TRAE 绿皮书
TRAE Work 实战指南 / 教育学习 & 个人成长

AI 协作备课工作流:从课程体系设计到内容交付的最佳实践

痛点:教师备课之痛与 AI 备课之难

教师备课的结构性痛点

无论学科方向如何,系统性课程开发都面临以下共性困境:

1. 时间与质量的两难

一门 13 节的体系化课程,如果每课按 90 分钟备课比 3:1 计算,仅内容创作就需要 40+ 小时的高强度脑力劳动。现实中教师同时承担科研、行政、指导学生等多重任务,很难为一门新课投入如此集中的精力。结果往往是:

2. 多课之间的一致性几乎无法靠人力保证

体系化课程最大的挑战不是"写好一节课",而是"13 节课像一个人在一天内写的"——术语统一、深度均衡、前后衔接、概念不重复不遗漏。但现实中,备课往往跨越数周甚至数月,教师自己也会遗忘之前课中用了什么类比、讲到什么深度。

3. 跨专业适配的边际成本极高

一门通识课面向 CS、经管、人文等不同专业学生。理论框架可以通用,但案例和 Demo 必须适配——不然非 CS 学生面对代码案例会直接断联。为每个专业方向准备一套案例,工作量翻倍甚至翻三倍。

4. 新领域课程缺乏现成教材参考

AI 协作方法论属于前沿领域,没有成熟教材可抄。教师需要从论文、博客、行业实践中自行搜集素材、提炼框架、设计案例——相当于在"没有参考答案"的情况下出一套考试题。

"直接让 AI 写"为什么解决不了这些痛点

AI 的内容生成能力已经很强——写一篇 3000 字的课程大纲只需要 2 分钟。但教师真正试过之后会发现,AI 备课的难点不在于"生成",而在于以下系统性问题:

难点一:AI 没有全局视野

对 AI 说"帮我写第三节课",它不知道前两节讲了什么、后面还有什么课。结果:

难点二:AI 没有跨 Session 记忆

换一个对话窗口,AI 就忘了之前所有讨论。这导致:

难点三:AI 不会自我约束

如果你不明确告诉 AI "这节课只能讲 X,不能讲 Y",它会把所有相关内容都塞进来。AI 天然倾向于"多讲"而非"守住边界"。对于有首讲权要求的系列课程(某个概念只该在某一节完整展开),AI 不会自动遵守。

难点四:AI 输出的"看起来对"陷阱

AI 生成的课程内容往往格式工整、逻辑自洽——但缺乏以下教学设计的"隐性质量":

这些问题需要系统性的方法论来解决,而非仅靠"写一个更好的 Prompt"。

我们要解决什么

总结一下需要解决的核心问题:

问题

本质

不解决会怎样

多课内容重复/遗漏

AI 无全局视野

学生说"这个上节课讲过了"

风格和术语不统一

AI 无跨 session 记忆

感觉像不同人拼凑的

内容越界/层次混乱

AI 不会自我约束

前课把后课内容讲完了

质量"看起来对"但教学效果差

AI 无教学设计直觉

学生听完了但没学到东西

案例不适配受众

单次生成无法多方向覆盖

非 CS 学生觉得与自己无关

备课周期长、难以持续投入

人力瓶颈

课程质量虎头蛇尾

下面介绍的工作流,正是针对这些问题设计的一套系统性解法。


本案例的规模参考

为具体说明方法论的适用场景,本文基于以下实际项目:

维度

数据

课程总量

4 个模块、13 节课、每课 90 分钟

实操 Demo

17 个实操环节 × 2 个方向 = 34 个独立案例

交付物层次

每课 6-7 个文件(交付要求/素材/框架/内容/PPT/进度)

受众跨度

CS / 经管 / 人文 / 理工 / 艺术,全专业覆盖

知识依赖链

13 课形成长链递进,后课必须精确引用前课表述

一、核心理念:Architect 不是"写规则的人",是"知道要什么的人"

1.1 重新定义 Architect 的角色

一个常见的误解是:Human as Architect 意味着"人写约束文件,AI 写内容"。实际上,这套工作流中的约束文件、课程大纲、模块结构——大部分也不是人从零独立撰写的,而是人和 AI 讨论出来的。

