI 工具」不同，本科院校的问题更隐蔽：AI 内容其实教了不少，但教学重心、训练方式与评价标准，都指向了一个企业已经不再主要用人的方向。下面五条痛点，都能在校内找到可观察的证据。
痛点 01重心错位：课时大量投给「训练模型」，而岗位需求已转向「用模型解决问题」
课程体系的主干长期由「机器学习 → 深度学习 → 计算机视觉 / 自然语言处理」构成，重心落在模型原理、算法推导与调参训练。但招聘要求已经整体迁移到 RAG、Agent、API 集成与应用部署。学生用四年时间习得的技能，恰好落在竞争最激烈、岗位增速最慢的那一段。
痛点 02链路断裂：课程之间各管一段，没有一条「从需求到上线」的完整闭环
机器学习课只训练模型、软件工程课只讲流程、数据库课只讲建模，学生从未在任何一门课里把这条链路走完过一次。把需要掌握的知识都教了，但没有教会学生怎样把这些知识串成一个能交付的东西。这正是「理论充足但不会做真实项目」的成因。
痛点 03理论与实践脱节：能推导公式，解不了工程约束下的现实问题
学生在黑板上能完成卷积的推导，却回答不了「如何在一张 24G 显存的卡上部署一个 13B 参数的模型」；能背出各种注意力变体的公式，却无法分析线上推理的性能瓶颈在哪。理论停留在了纸面，没有转化成对工程约束的直觉。
痛点 04工程实践学时不足，且实践内容与产业真实工作方式脱节
课程内容更新滞后产业技术迭代约 12–18 个月，工程实践课时占比不足 30%。更关键的是，现有的实践多为「在给定数据集上跑通一个模型、报告一个准确率」，既不涉及需求分析、也不涉及协作开发、代码评审、版本管理与部署验证——而这些恰恰是企业日常工作的主要内容。
痛点 05技术代差：学生没有用过企业正在用的 AI 原生开发方式
学生上机接触的是传统 IDE 与自建训练脚本，从未体验过 AI 原生开发范式——用自然语言描述需求、由 AI 生成代码骨架、再由人做架构决策、代码审查与业务逻辑把控。这套工作方式已经是产业常态，而它在课程里既无位置、也无评价方式。
改革前 vs 改革后：一张对照表
改革前 · 现状
- 课程重心在模型原理与调参训练，与岗位需求方向错位
- 课程各管一段，没有从需求到上线的端到端闭环
- 高数、线代、概率与专业课互不照面，理论不落地
- 实践以「跑通模型、报告准确率」为主，不涉及协作与交付
- AI 工具仅作演示，不进大纲、不进考核
- 考核以笔试 + 实验报告为主，重结果轻过程
- 教师产业经验少，教材与案例滞后 12–18 个月
- 毕业凭据为成绩单与一篇论文
改革后 · 目标
- 在保留理论主干的同时，补齐 RAG / Agent / 部署的完整工程链路
- 每学年至少完成一个端到端项目，链路必修
- 数学课与专业课建立「原理—工程决策」对照关系
- 实践以真实业务问题驱动，含协作、评审、版本与部署
- AI 原生化开发贯穿四年，进大纲、进学时、进考核
- 过程性评价占 40%，作品与复现成果占 40%
- 制度化产业实践 + 校企联合教研 + 案例库年更
- 毕业凭据为可运行系统 + 复现报告 / 论文，双轨可选
总体设计：一核 · 三层 · 四维
一套结构清晰、可拆解执行的改革框架
框架沿用产业侧已被多所高校验证的「一核 + 三层 + 四维」总体设计（见参考资料《AI 编程 Coding 课程教学创新方案 2026》），并针对本科培养定位做了适配改造——不削弱理论，而是让理论重新获得工程落点。
以 AI 原生开发平台为统一开发与教学底座
课程教学、实训实战、科研项目共用同一套环境与工具链，避免「上课一套、实训一套、企业又是一套」的割裂
能力升级
人机协同开发 · 系统架构设计 · 工程化交付与创新
学生不仅能「用 AI 写代码」，更能独立完成需求拆解、技术选型、架构设计、质量验证与系统交付；对深造学生则进一步具备复现与改进的能力。
教学创新
AI 工具深度融入课堂教学、课程设计与实训环节
不是额外加一门「AI 课」，而是让 AI 成为每一门专业课的常态化教学伙伴与学伴，并从课堂延伸到科研训练。
资源赋能
引入 AI Coding 资源包：课程资源包 + 综合实战案例 + 产业案例库
为教学与实训提供统一、持续迭代、可教学化适配的资源支撑，教师不必从零备课。
师资能力提升
聚焦 AI 编程工具应用、人机协同教学方法、项目化教学设计与课堂组织能力，同时补齐教师的产业工程经验。
课程内容重构
围绕 AI 原生开发重构课程体系，融入 AI 辅助开发技术、产业工具用法与真实开发流程，与产业前沿同频更新。
实战案例引入
引入企业真实脱敏项目，构建递进式、工程化、可直接用于教学的案例资源库，强化实践教学与产业场景对接。
教学模式创新
实施「师—生—AI」三元协同教学，推行项目驱动、任务引领、过程性评价，从知识灌输转向能力培养。
本科适配的三条差异化设计原则
本科不能照搬职业教育的「工具化」路线，也不能维持现有的「理论化」路线，需要在两者之间找到属于自己的位置：
原则一：理论不削弱，但必须「落到决策上」
数学与模型原理是本科区别于其他培养层次的立身之本，课时不减、深度不降。但要求每讲一个原理，必须回答「它在工程上对应哪个具体决策」——例如注意力机制对应显存与延迟的权衡，优化理论对应学习率调度与收敛排查。原理不落地的课，一律重做教学设计。
原则二：把「链路」设为独立的教学目标
明确把「端到端交付能力」作为一项单独培养、单独验收的能力，而不是指望它在各门课的缝隙中自动长出来。每学年必须完成至少一个从需求到上线的完整项目，链路本身占学时、占学分、占考核权重。
原则三：就业与深造，出口分流但底座共用
同一套课程底座，两个出口：就业轨偏重系统交付、工程规范与业务理解；深造轨偏重论文复现、实验设计与改进创新。前三年共用，第四年分流，避免「一套课程同时得罪两类学生」。
课程体系重构（核心章节）
从岗位能力出发，搭建五层递进的课程矩阵
4.1 岗位能力画像：先想清楚学生毕业后去做什么
课程改革的起点不是「我们有什么老师、能开什么课」，而是「产业当前需要什么样的人」。结合本科毕业生的实际就业结构，锁定 4 个主岗位方向 + 2 个延伸方向：
| 岗位方向 | 典型岗位 | 核心能力要求（课程必须交付的能力点） | 竞争态势 |
|---|---|---|---|
| AI 应用工程 （机会窗口最大） |
大模型应用开发工程师 AI 全栈工程师 AI 应用工程师 |
提示词工程与结构化输出设计；RAG 链路搭建与调优（文档解析、切分、向量库、重排）；Agent 工作流编排与工具调用；API 集成与前后端交付；容器化部署与基础运维；AI 辅助编码与代码审查 | 需求爆发 |
| 算法与大模型 | 大模型算法工程师 多模态算法工程师 NLP / CV 算法工程师 |
