从「会聊天」到「能干活」
迈出 AI 智能体赋能教学与办公第一步

能力逐层升级 ⬆️

• 人工智能产品变化很快，AI 与人类的交互形态正式进入第二形态——Agent（智能体）形态。
• 过去的 AI 更像一个对话顾问；现在的 AI 能够帮我们干活儿。
• 今年是智能体元年。结合学校近年来在 AI 培训、企业微信、排课系统和信息化建设方面的推进——本次分享不是追逐概念，而是回应真实工作需求。
• 本次分享采用案例驱动方式：从老师们常见的痛点出发，边演示、边解释。

每做完一件事，我们再解释它为什么能够做到，并进一步掌握相应的知识。

Harness 没有明确定义、形态仍在发展——2025 年上半年 OpenAI 正式提出 "Harness Engineering" 的说法。

• 模型每次读取和输出内容都需要消耗算力。
• Token 是衡量文本处理量和模型使用成本的常见单位，不宜简单理解为"一个汉字 = 一个 Token"。
• Workbuddy 等产品会把底层成本换算成积分、次数或套餐，模型旁边的倍率代表不同的消耗水平。
• 选模型不必永远追求最强：普通整理任务用低成本模型，复杂推理和重要交付再用强模型。

🎬 现场演示：Workbuddy 的积分查看与套餐介绍。

🎬 现场演示：只给一句简单指令生成试卷，观察问题

• Agent 当前能够读取的指令、对话、文件内容、工具结果和输出，共同构成上下文——可以理解成 Agent 的"记忆"。
• 上下文容量有限，资料越多不一定效果越好：无关、重复或彼此矛盾的材料会增加成本，也会干扰判断。
• 重要规则不要只在长对话开头说一次，应写进项目说明、模板或固定流程。

💡 资料质量决定输出质量——结构越清晰，Agent 越可靠。

不要每次把大量原始试卷重新交给 AI。先让 Agent 生成一份结构化的「考情资料库」：

以后出卷时优先引用这份总结，必要时再回查原始试卷。

电子化不只是把纸张拍成照片，而是让内容能够被搜索、复制、计算、比较和复用。

一条成熟度路径 🪜

💡 Agent 更容易稳定读写 TXT、MD 等结构清晰的内容；Agent 也很擅长写代码，网页本身就是用代码堆砌起来的。而读取 Word 或 PPT，则需要花费更多的时间和算力。

🔁 该思路可迁移到：问卷分析、教研总结、报名统计、资产盘点等场景。

• 演示只使用虚构或完全脱敏的数据。
• 先核对统计口径，再核对计算结果和结论。
• AI 生成的是分析草稿，不能仅凭一次成绩给学生贴标签。
• 涉及真实学生数据时，必须遵循学校的数据管理要求。

🎬 演示过程：① 展示一次调试满意的成绩分析成果 → ② 让 Agent 回顾完成任务的步骤、规则和模板 → ③ 将这套流程整理成 Skill。

• Skill 本质上沉淀的是方法和经验。成熟 Skill 可以在团队中共享、安装和迭代，使个人经验逐步变成学校可复用的工作资产。
• 分享时可展示 Skill 的文档结构——它不是神秘程序，而是一套清楚、可检查、可修改的工作规则。

🎬 现场演示：Workbuddy 如何下载获取技能、导出技能、安装技能。

专家本质上就是一系列专业 Skill 的集合，可针对特定领域、特定事务进行处理：

演示重点 🔑

• 同一个大模型放在不同产品中，能完成的动作可能完全不同。真正划定行动范围的，是 Harness 提供的工具、权限和规则。
• ⚠️ 注意：大模型会非常努力地完成任务，甚至跨越 Harness 划定的界限——这正是需要权限管理的原因。

🎬 推荐演示：展示 Workbuddy 的权限设置。

任务中应明确写出：

• 允许读取哪些目录或资料；
• 哪些目录、文件和账号绝对不能触碰；
• 哪些动作必须先列清单；
• 哪些动作必须逐项确认；
• 发生异常时立即停止，而不是自行扩大操作范围。

应用服务大致有三种交互方式：

💡 现场只需帮助听众建立直观认识，不必展开编程原理。

⚠️ 接入 MCP ≠ 获得系统的全部权限，也不代表每个软件都已提供对应能力。现场演示以当前产品版本和学校账号实际可用范围为准。
🎬 演示任务：① Workbuddy 中演示 MCP 连接器；② Agent 对浏览器的调用。

更值得思考的五个问题 💭

• 哪些事情过去因为时间不足而无法完成？
• 哪些重复工作消耗了教师大量精力？
• 哪些数据已经存在，却没有被有效分析？
• 哪些个人经验可以沉淀为团队共享的方法？
• 哪些新的教学表达和协作方式，因为 Agent 才开始变得可行？