人真正不可替代的贡献是:

人的核心价值

具体表现

知道整体要什么

脑中有课程体系的全局图景:模块怎么分、递进逻辑是什么、哪里是边界

判断什么是对的

能在 AI 给出的 5 种方案中识别哪个最合适、哪里有问题

定义验收标准

知道"好"长什么样,能说出"这不够好"并指明方向

做取舍决策

在多个合理选择之间做取舍(如"这个概念到底放在 A1 还是 A2")

而这些判断通过什么形式落地?通过和 AI 的讨论——人提出框架直觉,AI 帮助展开、结构化、补充细节,人审查后确认或修正。约束文件是这种讨论的固化产物,而非人独自写出的文档。

1.2 自证性(Dogfooding)

这套工作流本身就是课程内容的最佳案例——我们用课程中教给学生的 AI 协作方法论来开发课程本身:

课程中教的方法论

在备课工作流中的体现

Human as Architect, AI as Executor

人持有框架判断力和验收标准,AI 帮助展开和执行

需求拆解与任务规划(C2)

通过讨论将模糊的"要教什么"拆解为结构化的约束文件

验证与闭环(C3)

每阶段设人工审查卡口,横评 Agent 做交叉审查

多 Agent 协作(C4)

不同课用不同 Agent session 并行开发,文件为共享介质

复盘沉淀与自动化(C5)

讨论成果沉淀为约束文件和模板,新模块直接复用

1.3 协作的真实姿态

TEXT
"全局结构" 的产生过程:
  人的输入:我觉得应该分认知→工具→方法论→实练这四层
  AI 的贡献:帮你展开每层应该覆盖什么、多少课合适、怎么递进
  人的判断:对,但工具模块应该按方向二选一,不是所有人都学 IDE
  最终产物:课程大纲.md(看起来像"人写的",实际是讨论的结晶)

"首讲权分配表" 的产生过程:
  人的输入:A1 和 A2 有重复,每个概念应该只有一个地方讲完整版
  AI 的贡献:梳理出所有跨课概念,建议归属
  人的判断:对,但"涌现"应该归 A2 不是 A1,因为 A1 定位是编年史
  最终产物:共性约束中的首讲权表(结构化的决策记录)

关键洞察:Architect 的价值不在于"亲手写出每个字",而在于持有判断力——知道"课程整体应该是什么样的",能在 AI 的多种产出中做出正确选择,能说出"这里不对"并指明方向。这种判断力来自对教学目标的深度理解、对受众的把握、以及对内容逻辑的审美。

二、架构总览:三层体系 × 三阶段流水线

2.1 三层治理体系

整个课程内容的开发遵循自上而下的三层治理:

TEXT
┌────────────────────────────────────────────────────────────┐
│  第一层:全局结构层                                           │
│  课程大纲.md — 定义模块划分、课程编排、受众假设                  │
└────────────────────────────────────────────────────────────┘
                              ↓
┌────────────────────────────────────────────────────────────┐
│  第二层:模块约束层                                           │
│  模块X-共性约束.md — 定义内容边界、首讲权、教学风格、质量红线      │
│  横评Agent启动Prompt.md — 定义审查维度和输出格式                 │
└────────────────────────────────────────────────────────────┘
                              ↓
┌────────────────────────────────────────────────────────────┐
│  第三层:课程执行层                                           │
│  各课/交付要求.md — 课程级独有定义:核心问题、内容方向、衔接要求    │
│  各课/进度.md — 跨 session 的共享记忆                          │
│  各课/课程内容文档.md — 实际交付物                              │
│  各课/PPT页面稿与逐字稿.md — 可授课材料                        │
└────────────────────────────────────────────────────────────┘

设计原则:

2.2 三阶段生产流水线

每节课的内容生产统一走三个阶段,每阶段有明确的退出条件:

阶段

目标

人-AI 协作模式

退出条件

一:探索与对齐

锁定内容方向和结构

多轮讨论 + AI 搜索 + 人工拍板

人工说"方向确认"

二:内容创作

产出课程内容文档

AI 写初稿 → 人工 Review → 多轮迭代

人工说"内容 OK"