Transformer 及变体原理；分布式训练（数据并行、模型并行）；微调方法论（LoRA / QLoRA 的参数效率分析）；数据工程与评测体系；模型压缩与推理加速（量化、KV 缓存、PagedAttention） | 竞争激烈 |
| AI 工程化 / MLOps | 推理优化工程师 MLOps 工程师 AI 平台开发工程师 |
推理服务化（vLLM / TensorRT-LLM 等）；显存与时延的权衡分析；算力调度与资源管理；高并发服务搭建；模型上线与效果监控闭环 | 缺口明显 |
| AI 产品与解决方案 | AI 产品经理 行业解决方案工程师 |
AI 技术边界认知；把业务需求拆解为可落地的 AI 方案；效果度量与 A/B 测试基础；成本与可行性评估 | 复合型稀缺 |
| 科研与深造 | 硕士研究生 科研院所 / 实验室研究助理 |
论文复现能力；实验设计与消融分析；代码与实验的可复现性规范；学术表达与写作 | 延伸方向 |
| AI 数据与评测 | 数据工程 / 评测工程师 AI 安全与合规岗 |
高质量数据集构建与清洗策略；评测基准设计；模型安全与对抗攻击防御基础 | 延伸方向 |
4.2 能力递进模型 L1–L6：四年能力的成长路线
六个台阶，每一级都有明确的「能做到什么」的验收标准，避免课程之间的能力断裂。注意 L1→L3 为理论夯实阶段，L4→L6 为工程落地阶段——后者正是当前课程体系最薄弱、也最需要补强的部分。
筑基者
掌握编程、数据结构与数学基础；理解大模型能力边界与伦理。
理解者
掌握机器学习与深度学习原理，能解释模型为何有效、何时失效。
协作者
能用 AI 辅助编码、调试、测试，能审查 AI 生成的代码与结论。
构建者
能独立搭建 RAG 与 Agent 应用，完成技术选型与方案设计。
优化者
能完成微调、量化与推理优化，分析并解决性能瓶颈。
交付者
能端到端交付可上线系统，或独立完成论文复现与改进。
| 层级 | 定位 | 对应学期 | 落地载体 | 验收标准（可观测） |
|---|---|---|---|---|
| L1 | 筑基者 | 第 1–2 学期 | 程序设计、数据结构、高数 / 线代 / 概率、AI 通识课 | 通过编程与数学基础测评；完成 AI 工具作品集（≥3 件） |
| L2 | 理解者 | 第 3 学期 | 机器学习、最优化方法；专业核心课模块一 | 能独立完成一个模型的训练与误差分析并解释成因 |
| L3 | 协作者 | 第 3–4 学期 | 技能补丁课（嵌入式 4 课时实验）；深度学习；模块二 | 提交含 AI 协作日志与代码审查记录的代码仓库 |
| L4 | 构建者 | 第 4–5 学期 | 专业核心课模块三；项目实战课一、二 | 独立完成一个 RAG 或 Agent 应用并部署可访问 |
| L5 | 优化者 | 第 5–6 学期 | 专业核心课模块四；项目实战课三、四 | 提交一份含量化 / 推理优化前后的性能对比报告 |
| L6 | 交付者 | 第 6–8 学期 | 科研与工程实训；毕业设计 / 论文；企业实习 | 端到端交付真实项目通过答辩；或完成论文复现与改进报告 |
4.3 五层课程矩阵：从通识到科研实训的完整链条
AI 通识与交叉层
全校通识 / 专业群共享 16–32 课时 覆盖 100% 学生定位：面向全校学生开设，定位为「低门槛入门、工具化赋能」，旨在培养学生的 AI 工具应用能力，为其未来的学习与工作赋能。对计算机类专业学生，该层进一步承担「建立 AI 原生开发心智」的职责——从一开始就让工具成为默认工作方式，而不是高年级才补课。
面向全校：AI 通识课（16 课时）
- AI 与大模型认知：能力边界、常见误区、伦理与数据安全
- 提示词工程入门：角色设定、任务拆解、示例引导、迭代优化
- AI 辅助办公与信息处理：文档、表格、演示、资料综述
- AI 内容创作：文生图、文生视频、短视频脚本与剪辑
- AI 编程初体验：用自然语言生成一个可运行的小工具
面向计算机类：AI 原生开发导入（16 课时）
- AI 原生开发范式：需求描述 → 生成 → 审查 → 修正 的完整循环
- AI 结对编程实操：读代码、改代码、定位缺陷
- 工程素养：Git 规范、代码评审、文档写作
- 建立个人提示词库与项目仓库，作为四年成长档案的起点
- 考核方式：作品集 + 协作日志
技能补丁课：不推翻原大纲的「嵌入式 AI 实验」
专业基础课内嵌 每门 4 课时 覆盖 5 门核心课定位：针对 C 语言、C++、Java、Python、软件工程 5 门计算机类专业课程，提供标准化的 AI 工具实验模块。在不改动原有课程教学大纲、教学目标与核心内容的前提下，每门课程嵌入 4 课时的 AI 工具专项实验，实现传统教学与 AI 工具的深度融合。这是性价比最高、教师阻力最小的切入点，也是已被多所高校验证过的成熟做法。
补丁内容三件套
- AI 辅助原理理解：用 AI 解释抽象概念、生成类比与图示、做对错诊断
- AI 生成代码调试：读懂、定位、修复 AI 生成的代码缺陷
- AI 工具与传统编程结合：AI 生成 + 人工重构的标准化协作流程
嵌入位置建议
- 第 1 课时：课程中段，作为「能力加速器」
- 第 2–3 课时：课程项目阶段，AI 参与模块开发
- 第 4 课时：课程收尾，做一次 AI 代码评审实战
考核与产出
- 4 课时专项实验报告
- AI 协作过程记录（提示词 + 修正记录）
- 计入原课程过程性成绩（建议占 10–15%）
专业核心课：AI 大模型四模块主干课 + 理论底座
专业核心 / 主干 约 300 课时 参照 V5.0 大纲参照《AI 大模型课程大纲 V5.0》的四模块结构组织，本科版不裁剪深度，反而在模块二、模块四上加深；同时保留并强化数学与理论底座课程，二者以「原理—工程决策」的对照关系相互支撑。
- 大模型发展脉络、能力边界与应用场景判断
- 开发环境搭建：Python / Anaconda / Jupyter / VS Code / CUDA
- Python 工程能力：语法、数据结构、面向对象、异常处理、虚拟环境与包管理、工程目录规范
- 提示词工程：角色设定、Few-shot、思维链（CoT）、ReAct、结构化输出、Function Calling
- 本科加深：提示词方法的原理分析（为什么 CoT 有效、何时失效）、上下文窗口与成本的工程权衡
- 微调深入：PEFT / LoRA / QLoRA 的参数效率分析、指令数据构造、评测体系设计
- RAG 检索增强生成：文档解析、切分策略、Embedding 选型、向量数据库（Chroma / Milvus / Faiss）、检索与重排
- LangChain：Model I/O、Memory、Retrieval、Chains、Tools、Callback
