今天已有不少中学生把 ChatGPT、Claude 和各类 Agent 工具用进学习：整理资料、写代码、做设计、分析问题，甚至沿着自己的兴趣自学一套课堂尚未讲到的知识。面对资料整理、初稿撰写、代码框架和方案推演，他们知道，一个合适的工具能让起步快得多。他们也会遇到另一层困难：问题问偏了，答案写得再漂亮也没用；结果能生成，不代表结论可靠。真正需要练习的是提出问题、检验输出，再把工具提供的能力变成自己的判断。
对那些已经习惯用 AI 学习的学生来说，传统课堂里的重复刷题、机械记忆和标准答案，越来越难解释自身的价值。用工具做完作业以后，他们还可以继续追问、动手验证、探索远超课堂范围的内容；如果学校的日常安排仍占用大量时间训练相同的动作，学生难免会想：这段时间本来还能学些什么？
进入大学，本应是从应试训练走向专业训练的机会。若大学仍沿用讲授、交作业、考记忆点的老办法，学生对课程的信任就可能先于成绩下滑。教师在黑板上推导公式，学生却不知道它在真实问题里何时适用；作业要求手工完成可以自动化的计算与代码；考试主要检查 AI 几秒钟就能给出的定义。这些环节各有教学用途，尤其是理解推导对辨认 AI 的错误很重要。可如果它们长期占据课程中心，学生会发现课堂训练与实际工作之间隔着一道沟。
他们未必公开对抗，更可能用安静的方式“用脚投票”：逃掉觉得无用的课，作业只求过关，把精力转到自学、开源项目、线上社区、实习；有行动力的人也可能尝试创业或直接进入行业。人在校园，心却已经离开课堂。一旦“这门课不值得投入时间和学费”的感受积累起来，大学要挽回信任会很难。
我担心的疏离，往往从一次很普通的对照开始：学生靠 AI 自学解决了一个课堂上迟迟讲不透的问题，又看到项目实践要求的是定义问题、与工具协作、对结果负责，回到学校却仍被要求主要通过“会做题”证明自己。大学若把知识灌输当作本科教学的默认流程，最有能力寻找其他路径的学生可能率先降低投入。这值得学校在信任流失前认真回应。
真正的问题在课程逻辑
本科教育消耗学生数年的时间，也意味着一笔不小的金钱投入。课程有责任说明：学生走进教室之后，能获得哪些独自使用工具难以得到的专业训练。放几页 AI 演示、允许作业调用一次 Agent，回答不了这个问题。需要重新组织的是知识顺序、训练目标、课堂活动和评价办法；一门课一门课地改，比给全部课件加同一个 AI 标签有用。
回想计算机、MATLAB、C/C++、Fortran、CAD、EDA 等工具进入专业教学的过程，值得借鉴的不是“多开几次上机课”这个表面动作，而是让工具参与建模、仿真和系统实现，让学生借项目检查自己是否真正理解理论。工具改变了工作方式，教材怎么讲、学生怎么练、教师怎么评，都得跟着重新审视。
今天的 Agent 又把工具能做的事向前推了一步。它能处理自然语言需求、连接工具链，按照提示完成多步任务，帮人比较方案、搭建初稿。能力也并不稳定：资料可能找错，推理可能跳步，代码能跑不代表满足约束。这恰好说明，课程调整不能停在“学生都会用 AI 了”。教材、课件、项目和评价标准要一起改，让学生既会借力，又能发现问题并承担最终决定。
动笔重写一门课以前，我希望教研组先把三个问题放在桌面上：
- 在 AI Agent 可用的条件下，这门课仍需要学生亲自掌握哪些核心能力？
- 哪些传统训练已能由 AI 高效协助完成，节省出来的时间用来练习什么判断与创造？
- 项目怎样设计，才能让学生在真实问题中协作、质疑 AI，并对交付结果负责？
以工程、数据和设计类课程为例。过去学生往往花很多时间写底层代码、调语法、重复计算；现在 Agent 可以先生成框架、解释逻辑，提供初步验证的线索。课程没有理由把这些基础能力全删掉。不会读代码，就很难发现生成程序的错误；不懂计算依据，就谈不上检查结果。需要调整的是训练的比重：让学生有能力定义问题，选择模型与工具链，检查输入数据和适用边界，在方案失败时找出原因，再决定如何迭代。
原理依旧要学，但“把一段推导默写出来”不应是它唯一的落点。学生还要知道公式在哪些条件下成立，哪里不能照搬，用它怎样质疑 Agent 的答案。方法训练也可以从独自重做每个步骤，延伸到分配任务、比较候选方案、验证输出和解释取舍。工程项目里，一个看似正确的代码框架，只有经得起测试、追溯和同行追问，才算专业成果。