三:PPT + 逐字稿

转化为可直接授课的材料

AI 转化 → 人工 Review

人工最终确认

关键设计:

三、六大核心机制详解

每个机制都对应第零章中识别的具体问题。

机制

解决的问题

效果

约束文件体系

AI 无全局视野 + 不会自我约束

每课有明确的"能讲/不能讲"边界

进度文件

AI 无跨 session 记忆

换对话不丢上下文,可续做可追溯

横评 Agent

质量"看起来对"陷阱 + 多课不一致

独立审计发现重复/矛盾/脱节

Demo 热插拔

跨专业适配成本高

新增方向 = 新增文件夹,主线不变

前置阅读链

后课引用前课表述不一致

AI 必读前课内容再动笔

即时落盘

备课周期长导致版本混乱

始终单一最新版,无"v3-final"

机制一:约束文件体系——给 AI 的"上岗须知"

问题:AI 生成课程内容时,如何确保它不越界、不重复、不跑偏?

方案:为每个模块编写一份「共性约束」文件,AI Agent 启动时必须首先阅读。

约束文件怎么来的:不是人坐下来从零敲出来的,而是通过讨论逐步固化的——

约束文件包含:

实际效果:

TEXT
无约束时:A1 和 A2 对"下一词预测"各讲了一遍完整版,学生觉得重复
有约束后:A1 只提名称("它通过预测下一个词获得语言能力"),A2 做完整展开

机制二:进度文件——跨 Session 的共享记忆

问题:AI 对话有上下文窗口限制,换一个 session 之前的讨论就丢失了。多人协作时更是如此。

方案:每节课维护一个 进度.md,记录当前阶段、关键决策、待解决问题。

MARKDOWN
# C1 进度

当前阶段

阶段三:PPT + 逐字稿(已完成)

关键决策记录

| 时间 | 决策 | 原因 | |------|------|------| | 06-24 | 意义首尾呼应 | 避免 PE 价值讨论孤立成一章 | | 06-24 | 负向约束定位为开放议题 | 匹配"不讲成唯一正确做法"红线 | | 06-24 | Demo 边界分离 | 内容创作者负责骨架,用户负责真实输出 |

待解决问题

- Demo 占位由用户统一设计

使用协议:

机制三:横评 Agent——独立的质量审计

问题:单课内容质量 OK,但多课之间可能有重复、矛盾、脱节。写作者本人很难发现跨课问题。

方案:全模块课程内容完成后,启动一个只读审阅 Agent,专门做跨课横向审查。

流程:

TEXT
各课 Agent 独立完成内容 → 横评 Agent 读取全部文件 → 输出结构化横评报告
→ 人工确认修改优先级 → 生成"修改指令"文件 → 执行 Agent 逐条修改

审查维度(6 个):

  1. 内容重复:是否有两课讲同一个知识点
  2. 边界违反:是否有课超越了自己的"首讲权"范围
  3. 衔接与过渡:上课悬念是否被下课接住
  4. 深度均衡:篇幅和信息密度是否一致
  5. 叙事一致:同一概念在不同课中表述是否统一
  6. 改进建议:具体到文件、位置、修改方案

关键设计:

机制四:Demo 热插拔架构——解耦方法论与专业案例

问题:方法论是通用的,但案例需要适配不同专业方向。如果把案例嵌入方法论正文,每换一个专业就要重写全课。

方案:采用「骨架 + 插槽」的热插拔设计。

TEXT
方法论主线 PPT(所有班级通用)
    ↓ 到实操环节,标注"切换到 Demo 演示稿"

模块C-实操库/
├── CS方向/C1-Prompt工程基础.md       ← CS 老师拿走这个文件夹
├── 通用方向/C1-Prompt工程基础.md     ← 经管/社科老师拿走这个文件夹
└── [未来可扩展] 理工方向/...          ← 新增方向只需新增文件夹

设计细节:

机制五:前置阅读链——确保知识连贯

问题:后面的课会引用前面课的概念。如果 AI 不知道前课讲了什么,可能产生表述矛盾。

方案:每课的交付要求中明确列出"必读文件列表",AI Agent 开工前必须先阅读。

TEXT
C3 的 Agent 必须先阅读:
├── 课程大纲.md(全局结构)
├── 模块C-共性约束.md(边界规则)
├── A2 课程内容文档(原理回扣来源)
├── A3 课程内容文档(框架来源)
├── C1 课程内容文档(确认哪些内容已讲,避免重复)
└── C2 课程内容文档(确认哪些内容已讲,避免重复)

效果:C3 引用 A2 时会使用 A2 中的原始表述和类比,而不是自己重新编一个。

机制六:产物即时落盘 + 覆盖式更新

问题:内容在多轮迭代中容易产生"版本混乱"——到底哪个是最新的?