- LlamaIndex；评估方法：自动评测、人工评测、消融实验
- 本科加深：检索质量与生成质量的归因分析、向量索引结构与召回率—延迟权衡
- Agent 原理与范式：规划、记忆、工具使用；ReAct 推理框架
- 工作流编排：LangGraph 有向图编排与状态管理
- 工具调用与 MCP 协议、Function Calling 工程化
- 记忆机制与多智能体协同；任务分解与失败恢复策略
- 本科加深：Agent 系统设计的可靠性分析、幻觉抑制与人工介入点设计
- Transformers 生态与分布式训练原理（数据并行、模型并行、FSDP / DDP 差异）
- 模型量化：GPTQ / AWQ / llama.cpp 的算法原理与方案选型
- 推理优化：PagedAttention、KV 缓存管理、显存—时延权衡分析
- 推理部署：Ollama、vLLM、TensorRT-LLM、FastAPI + Streamlit / Gradio 封装；Docker 容器化
- 多模态：CLIP 视觉—语言对齐、文生图 / 文生视频 / 文生 3D、多模态智能体
- 本科加深：给定显存约束下的部署方案设计与性能压测报告
项目实战课：四门递进式企业级项目
项目实战 / 每门 24–32 课时 可演示作品四门项目实战课按「Web 全栈 → 移动端 → 后端与数据 → 系统集成与优化」递进，全部在统一平台上完成，每门课结束都产出一个可演示、可写进简历的作品。与常规课程设计的关键区别在于：每门课都必须走完六环节闭环，缺一不给学分。
| 序 | 项目名称 | 能力训练点 | 交付物 |
|---|---|---|---|
| 01 | 企业官网与内容管理系统 | Web 全栈基础、AI 辅助生成前端页面与样式、内容管理逻辑、响应式布局、接口联调、基础部署 | 线上可访问官网 + 源码仓库 + 部署说明 |
| 02 | 校园二手交易 · 微信小程序开发 | 移动端开发范式、小程序框架、用户交互设计、真机调试、AI 辅助接口联调与兼容性排查 | 可扫码体验的小程序 + 设计说明 |
| 03 | 校园二手交易 · 后台管理系统与数据服务 | 后端接口设计、数据库建模与索引优化、权限与鉴权、业务逻辑生成与审查、接口文档与压测 | 后台系统 + API 文档 + 接口压测报告 |
| 04 | AI 应用集成与推理优化（毕业前综合项目） | 把模块三、模块四的能力集成进前三个项目：接入智能体能力、完成量化与推理优化、做 A/B 效果对比与成本核算 | 集成系统 + 优化前后对比报告 + 成本分析 |
六环节闭环（每门实战课必修）：需求分析 → 技术选型与方案设计 → AI 协作开发 → 代码评审与测试 → 部署上线 → 答辩演示。这一条，就是把「会写 demo」变成「会交付系统」的关键机制，也是本科版区别于传统「课程设计」的核心所在。
科研与工程实训层
科研训练 + 集中实训 + 企业实习 5 天集中 双轨出口本科版在此层设置双轨出口：就业轨以工程交付为主，深造轨以科研训练为主，学生在第六学期末完成分流选择。
🔬 深造轨：科研训练
- 论文复现：选一篇近两年的代表性论文，独立复现其核心实验并提交复现报告（含失败记录与差异分析）
- 改进与创新：在复现基础上提出至少一项改进，做消融实验验证
- 科研规范：实验记录、随机种子、可复现性检查清单、代码开源规范
- 学术表达：组会汇报、论文写作与投稿训练
- 载体：进课题组、大创项目、学科竞赛、开源社区贡献
🛠️ 就业轨：工程交付
- 5 天线下综合实训：在校内实训机房开展，全程以 AI 编程平台为核心支撑，融合理论授课、平台实操、企业级项目全流程实战、小组协同开发四大环节
- 企业实习：不少于 8 周，参与真实项目开发，提交实习报告与项目产出
- 职业素养：简历与作品集打磨、技术面试模拟、项目复盘表达
- 目标：带着一个能讲清楚「解决了什么问题、达到什么指标」的项目去面试
4.4 四年制教学进程建议表
以下为课程矩阵在八个学期中的分布建议，各院校可按专业方向（计算机科学与技术 / 软件工程 / 人工智能 / 数据科学与大数据技术等）与学分制要求微调。表中「工程落地类」指项目实战、部署优化、综合实训与实习环节。
| 学期 | 课程层级 | 主要课程 / 环节 | 建议学分 | 能力级 | 学期末交付物 |
|---|---|---|---|---|---|
| 第 1 学期 | 通识层 + 理论底座 | AI 通识课 / AI 原生开发导入（16 课时）；程序设计基础；离散数学、高等数学（一） | 约 22 | L1 | 个人提示词库 + 编程基础作品集 |
| 第 2 学期 | 通识层 + 理论底座 | 数据结构与算法；高等数学（二）、线性代数；面向对象程序设计；C / C++ 技能补丁课（4 课时） | 约 24 | L1→L2 | 数据结构算法可视化小工具 |
| 第 3 学期 | 补丁层 + 核心层 | 概率论与数理统计、最优化方法；机器学习；模块一「AI 大模型基础与 Python 开发」（48 课时）；Java / Python 技能补丁课 | 约 24 | L2→L3 | 模型训练与误差分析报告 |
| 第 4 学期 | 补丁层 + 核心层 | 深度学习；计算机网络 / 操作系统；软件工程（含 4 课时技能补丁课）；模块二「高级应用开发」（80 课时，上） | 约 24 | L3 | 含 AI 协作日志与评审记录的代码仓库 |
| 第 5 学期 | 核心层 + 实战层 | 模块二（下）+ 模块三「Agent 智能体应用开发」（64 课时）；项目实战课 01「企业官网与内容管理系统」；项目实战课 02「微信小程序开发」 | 约 24 | L4 | 线上官网 + 小程序 + 知识库问答系统 |
| 第 6 学期 | 核心层 + 实战层 | 模块四「部署、量化与多模态」（64 课时）；项目实战课 03「后台管理系统与数据服务」；项目实战课 04「AI 应用集成与推理优化」；学期末完成出口分流 | 约 24 | L5 | 后台系统 + 优化前后性能对比报告 + 分流意愿确认 |
| 第 7 学期 | 实训层 | 5 天综合实训（Demo Day）；科研训练（复现与改进）或企业实习（≥ 8 周）；毕业设计（论文）开题 | 约 20 | L5→L6 | 团队项目交付与答辩 + 复现报告 / 实习报告 + 开题报告 |
| 第 8 学期 | 实训层 | 毕业设计（论文）完成与答辩；企业实习收尾；就业与升学指导 | 约 16 | L6 | 毕业设计（论文）+ 作品集 + 实习鉴定 + 能力认证 |