教材可以围绕问题与案例来组织，保留清楚的原理索引，把典型错误、失败条件和可修改的 Agent 工作流放进材料里。课件也可以提供能运行的项目脚手架、可复用的工具配置，让学生上课时就能改动参数、看到结果，再讨论为什么这样改。评价不能只剩一次闭卷考试：项目成果、过程记录、反思报告、同伴评议以及对 AI 使用过程的透明说明，都能帮助教师看见学生究竟想过什么。基础知识测试仍有位置，但应与专业判断、结果责任放在同一套评价中。
项目制：让学生真的动手
项目制提供了一条可操作的改革路线。一门课不妨设计递进的任务：先熟悉工具和问题定义，练习给出明确约束；随后完成一个有边界的中等复杂度系统，把知识点连起来；最后面对开放式综合挑战，自行决定怎样搜集证据、安排工具、验收结果。每一阶段都可以明确要求使用 Agent 承担部分工作，同时要求学生留下人工决策、验证过程与对失败的反思。
比如在设计课上，Agent 能协助搜集资料、生成几版初稿；学生需要查清资料来源，说明为什么舍弃某个漂亮但不可实现的方案。在数据课上，Agent 可以写清洗脚本、建议分析路径；学生应检查样本、指标与异常值，说明结论能支持到哪一步。工程课的仿真也一样：模型能代写一部分代码，却不能代替学生对载荷、材料、边界条件负责。交付成果要可解释、可辩护，而不是只在演示时看起来顺畅。
这样的训练会逼着学生学会拆解任务、写清提示和约束，辨认编造的引用或不可靠的推论，复核代码与数据，把 AI 输出变成自己敢署名的成果。AI 很有用，责任仍由人承担。相比只听完一次推导、再做几道同型题，学生在反复试错中更容易理解专业工作的完整过程：提出假设、做出选择、拿证据说话，发现错了就修改。
项目制也给不同起点留出了空间。基础薄弱的学生可以借工具获得即时解释，先越过最容易让人放弃的卡点，但仍要逐步补齐原理；基础较好的学生则能挑战复杂的扩展任务。教师的工作会更多落在设计高阶问题、提供反馈、组织讨论和剖析失败案例上。课堂时间可以用来追问：为什么你相信这个数据？为什么选这一版设计？如果条件改变，方案还成立吗？这比教师把学生已经能随手查到的内容再念一遍，更值得大家聚在一间教室里。
当然，项目制也不能只换个名称。学生需要可用的工具、资料与算力；教师需要时间看过程记录、组织答辩。若只收一份漂亮的最终报告，既难分辨学生是否理解，也会鼓励把判断一并外包给 AI。可以先从试点课程做起，观察学生作品中的真实问题，再调整教材、任务难度与评分办法。所谓课程重写，应当落实到这些费时的细节。
如果大学不改，学生会用行动回答
一些已经熟悉 AI 工具的中学生，对大学抱着进入专业训练的期待。如果入学后发现课程逻辑、训练方式和评价标准仍只围着记忆与重复劳动转，他们可能把更多精力交给校外资源。降低课堂投入、自主组织项目、寻找行业机会，都可能成为回答。“大学不是唯一路径”原本并不新鲜；当学生能更方便地使用先进工具和学习资源时，大学更需要说明自己提供的独特价值。
如果这种疏离逐渐成为群体现象，本科教育的吸引力与社会信任会面临压力。但方向并非只能如此。学校可以从一门专业课开始，重新排序知识体系，重写教材与课件，用项目制训练学生提出好问题、判断结果并承担责任。学生在这里得到的，不只是“会做题”或“会发提示词”，还有实验条件、同行反馈、系统指导和面对难题不轻易跳过的专业习惯。这些是大学值得投入时间的理由。
改革也不需要把传统训练一笔勾销。数学推导、独立写代码、严谨的闭卷考核，都可以在需要它们的地方继续发挥作用；只是要回答它们如何服务于今天的专业能力，而不是因为过去一直这样做就照旧安排。工具进入课堂的历史提醒我们，教法应随着做事方式变化。Agent 的能力继续提高，更需要教师认真决定哪些基础必须扎牢，哪些重复环节可以放手，以及怎样评价学生借助工具后的真实本领。
AI 原生的一代不会为了等待一份新课件而暂停自学。大学也不必等到学生大规模离开，才开始讨论改革。把第一门课的目标、项目和评分标准重新写清楚，拿学生作品检验它，下一学期继续改。只要旧办法仍让学生觉得自己在浪费时间，他们就会用脚投票；要留住他们，大学得拿出值得他们留下来学习的课程。