岭南学院全项目开设智能体设计必修课

       新学期，岭南学院《经济金融智能体设计》课程在本科、全日制金融专硕、非全日制数字经济专硕三个培养项目同步开设，岭南学院在全国经管学院中率先探索将智能体课程设为必修课。从课堂到平台，从教材到实践，岭南学院正将人工智能能力融入经济金融人才培养的全过程。

01 智能体课程的正式启航与全公开实践

       面向经济学与金融学专业大二本科生的《经济金融智能体设计》课程，本学期在中山大学岭南学院正式拉开帷幕。这门设定为 3 学分、共计 54 学时的专业课程，共开设两个平行班，合计超过 140 名学生。

       这也是该教学内容在经历前期的相关试讲与公选课章节探索后，首次作为一门完整且独立的课程正式开课。

       这门课程最核心的特征在于，课程本身就是一场 AI 原生实践。

       Teaching in Public 意味着课程的全部上机材料、人机协作撰写的教材，以及基于多智能体架构的作业批改平台，均在课程主页（ai.lingnan.top）向公众开放。

       对于关注高校人工智能教学改革的教师与经济学研究生而言，这种公开的模式提供了一个可供解剖与复用的完整教学样本。

       在 9 月 8 日的第一周课程中，教学重点聚焦于课程导论与环境准备。学生们在课堂上明确了课程目标与考核方式，并建立起对 AI 智能体的全局概览。

       上机环节涵盖了 VS Code、Claude Code、CC Switch 以及模型 API 的配置，学生需要完成与智能体的第一次对话。

       教学团队同步发布了配套环境验收清单，并提前公布了贯穿学期的四次阶段性作业与期末项目要求，确保学生对学习路径有清晰预期。

       今天是 9 月 15 日，第二周的课程如期推进，核心议题转向人机协作、任务说明与项目规则。课堂教学引导学生从简单的聊天提问，跨越到复杂的任务协作阶段。

       学生们开始接触项目目录的规范化管理，学习配置 CLAUDE.md 与 AGENTS.md 等上下文文件。

       在本周的实操中，每位学生都需要建立个人的课程项目，并完整体验一轮“生成—检查—修改”的工程化练习，为后续的复杂智能体开发奠定基础。

02 进阶式课程设计与重过程的评价体系

       本课程规划了 17 个校历周，扣除国庆假期与阅读周后，共计约 15 次核心课程。课程前半段聚焦基础方法、知识库与常驻智能体，第 12 校历周起的综合场景则由张一帆主讲。

       整体教学主线呈现出进阶逻辑：从课程导论与环境准备起步，进入人机协作与项目规则；随后引入 Git 与可回退工作流，学习 Skills 与可复用任务。

       接着深入子代理与多智能体协作，掌握编排、浏览器自动化与数据证据；再过渡到智能体知识库、评估与迭代、本地模型部署与数据安全。

       在掌握上述技术后，课程后段将引入 Hermes Agent 常驻智能助理，并开展两次自动化办公完整工作流的实战。

       最后阶段，学生将运用所学构建文献综述智能体，并进行两次实证论文复现，最终以期末项目展示收尾。

       为了保证教学效果，每次教学时间被划分为四个模块：概念与方法讲授约占 30%，案例拆解与演示约占 25%，上机实操约占 35%，最后的展示与复盘环节约占 10%。

       课程设置了四次阶段作业，均要求独立完成，各占总评的 10%。阶段作业 1 要求跑通“数据采集—分析—报告”的完整工作流；阶段作业 2 聚焦于建立个人信息中台。

       阶段作业 3 要求开发一个带 AI 模块的全栈网页应用，涵盖前端、后端、数据以及至少一个 API 调用模型的 AI 功能。

       阶段作业 4 则回归经济学本源，要求完成一篇实证论文的代码复现。期末项目占据了总评的 50% 权重，要求学生以 4 至 5 人为单位自由组队，完成一个具有明确使用者与验收标准的主题项目。