注：学分为建议值，总学分约 178 分左右（各校学制与学分规定不同，请按本校规定换算）；其中工程落地类（项目实战 01–04、部署与优化模块、综合实训、实习、毕业设计）合计占比建议不低于 35%。必修环节不得以「课时紧张」为由裁撤六环节闭环中的任一环节。
4.5 与教育部「101 计划」核心课程体系的对接
2025 年 7 月，教育部人工智能领域「101 计划」建设成果发布，同步发布《高等学校人工智能专业人才培养战略研究报告暨核心课程体系》与 12 本核心课程配套教材，体系包含 12 门核心课程大纲以及 17 所高校的人工智能本科专业培养方案，是国内 AI 本科课程建设最具权威性的参照。
本方案与「101 计划」的关系是「主干对齐、环节补强」：
① 主干对齐
数学与理论主干课程、机器学习与深度学习核心内容，与「101 计划」核心课程体系保持一致，不做削减、不搞替代。理论底座不因改革而让位。
② 环节补强
「101 计划」解决的是「教什么、教到什么深度」；本方案补的是它未充分覆盖的部分——大模型工程链路（RAG、Agent、部署与推理优化）以及端到端交付环节。
③ 教材协同
优先选用「101 计划」发布的 12 本核心课程教材作为主干教材；本方案第八章的校企共建教材，作为其配套的工程实践与案例补充，二者互补而非竞争。
教学模式创新：师—生—AI 三元协同，三轨并行
从「教师讲、学生听」到「教师设计、学生执行、AI 辅助」
课程内容改了，教法不改，改革就会原地打转。这一章回答两个问题：AI 进了教室之后，一节课到底该怎么上；以及理论课、工程课、科研训练这三类完全不同的教学场景，各自该怎么组织。
5.1 三元结构：每个角色做什么
教师：从「知识讲授者」转为「任务设计者 + 评审者」
- 设计真实、有约束、有层次的任务链与项目边界
- 示范「提问—生成—审查—修正」的完整思维过程
- 评审 AI 生成结果与学生决策质量，而非只看最终代码
- 沉淀可复用的提示词资产、教学案例与实验模板
学生：从「被动接收者」转为「主动执行者 + 判断者」
- 拆解任务、向 AI 提出清晰且带约束的需求
- 审查 AI 产出，判断对错并说明理由（这是核心考核点）
- 记录协作过程，形成个人提示词库与成长档案
- 对最终交付质量、性能指标与业务效果负责
AI：从「炫技工具」转为「常态化学习伙伴」
- 承担样板代码生成、错误定位、文档撰写、代码解释
- 提供多方案对比与思路启发，充当「第一响应者」答疑
- 在科研场景中辅助文献梳理、实验脚本编写与数据整理
- 边界明确：不替代学生做判断，不代写考核作业与论文
5.2 三轨并行：不同课程类型，不同教学组织
本科课程体系中存在三类性质完全不同的课程，用同一套教法必然失效。建议分类设计：
| 轨道 | 适用课程 | 教学组织方式 | AI 的介入方式 |
|---|---|---|---|
| 理论轨 | 数学基础课、机器学习、深度学习原理 | 讲授 + 推导 + 「原理—工程决策对照」环节：每讲完一个原理，用 5–10 分钟回答「它在工程上对应哪个决策、违反它会出什么问题」 | 用 AI 生成多组反例与边界情形，帮助理解原理的适用条件与失效模式 |
| 工程轨 | 模块一至四、四门项目实战课、技能补丁课 | 任务驱动 + AI 结对编程 + 代码评审。课堂以真实业务问题开场，不给解法，学生当堂完成功能点并提交 | AI 作为结对伙伴承担生成与调试；教师重点观察学生的提问质量与判断质量 |
| 科研轨 | 科研训练、毕业设计（论文）、大创项目 | 组会 + 一对一指导 + 复现汇报。强调实验记录规范、消融分析与可复现性 | 辅助文献梳理、实验脚本编写、结果可视化与差异归因；但不允许代写论文正文 |
5.3 一节 90 分钟工程课的标准结构
以下结构可直接作为教师备课模板使用，五个环节共 90 分钟：
| 时间 | 环节 | 教师做什么 | 学生做什么 |
|---|---|---|---|
| 0–10′ | 情境导入 | 抛出一个真实业务问题（来自产业案例库），不给出解法 | 小组讨论：这个问题要怎么拆？需要哪些信息？约束条件是什么？ |
| 10–25′ | 教师示范 | 现场演示完整的「提问—生成—审查—修正」过程，刻意展示 AI 出错并纠正的过程 | 记录教师的提示词结构与判断依据，模仿提问方式 |
| 25–60′ | 学生任务 | 巡回指导，重点关注卡住的学生；记录共性问题 | 与 AI 结对完成功能点开发，同步记录协作日志 |
| 60–80′ | 代码评审 | 组织互评，用 AI 辅助做一次静态检查演示，点评决策质量而非对错本身 | 互评他人代码，提出改进意见并说明理由 |
| 80–90′ | 复盘沉淀 | 归纳本课的关键提示词模式与易错点 | 更新个人提示词库，写 3 句话复盘 |
师资队伍建设
本科院校师资的短板不在理论，而在产业工程经验
本科院校计算机类专业的师资结构与高职不同：学历层次高、理论功底扎实、科研能力强，但真正在大模型工程链路上完整做过项目、或在企业里做过线上系统交付的教师比例偏低。教师是教学创新的关键，将通过系统化的培训与交流，帮助教师快速掌握 AI 工具的使用方法与教学应用技巧，转变教学理念与评价方式；同时通过制度化渠道补齐产业经验。
6.1 师资能力的三块拼图
① 工具与工程能力
能否在 AI 原生开发平台上完成一个真实项目——从需求描述、方案设计、AI 协作开发到部署上线。这是最基础、也最容易被低估的一块。
② 人机协同教学能力
能否设计需要 AI 参与的任务链、能否示范「提问—审查—修正」、能否识别并干预学生对 AI 的过度依赖、能否评价学生的判断质量而非代码正确性。
③ 课程重构能力
能否把一门已有课程改造为「原理—工程决策对照」的形态，能否设计出既守住理论深度、又落地到工程决策的课堂环节。这一块决定改革能否真正进入课堂。
6.2 2 天集中师资培训（普及层）
Day 1
- 上午｜AI 编程工具与工程链路实操
平台核心功能实操：需求描述、代码生成、缺陷修复、项目重构、部署上线；每位教师独立完成一个迷你项目并部署。 - 下午｜人机协同教学方法
如何设计需要 AI 参与的任务链；如何示范「提问—审查—修正」；如何识别与应对学生过度依赖 AI；如何在考核中评价判断质量。
Day 2
- 上午｜「原理—工程决策对照」课程重构工作坊
以本人任教的一门理论课或专业课为对象，现场为至少 3 个核心原理找出对应的工程决策点，形成对照清单。 - 下午｜项目化教学设计与说课演练
完成任务颗粒度设计、课堂节奏设计、过程性评价工具使用；每人 10 分钟说课展示，专家与同侪点评。
6.3 分层进阶体系
| 层级 | 对象 | 能力目标 | 培训与成长形式 | 达标标志 |
|---|---|---|---|---|