方案:

好处:任何时刻打开文件夹,看到的就是最新状态。不需要翻找"v3-final-最终版-真的最终版"。

四、工作流全景——一个模块的完整生命周期

以模块 A(3 节课)为例:

TEXT
Phase 1: 体系设计(人主导)
│
├─ 编写课程大纲框架.md → 确定模块划分和递进逻辑
├─ 编写课程大纲.md → 填充每节课的教学目标和内容方向
├─ 编写模块A-共性约束.md → 锁定边界规则、首讲权、质量红线
└─ 编写各课/交付要求.md → 定义每节课的独有要求
│
Phase 2: 并行生产(AI 主导,人审查)
│
├─ A1 Agent: 阶段一 → 阶段二 → 阶段三(含多次人工 Review)
├─ A2 Agent: 阶段一 → 阶段二 → 阶段三(可并行)
└─ A3 Agent: 阶段一 → 阶段二 → 阶段三(可并行)
│
Phase 3: 横向审计(独立 Agent)
│
├─ 启动横评 Agent → 读取全部文件 → 输出横评报告
├─ 人工确认修改优先级
└─ 生成修改指令 → 执行 Agent 逐条修改
│
Phase 4: Demo 扩展(可持续)
│
├─ 产出标杆 Demo(CS 方向)
├─ 产出标杆 Demo(通用方向)
└─ 编写引导文档 → 其他老师用 AI 自行生成本学科 Demo

五、对教师的实践建议

5.1 "最小可用版"——如何从零开始

如果你没有时间搭建完整体系,以下是优先级排序:

优先级

做什么

投入

收益

P0

和 AI 讨论出一份 1 页纸的"约束文件"(受众、风格、红线)并固化

30 分钟对话

所有后续内容质量显著提升

P1

每次讨论后让 AI 更新"进度文件"

每次 2 分钟

跨 session 不丢失上下文

P2

将内容生产分为"对齐方向"和"正式写作"两个阶段

0 成本

避免"方向错了重写"的浪费

P3

多节课完成后做一次横评(可以手动提问,不需要专门 Agent)

1 小时

发现跨课重复和衔接问题

5.2 关键心智模型

  1. 你的价值不在于"写",而在于"判断"——框架、约束、大纲都可以和 AI 讨论产出,但"对不对""够不够好""该选哪个"只有你能回答
  2. 文件是 Agent 之间唯一可靠的通信介质——不要依赖"上次对话里说过了"
  3. 区分"讨论产出"和"固化约束"——约束文件可以通过讨论产生,但一旦固化就是下游的刚性规则
  4. 审查和创作必须分离——让写的 Agent 和查的 Agent 是不同角色
  5. 锁死框架,开放内容——教学目标不能改,案例随时可以换
  6. 先讨论方向,再动笔写作——方向错了,写得再好也要推倒

5.3 常见坑和解法

坑

症状

解法

没有约束文件就开写

AI 输出风格飘忽、内容越界

哪怕只写 5 条规则也比没有强

阶段一跳过直接写

写了 3000 字后发现方向不对

强制自己在"方向确认"前不进入正式写作

多课之间不做横评

学生说"这个上节课讲过了"

每 3-5 课做一次横评

Demo 锁死在一个学科

非 CS 学生觉得案例与自己无关

骨架通用 + 插槽按方向替换

不记进度

换 session 后 AI 从零开始

每次关键决策后更新进度文件

六、本工作流的适用场景

除高校课程开发外,这套工作流同样适用于:

核心共性:内容量大、有结构化要求、需要多人/多 Agent 协作、对一致性要求高。