       期末项目的评分不再局限于单一的成果展示，而是全面考察小组在系统设计与测试迭代中的综合表现，同时兼顾个人的实质贡献与反思深度。

       此外，平时的课堂参与与出勤情况另占总评的 10%。在考核理念上，过程证据与最终成果的综合评价是本课程的核心原则。

       教学团队认为，仅看最终成品无法准确判断学生的规划、核验与迭代能力；而仅看交互日志，又容易将冗长低效的对话误判为技术能力。

       因此，评分既看最终成果，也看形成成果的过程证据与现场表现。

       课程把数据与引文准确性单列出来，故意编造按学术诚信处理。

       在工具策略方面，课堂演示、实操手册与故障排查均以 Claude Code 为核心，配合 VS Code、Git 以及统一的模型接入配置。

       考虑到学生的经济负担，课程不要求购买 Claude 订阅，而是允许使用国内模型 API 接入方案。常驻智能体助理部分则引入了 Hermes Agent。

       需要指出的是，WorkBuddy、Codex、OpenCode 等工具仅用于展示同类方法的对应关系，不作为全套教学内容，考核也不以软件品牌为依据。

03 持续迭代的公开网站与人机协作教材

       课程主页（ai.lingnan.top）是整个教学体系的数字枢纽。网站集成了课程材料、课程教材、高级研修班、AI 产业链报告、教学平台以及关于页面等多个模块。

       首页的实时数据显示，该网站在最近 7 天内获得了 8,595 次访问，累计访问量已达 53.4K，最新更新时间为 2026 年 9 月 8 日。

       网站依托 GitHub 组织 ai-lingnan 进行维护，提供 RSS 订阅源，其核心教材采用 CC BY-NC-ND 4.0 许可协议向全网开放。

       材料总页清晰地划分为三个栏目：本科（2026 秋季）、MDE（深圳）以及正在整理中的金融硕士栏目。

       在本科栏目中，本周新增了 Week 2 的教学材料（2026-09-15），包含在线课件、上机材料（提供练习包下载与每步自查指南）以及常见问题解答。

       此前于 9 月 8 日上线的 Week 1 材料同样丰富，涵盖 HTML 课件、环境安装手册、课堂任务、环境验收清单、常见问题、模型平台套餐与官方链接、详尽的千问接入教程，以及课间问卷。

       近两周的网站更新记录展示了教学团队的优化工作。每周的页面结构被统一规范为“在线课件+上机材料+常见问题”三项标准配置。

       学生的上机项目结构也进行了优化，通过规范化的目录管理来减轻认知负担，学生材料中也不再赘述提交要求与时间安排。

       任务说明升级为六要素模板，即按照角色、背景、任务、约束、格式、自检六个维度进行撰写。

       此外，材料中新增了第 38 至 47 页的“最佳人机会话原则”部分，并在开篇引入了“Agent = LLM + Tool + Context”的核心公式。

       配套的 24 章在线教材《经济金融 AI 智能体设计》是本课程的另一大亮点。前言《我们如何用 AI 写这本书》公开了编写方法，这套人机协作的五步管道工作流是完全公开的教学资产。

       第一步，由人类作者撰写 300 至 500 字的骨架大纲；第二步，writer agent 负责扩写正文。

       第三步，reviewer agent 在独立的 context 中进行结构与事实复核，并给出必改、建议改、待人审三档意见。

       第四步，reviser agent 仅负责语序调整与一致性收尾；第五步，由人类作者进行最终审核。

       在这一管道中，每一步生成的工件都会进入 Git 版本控制系统，形成从 outline.md 到草稿，再到 review.md，最终生成 final 版本的完整链路。

       这套流程依托 Claude Code 结合 custom skill，并引入 DeepSeek 与 Gemini 进行跨模型的事实校验，排版与版本控制则依赖 Quarto 与 Git+GitHub。