| 普及层 | 专业全体教师 | 会用 AI 工具完成日常工作与基础教学；能独立承担 4 课时技能补丁课；能为本课程的核心原理建立工程决策对照 | 2 天集中培训 + 线上实操课 | 通过工具应用与教学改造测评 |
| 深化层 | 专业骨干教师（每方向 3–5 人） | 掌握 RAG、Agent、推理优化等进阶工程能力；能独立设计并实施项目化课程与产业案例教学 | 进阶工作坊 + 企业项目跟岗 + 横向课题参与 | 开发 1 个教学案例并通过评审 |
| 研发层 | 专业带头人 / 课程群负责人 | 能主导课程体系重构、课程标准修订与教材开发；能带教团队、牵引校企联合教研 | 校企联合教研 + 教材共建 + 教改项目 | 出版教材 1 本 / 建成示范课 1 门 / 立项教改项目 1 项 |
6.4 五项配套机制（本科版侧重）
① 产业实践与挂职
每学年安排骨干教师赴合作企业实践不少于 1 个月，参与真实项目开发而非参观考察；由企业一线工程师带教。对青年教师可设立「产业实践期」制度，纳入职称评审与考核依据。
② 产业教授与兼职导师
引进企业技术专家担任产业教授或兼职导师，承担项目实战课、综合实训指导与毕业设计联合指导；同时参与课程标准的校企联合修订。
③ 校企联合教研室与教研共同体
组建校企联合教研室，每月一次教研活动，同步产业工具更新与教学问题；建立教师提示词库、案例库与实验模板的共享机制，避免重复建设。
④ 「双师双能」型队伍建设
目标 3 年内具备产业项目经验或取得行业认证的教师占专业教师比例不低于 60%；引进与内培并重，鼓励教师考取行业技术认证。
⑤ 教学能力测评与激励机制
将 AI 教学胜任力与课程改造成效纳入教师年度考核、教学评优与职称评审参考；组织校内教学能力比赛（AI 教学专项），以赛促教、以赛促改；对完成课程重构并取得成效的教师，在教改项目立项、绩效分配上给予倾斜。改革必须让先行者受益，否则无法持续。
平台与科研环境建设
把企业生产环境「搬」进学校，而不是让学校自建一套
AI 生产性实训平台是 AI Coding 课程教学创新方案的核心底座平台，也是面向产教融合打造的 AI 生产性实训平台。平台搭建了安全隔离、功能完善的全栈 AI 实训环境，深度集成多款主流产业工具，依托商用级生产工具完成教学化适配改造，打造院校专属实训资源，最终形成 技术底座、产品工具、实训平台、实训工具包、生产工具包 五位一体的完整实训体系。对本科院校而言，该平台同时承担教学与科研两类场景的支撑。
7.1 平台能力构成
技术底座
统一身份认证、算力调度、数据隔离与安全审计，院校无需自建全套 GPU 集群。
产品工具
深度集成 AI 编程、智能体、AIGC、模型服务等多类产业工具，开箱即用。
实训平台
面向院校的实训组织与过程管理，支持班级、任务、提交与评价全流程。
实训工具包
教学化适配后的实验手册、案例工程、数据集与操作指引。
生产工具包
企业对客/生产级工具的企业版能力，让学生在学校就接触真实工作环境。
科研支撑
支持论文复现、实验管理、算力申请与实验记录规范，服务深造轨的科研训练。
7.2 集成工具清单（示例）
平台可深度集成多款主流产业工具，覆盖 AI 编程、智能体编排、AIGC 内容生成与模型服务等能力方向：
7.3 三步建设路径
- 完成平台企业版开通与院校专属空间配置
- 建立教师与学生账号体系，完成角色与权限划分
- 组织教师完成首次平台实操体验（作为师资培训前置）
- 在现有计算机实训机房部署客户端环境，无需更换硬件
- 算力走云端，规避本地显卡采购与运维成本；对科研场景开放算力申请通道
- 完成一个专业方向的完整教学闭环试点（含项目实战与 Demo Day）
- 平台同时支撑课程教学、学生科研训练与企业横向课题
- 面向区域企业提供 AI 应用开发与技术服务，承接真实产业项目
- 把横向课题转化为学生实训与毕业设计选题，形成「科研反哺教学」的正循环
教学资源与教材建设
让教师不必从零备课，让学生手里有一套可带走的资源
8.1 四类核心资源
课程资源包
课件、实验手册、示例源码、录制课程、习题与题库，覆盖五层课程矩阵全部环节。
产业案例库
企业真实脱敏项目，构建递进式、工程化、可直接用于教学的案例资源，强化实践教学与产业场景对接。目标 ≥ 60 个。
综合实战案例
由具备一线开发实战经验的专家成员策划与输出，覆盖架构思维、项目实战、平台开发等中高阶能力模块，主打「进阶能力提升 + 架构实战训练」。
技能补丁课资源
面向 C / C++ / Java / Python / 软件工程 5 门课程的标准化 AI 工具实验模块，每门 4 课时，即插即用。
8.2 教材建设：双线并行
主线：选用权威核心课程教材
优先选用教育部人工智能领域「101 计划」发布的 12 本核心课程教材，保证理论主干与国内最高水平的课程体系对齐，避免各校自行编写导致的质量参差。
补充线：校企共建工程实践教材
以学校现有教材为基础，融入应用案例与实践方法，重点补充三类内容，编写出版具有鲜明 AI 时代特色的工程实践类教材。教材编写坚持「理论与实践并重」的原则，突出实用性与可操作性。
① AI 辅助原理理解
用 AI 对抽象概念做解释、类比与可视化，并给出原理失效的边界情形，帮助学生建立工程直觉。
② AI 生成代码调试与审查
把「读懂、定位、修复 AI 代码缺陷」以及「判断 AI 方案是否成立」作为独立能力单元写入教材。
③ 端到端交付流程
给出「需求 → 选型 → 开发 → 评审 → 部署 → 度量」的标准化流程与文档模板，把链路能力教材化。
形态上建议采用活页式、工作手册式教材，便于按年更新案例——这是应对「技术以月迭代、教材需年更新」矛盾的有效做法。
评价与考核改革
考什么，学生就学什么——考核不改，课程改革就会落空
9.1 三维评价结构（按 OBE 逻辑组织）
替换「期末一张卷定成绩」的做法，改为三维加权。这一结构与工程教育专业认证所强调的「以学生学习成果为导向、以过程证据支撑达成度评价」一致，可作为专业认证的有力材料。
9.2 过程性评价采集什么
| 评价维度 | 观测证据 | 采集方式 |
|---|---|---|
| 提问能力 | 提示词的清晰度、约束完整度、迭代优化次数 | 个人提示词库 / 协作日志 |
| 判断能力 | 是否发现 AI 生成内容的错误、修正是否合理、能否说明理由 | 代码审查记录 / 教师观察 |
| 工程规范 | 提交粒度、命名规范、注释与文档完整度、依赖与版本管理 | 版本提交轨迹 / 仓库审查 |
| 架构与选型 | 技术方案的合理性、约束条件下的取舍理由、可扩展性考虑 | 设计文档 / 答辩质询 |
| 效果度量 | 是否建立量化指标、优化前后是否有对比、结论是否有数据支撑 | 性能对比报告 / 实验记录 |
| 科研素养 （深造轨） | 实验可复现性、消融分析完整性、失败记录与差异归因 | 复现报告 / 组会记录 |
9.3 双轨出口的差异化验收
就业轨 · 交付导向
- 可运行、可访问的线上系统
- 技术方案与架构设计文档
- 性能压测与优化对比报告
- 成本核算与业务效果度量
- 8 分钟路演 + 5 分钟质询答辩
- 作品集与简历技术叙事打磨
深造轨 · 复现导向
- 论文复现报告（含失败记录与差异分析）
- 至少一项改进与消融实验验证
- 实验记录与可复现性检查清单
- 开源代码与运行说明
- 组会汇报与学术表达能力
- 毕业设计（论文）
9.4 证书与凭据
企业工具能力认证
鼓励学生取得合作企业的 AI 工具与工程能力认证，作为就业能力证明。
学科竞赛与开源贡献
将 AI 相关学科竞赛获奖、开源项目贡献纳入综合测评与推免评价体系。
作品集与成长档案
四年沉淀的项目作品集 + 源码仓库 + 提示词库，作为求职与升学的核心竞争力凭据。
① 保留「无 AI 环节」：数学基础、算法设计、编程基本功设置闭卷或断网考核；
② 要求过程留痕：使用 AI 必须记录提示词与修改过程，无法提供协作日志的成果不予计分；
③ 论文与毕设的特别约定：允许 AI 辅助文献梳理与代码编写，禁止代写论文正文与实验结论，需在方法或致谢中声明 AI 使用范围；
④ 明确禁止项：考核性作业代写、伪造协作记录或实验数据等行为按学术不端处理；
⑤ 数据合规：教学与企业案例一律使用脱敏数据，不得上传涉密或含个人隐私的数据。
校企合作与实施保障
以「产业工具引入 + 标准化资源赋能 + 校企课程共建」为主线
本方案以 「产业工具引入 + 标准化资源赋能 + 校企课程共建」 为核心主线：引入产业侧 AI 编程平台作为统一教学实训平台，配套已完成开发的课程资源与产业案例库；通过 「师资能力提升先行、五层课程体系落地、校企联合教材开发」 的实施路径，重构「教师引导、学生主体、AI 辅助」的三元协同教学新模式，实现传统编程教学向 AI 原生教学的平滑转型。
10.1 六项合作内容
共建课程
校企联合修订专业课程标准，把 AI Coding 能力要求纳入课程考核体系，明确各课程的 AI 工具教学目标、教学内容与考核标准。
共建教材
联合开发 AI 时代特色工程实践教材，企业提供真实案例与技术审校。
共建实训基地
共建 AI 生产性实训平台与实训基地，具备对外服务与承接横向课题的能力。
共培师资
企业专家进校培训教师并担任产业教授，教师赴企业实践挂职，双向流动。
共研项目
企业真实课题进课堂，成为学生实训、毕业设计与教师横向课题的共同来源。
共推就业
共建实习与就业通道，优先推荐优秀学生进入合作生态企业。
10.2 可参照的合作案例
该教学模式已在多所高校的课程改革中落地验证，形态与本方案的「技能补丁 + 项目实战」路径高度一致，可作为校内论证与方案汇报的有力依据：
| 合作院校与课程 | 改革做法与可借鉴之处 |
|---|---|
| 上海交通大学 IEEE 试点班 《AI 软件工程》课改革实践 | 以 AI 编程平台作为统一开发与教学底座，重构软件工程课程的教学流程与项目组织方式。→ 对本科《软件工程》课程的改造具有直接参考价值。 |
| 复旦大学 《生成式软件开发》课程 | 针对 C、C++、Java、Python、软件工程 5 门计算机类专业课程，提供标准化的 AI 工具实验模块，在不改动原有课程教学大纲、教学目标与核心内容的前提下，每门课程嵌入 4 课时的 AI 工具专项实验。→ 这正是本方案「技能补丁课」的直接蓝本。 |
| 清华大学 《操作系统》课程 | 在系统类硬核课程中引入 AI 辅助理解与代码分析，验证 AI 在底层原理课程中的适配方式。→ 对「理论轨」课程如何引入 AI 有直接参考意义。 |
| 中国人民大学 《软件工程》课程 | 以真实项目驱动，将 AI 深度嵌入需求分析、设计与评审环节。 |
| 北京邮电大学 《智能人机移动互联—零代码现代工程开发》课程 | 以零代码/低代码方式降低开发门槛，可作为交叉培养（X+AI）与通识层的参考形态。 |
10.3 组织与经费保障
组织保障
- 校级领导小组：分管校领导牵头，教务处、研究生院（如涉及）、信息中心、二级学院参与，负责决策与资源调配
- 专业与课程群工作组：由专业带头人组成，负责培养方案修订与课程标准落地
- 校企联合教研室：企业专家 + 校内教师，负责案例建设与教研活动
- 质量督导组：负责过程性数据抽查、达成度分析与年度评估
经费保障方向
- 平台与账号：实训平台企业版授权、学生账号规模采购、云算力
- 师资发展：集中培训、分层进阶、企业实践挂职、产业教授聘任
- 资源与教材：教材编写出版、案例库开发、课程资源定制
- 实践与竞赛：综合实训组织、Demo Day、学生参赛与开源支持
- 教改激励：教改专项立项、课程重构绩效、教学能力比赛奖励
10.4 风险识别与应对
| 风险点 | 可能的表现 | 应对措施 |
|---|---|---|
| 「砍理论加工具」的误读 | 改革被理解为降低学术标准，引发学科内部与评审环节的阻力 | 在方案中明确理论课时不减、深度不降，改革指向的是「增加工程落点」而非「替换理论」；用「原理—工程决策对照表」这类具体成果证明理论被强化而非削弱。 |
| 技术迭代过快 | 课程刚落地，工具与模型已更新一代，内容迅速过时 | 建立「每年一滚动修订」的课程动态更新机制；课程资源以模块化、活页式组织，降低更新成本；依托平台方的持续迭代资源，避免校内单打独斗。 |
| 教师抵触与能力不足 | 教师担心「AI 会削弱基本功」，或自身工程经验不足而回避改革 | 先用 4 课时技能补丁课 这种小颗粒度的方式取得「小胜仗」；同时通过产业实践、产业教授带教补齐工程经验；不搞「一刀切」考核，先行者给予绩效与荣誉倾斜。 |
| 学生过度依赖 AI | 离开 AI 就不会写代码，基本功退化，作业与论文雷同 | 设置「无 AI 考核」环节守住基础能力底线（数学、算法、编程基本功闭卷）；要求提交 AI 协作日志与代码审查记录；增加口头答辩与现场改码环节。 |
| 科研与教学争夺时间 | 教师科研压力大，课程改革缺乏投入；学生也面临考研与就业的双重挤压 | 让改革与科研互相供能：案例库与横向课题互为来源、学生复现训练可服务教师科研；教学成果（示范课、教材、教改项目）纳入职称评审业绩认定。 |
| 伦理与数据安全 | 学生上传涉密/隐私数据；生成内容存在版权与合规风险；论文 AIGC 使用不规范 | 制定并宣讲《AI 使用规范（学生版）》；统一使用脱敏数据；平台侧做数据隔离与使用行为审计；对论文与毕设明确 AI 使用声明要求。 |