       教材还建立了事实白名单机制，确保代码示例的自动化验证与可执行性，并引入了读者内审环节。这种教材编写的方法论，可以迁移到学术写作、行业研究、日常办公与软件开发中。

04 赋能教学的双智能体批改与开源平台

       课程专属的教学平台（/platform）引入了 AI 批改机制。该平台的核心优势在于，双智能体并行生成反馈是其基础架构。

       当学生提交作业后，系统会同时唤醒两个 Agent 进行独立评审。标准评审 Agent 负责对照评分标准，逐维度进行打分，并给出具体的改进建议。

       亮点发现 Agent 则专注于捕捉学生代码或逻辑中的创新视角，并负责评估附加分。系统最终会综合两者意见，取较高分。

       在教师端，该平台内置了一个 AI 助教。这个助教集成了丰富的教学工具与专属技能，教师可以使用自然语言来完成教学事务设计。

       无论是联网搜索行业资料、自动生成符合大纲的练习题，还是制定评分标准，亦或是进行期中成绩分析与日常班级管理，AI 助教都能响应。

       学生端的使用体验也经过了优化。平台支持多种提交方式，学生可以直接粘贴文本代码、上传项目文件，甚至在遇到环境报错时直接拍照上传。

       提交完成后，学生在几分钟内就能收到结构化的反馈，这种即时反馈机制有效缩短了学习迭代的周期。整个作业管理与 AI 批改平台基于 AGPL-3.0 协议开源。

05 飞书课程群与智能体助教答疑

       课程支持不只在课堂。教学团队建立了飞书课程群「2026秋本科智能体」，目前包含 22 名群成员与 1 个机器人。群内配置了智能体助教「AI助教酷酷」，学生可以在群里直接提问。

       以一次真实的群内问答为例，有学生提问：“怎样用淘宝 npm 源安装 claude code，并在安装时显示日志”。面对这一具体问题，智能体助教迅速给出了分两步走的解决方案。

       助教指导学生切换镜像源安装并打开日志，给出了课程手册里的标准配置命令，随后提供了装完后的验证方法。

       在回复中，助教主动标注了哪些内容直接来自课程手册，哪些补充细节属于通用知识。这种具名且透明的答疑方式，不仅解决了具体报错，也帮助学生建立了查阅文档的习惯。

06 基于学情调研的分层教学与动态调整

       课程的推进建立在学情调研基础之上。早在 2026 年 4 月，学院就面向学生开展了一轮选课摸底调研，页面访问 211 人次，收回 124 份有效答卷。

       数据勾勒出了潜在选课群体的专业构成：金融学 52 人（41.94%）；经济学类 33 人（26.61%）；经济学 16 人（12.9%）；数字经济 14 人（11.29%）；双学位 9 人（7.26%）。

       在年级分布上：2025 级 53 人（42.74%）；2024 级 48 人（38.71%）；2023 级 23 人（18.55%）。

       9 月 8 日第一周课间收集了 143 份有效问卷。

       数据揭示了清晰的学情：高达 77.6% 的学生几乎每天使用 AI，仅 1.4% 几乎不用。

      在工具使用方面，72.0% 常用网页或 App 聊天，常用 Claude Code 等智能体工具的仅 10.5%，而 Cursor 有 54.5% 没听过。

       在经历与编程基础方面，Skills、MCP 与 Git 经历里有 25 人一项都没做过；66.4% 的学生仅跟着教程跑过 Python，这直接决定了上机实操的起点。

       国外模型可及性不高，仅 36.4% 能稳定使用，这解释了课程为何以国内模型 API 接入为主（如 61.5% 每周都在用 DeepSeek）。

       这份课间问卷有明确用途，多维度的学情数据是动态调整分层教学策略的依据。问卷结果在收集当天便被用于指导上机巡场的重点分配，后续则直接应用于分层教学的设计、双代理协作实验的分组以及期末项目的组队策略中。

       这门课程的开设，不仅是向经济管理类本科生传授前沿技术的课堂，其本身也是一次关于现代教学方法的展示。

       从教材的自动化协作编写，到教学材料的公开，再到作业批改平台的开源共享，每一个环节都在践行开放与共享的极客精神。

       对于关注教育创新的同行而言，可以直接访问课程网站，获取这些经过实战检验的材料与教材，共同推动智能时代的高校课程变革。

07 信息来源

• 课程主页：https://ai.lingnan.top/

• 课程大纲页：https://ai.lingnan.top/materials/2026-autumn/syllabus

• 本科材料页：https://ai.lingnan.top/materials/2026-autumn

• 教材页：https://ai.lingnan.top/book/

• 教学平台页：https://ai.lingnan.top/platform

• RSS：https://ai.lingnan.top/feed/all.xml

• 选课摸底调研统计报表（校内问卷，无公开链接）

• 课间问卷设计与汇总统计（校内问卷，无公开链接）