| 改革流于形式 | 培养方案上加了 AI 相关课程，但教法、考核、评价都没变 | 把 「过程性评价占 40% + 成果交付占 40%」 与「六环节闭环」写入课程标准并纳入督导抽查；每学期做一次课程质量诊断，结果与课程群考核挂钩。 |
| 算力与经费受限 | 无力采购大规模 GPU 集群，实验条件受限 | 采用云化算力 + 现有环境的轻资产路径，教学与常规实训算力走云端；对确有需要的大规模训练，通过平台算力申请或校企合作渠道解决，避免一次性重资产投入。 |
实施路线图：18 个月五阶段
本科改革周期更长、牵涉面更广，节奏必须与培养方案修订周期对齐
- 开展产业人才需求调研与毕业生就业质量回访，形成《岗位能力需求报告》
- 完成「现行课程 × 101 计划核心课程」对照表，输出《课程内容错位诊断清单》
- 完成实训平台开通与账号体系搭建，教师完成首次平台体验
- 组建校级领导小组、课程群工作组与校企联合教研室，方案论证会通过
- 完成 2 天集中师资培训（普及层），教师 AI 工具应用测评通过率 ≥ 90%
- 组织「原理—工程决策对照」工作坊，完成首批 3–5 门课程的改造方案
- 启动产业实践挂职与产业教授聘任，组建双师团队
- 选定 1 个专业方向、2–3 门课程作为试点，落地技能补丁课与项目式改造
- AI 通识课首次开课，产出首批学生 AI 工具作品集
- 每月一次教研活动，沉淀问题清单与改进措施，形成试点总结报告
- 用试点班的学生作品作为改革成效的可视化证据，向全校推广
- 专业核心课四模块完成开课准备，课程标准与教案全部到位
- 四门项目实战课陆续开出，形成首批可演示作品与优化对比报告
- 组织首次 5 天综合实训，举办首届 Demo Day
- 技能补丁课覆盖 5 门专业基础课，全专业铺开
- 启动校企联合教材编写，确定选题与分工；完成新一轮培养方案修订
- 产业案例库扩容至 ≥ 60 个并完成教学化标注
- 完成首轮教材书稿，进入出版流程
- 开展改革成效评估（学生能力测评 + 教师能力评估 + 企业满意度调研 + 课程达成度分析）
- 形成下一年度的课程滚动更新版本，进入常态化运行
预期成效与评估指标
用可测量的指标替代「取得良好效果」式的模糊表述
12.1 分角色评估指标
| 维度 | 指标 | 目标值 | 评估方式 |
|---|---|---|---|
| 学生侧 | 毕业前完成至少 1 个端到端项目（需求→上线）的比例 | 100% | 作品集审查 |
| 掌握 RAG 或 Agent 开发并能独立复现的比例 | ≥ 85% | 项目与现场考核 | |
| 签约岗位方向为 AI 应用 / AI 工程化的比例 | ≥ 40% | 就业质量报告 | |
| 参与科研训练、学科竞赛或开源贡献的比例 | ≥ 50% | 成果统计 | |
| 用人单位对毕业生工程能力与项目能力的满意度 | ≥ 90% | 企业回访调研 | |
| 教师侧 | 具备产业项目经验或行业认证的教师比例 | ≥ 60% | 师资档案 |
| 完成课程重构（含原理—工程决策对照）的课程比例 | 100% | 课程文档审查 | |
| 省级以上教改项目 / 教学能力比赛 / 教材成果 | 每年 ≥ 3 项 | 成果统计 | |
| 专业侧 | AI 融合示范课程（校级及以上） | ≥ 10 门 | 课程认定 |
| 产业案例库案例数量（企业真实脱敏项目） | ≥ 60 个 | 资源库盘点 | |
| 校企联合开发教材 | ≥ 4 本 | 出版记录 | |
| 工程落地类学时占专业总学时比例 | ≥ 35% | 培养方案核算 | |
| 校企侧 | 深度合作企业数量 | ≥ 8 家 | 合作协议 |
| 企业真实项目进入课堂的年度数量 | ≥ 15 个 | 项目台账 | |
| 横向课题 / 生产性实训基地对外服务项目 | 年度 ≥ 5 个 | 合同与到账记录 |
12.2 质量保障机制
每学期一次
课程质量诊断：抽查教学过程性数据、学生作品质量、教师课堂实施情况，形成改进清单。
每学年一次
产业对齐度与达成度评估：回访合作企业与用人单位，检视课程内容与岗位需求的一致性；完成课程目标达成度分析，输出修订建议。
每四年一次
培养方案整体修订：结合「101 计划」核心课程体系更新、专业目录变化与产业技术演进，完成系统性重构。
附录
A–F 六份可直接落地使用的配套材料
附录 A 岗位能力—课程映射矩阵
| 能力模块 | 通识层 | 技能补丁课 | 专业核心课 | 项目实战课 | 科研与实训层 |
|---|---|---|---|---|---|
| 数学与理论底座 | — | — | 主 | 辅 | 辅 |
| AI 认知与伦理 | 主 | 辅 | 辅 | — | 辅 |
| 提示词工程 | 主 | 辅 | 主 | 辅 | 辅 |
| AI 辅助编码与调试 | 辅 | 主 | 主 | 主 | 主 |
| RAG 检索增强开发 | — | — | 主 | 主 | 辅 |
| Agent 智能体开发 | — | — | 主 | 主 | 主 |
| 微调与数据工程 | — | — | 主 | 辅 | 主 |
| 部署与推理优化 | — | — | 主 | 主 | 主 |
| 多模态与 AIGC | 辅 | — | 主 | 辅 | 辅 |
| 系统架构与选型 | — | — | 辅 | 主 | 主 |
| 效果度量与实验设计 | — | — | 辅 | 主 | 主 |
| 团队协作与项目管理 | 辅 | — | 辅 | 主 | 主 |
「主」= 该层课程为主要承载环节；「辅」= 该层课程提供支撑或初步训练；「—」= 不在该层安排。
附录 B 《AI 大模型课程大纲 V5.0》四模块本科深度对照
参考大纲以四个模块组织 AI 大模型方向的完整技术链路。本方案将其整体保留为专业核心课主干，本科版在模块二、模块四上加深，与高职版的「裁剪」策略形成明确区分。
| 模块 | 模块名称 | 核心知识点（主干） | 建议课时 | 本科加深要求 |
|---|---|---|---|---|
| 一 | AI 大模型基础与 Python 开发 | 大模型发展脉络与能力边界；开发环境搭建（Python / Anaconda / Jupyter / VS Code / CUDA）；Python 工程能力；提示词工程（角色设定、Few-shot、思维链、ReAct、结构化输出、Function Calling） | 48 | 增加提示词方法的原理分析（为何 CoT 有效、何时失效）与上下文成本权衡 |
| 二 | AI 大模型高级应用开发 | 微调（PEFT / LoRA / QLoRA、数据构造、评测）；RAG（文档解析、切分策略、Embedding、向量数据库 Chroma / Milvus / Faiss、检索与重排）；LangChain（Model I/O、Memory、Retrieval、Chains、Tools、Callback）；LlamaIndex；模型评估 | 80 | 必须有真实微调实验；建立评测体系；做检索质量的归因分析与召回率—延迟权衡 |
| 三 | 大模型 Agent 智能体应用开发 | Agent 原理与范式（规划、记忆、工具使用）；LangGraph 工作流编排与状态管理；工具调用与 MCP 协议；多智能体协同；企业级智能体项目 | 64 | 增加可靠性分析、幻觉抑制与人工介入点设计 |
| 四 | 大模型部署、量化与多模态 | Transformers 生态与分布式训练原理；模型量化（GPTQ / AWQ / llama.cpp）；推理优化（PagedAttention、KV 缓存、显存—时延权衡）；推理部署（Ollama / vLLM / TensorRT-LLM / FastAPI + Streamlit / Gradio）；Docker；多模态（CLIP、文生图 / 视频 / 3D） | 64 | 必须完成一次量化或推理优化实践，并提交性能压测与对比报告 |
| 合计 | 256 | 按专业方向上下浮动 | ||
附录 C 5 天综合实训日程（建议）
| 日期 | 上午（3 学时） | 下午（4 学时） | 当日产出 |
|---|---|---|---|
| Day 1 | 理论授课：项目背景与业务需求解读；平台环境与工具链熟悉 | 平台实操：完成需求分析、任务拆解与项目初始化，组建开发小组并明确分工 | 需求文档 V1 + 小组分工表 + 项目仓库 |
| Day 2 | 技术方案设计：架构选型、数据建模、接口约定、指标定义 | 企业级项目实战（一）：核心模块开发，AI 结对编码 | 架构图 + 核心模块可运行版本 |
| Day 3 | 专题精讲：提示词模式、代码审查要点、性能优化思路 | 企业级项目实战（二）：功能补全与联调，处理跨模块问题 | 功能完成度 ≥ 70% |
| Day 4 | 质量保障：测试用例编写、缺陷修复、代码评审、性能压测 | 部署上线：容器化打包、部署与访问验证；撰写项目文档与答辩材料 | 可访问的线上版本 + 压测报告 + 演示 PPT |
| Day 5 | 小组预演与打磨，教师与企业导师预评审 | Demo Day：8 分钟路演 + 5 分钟质询；复盘总结与优秀作品表彰 | 答辩通过 + 作品集收录 + 实训鉴定 |
附录 D 师资培训日程（建议）
| 时段 | 主题 | 培训内容与形式 | 产出 |
|---|---|---|---|
| Day1 上午 | AI 编程工具与工程链路实操 | 平台全景介绍与账号开通；需求描述 → 代码生成 → 缺陷修复 → 项目重构 → 部署上线的完整实操；每位教师独立完成一个迷你项目并部署。形式：讲授 + 动手实操 | 个人迷你项目（已部署） |
| Day1 下午 | 人机协同教学方法 | 如何设计需要 AI 参与的任务链；如何示范「提问—生成—审查—修正」；如何识别与干预学生过度依赖 AI；考核中如何评价判断质量。形式：工作坊 + 案例研讨 | 人机协同教学要点清单 |
| Day2 上午 | 「原理—工程决策对照」课程重构工作坊 | 以本人任教的一门理论课或专业课为对象，为至少 3 个核心原理找出对应的工程决策点，现场形成对照清单并互评。形式：工作坊 + 分组研讨 | 原理—工程决策对照清单 |
| Day2 下午 | 项目化教学设计与说课演练 | 任务颗粒度控制、90 分钟课堂节奏设计、过程性评价工具使用；每人 10 分钟说课展示，专家与同侪点评。形式：实操 + 说课 | 一节课的完整教学设计方案 |
| 进阶（选修） | RAG / Agent / 推理优化专题工作坊 | 面向深化层骨干教师，3–5 天专题工作坊，配套企业项目跟岗；结业需提交 1 个可用于教学的完整案例。 | 教学案例 1 个（通过评审） |
附录 E 《AI 使用规范（学生版）》要点
✅ 鼓励这样做
- 用 AI 解释不懂的概念、生成学习类比与练习、做原理的边界情形推演
- 用 AI 生成样板代码、撰写文档与注释草稿、辅助定位报错
- 用 AI 提出多种技术方案供你比较与权衡
- 记录完整提示词与修改过程，形成个人提示词库
- 在科研中辅助文献梳理、实验脚本编写与结果可视化
- 对 AI 的每一个结论保持怀疑，并用测试、推导或资料验证
🚫 不得这样做
- 把考核性作业直接交给 AI 完成并作为本人成果提交
- 用 AI 代写论文正文、实验结论或毕业设计核心章节
- 伪造、补记或篡改 AI 协作日志与实验数据
- 在无 AI 考核环节（闭卷、断网）使用任何 AI 工具
- 向 AI 上传涉密资料、企业未脱敏数据或他人隐私信息
- 直接使用 AI 生成内容中的侵权素材（图片、代码、字体）
附录 F 本方案参考资料来源
- 《【对客文档】AI 编程 Coding 课程教学创新方案 2026》——「一核 + 三层 + 四维」总体设计、课程与实训安排、师资培训与教材共建路径、校企合作案例
- 《AI 大模型课程大纲 V5.0》——四模块技术链路（基础与 Python 开发 / 高级应用开发 / Agent 智能体 / 部署量化与多模态）
- 教育部：《高等学校人工智能创新行动计划》（2018.04）；人工智能领域「101 计划」建设成果发布与《高等学校人工智能专业人才培养战略研究报告暨核心课程体系》、12 本核心课程教材（2025.07，西安交通大学）
- 国务院：《关于深入实施「人工智能+」行动的意见》（2025.08）
- 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》（2026.04）
- 教育部：《普通高等学校本科专业类教学质量国家标准》；工程教育专业认证相关要求（OBE 理念）
- 人力资源和社会保障部：人工智能人才缺口测算；中国人力资源和社会保障科学研究院：《中国人工智能人才发展报告（2025）》
- 工业和信息化部：2025 年人工智能产业发展数据（企业数量、核心产业规模、智能算力规模）
- 智联招聘：《2025 年人工智能产业人才发展报告》；脉脉：《2026 年春招人才供需报告》；毕马威企业用人调研
- 教育部高等学校计算机类专业教学指导委员会相关调研；招聘平台大模型岗位任职要求变化追踪；人民网《产教融合破解数字人才供需错配》
- 高校 AI 课程改革公开实践：复旦大学「X+AI」双学位、电子科技大学「人工智能+」跨大类双学位、中山大学「人工智能/计算机+」复合培养项目等
说明：本方案中的课时数、学分数与指标值为建议值，各院校应结合专业方向、师资现状与学制学分规定调整；所引政策与数据以官方发布为准，建议在正式上报前核对最新版本。