AI教育第一線視角：AI Agent 融入教育生態新樣態

一、討論「什麼AI工具好用」的時代早已過去

2024 年初，我在翻轉教育發表了〈AI教育第一線視角：生成式AI融入教學生態的5模態〉，提出一個框架：生成式 AI 以五種不同的模態進入教育生態系，分別是：適性差異化學習支援（以學習風格分析為核心）、智慧教學資源（以 AI 輔助備課為主）、教育行政自動化（以草擬制式文書為代表）、學習進度追蹤與評估（記錄學習歷程並輸出反饋），以及讓教師把 AI 當作自身學習助手的專業發展培訓。

五模態之核心理念：
人與AI協作，人主導決策、決定是否採用 AI 輸出

當時，五模態時代的 AI 仍是「被驅使的工具」，人在每個模態裡都是主動的執行者——AI 在人決定好「我要做這件事」之後才提供技術支援。我們以「共駕（Copilot）」形容這段時期的人機關係：AI 不取代人，而是和人一起駕駛。然而，隨著 AI Agent 的出現，這種關係已悄然發生了變化。

這個變化在教育現場也已開始浮現。當各校陸續導入 AI 工具，最常被提起的問題也逐漸從「要用哪個工具」，轉向了「學校組織都會用 AI 了，然後呢？」這是工具普及之後，AI 進入教育生態必然浮現的下一個問題：

1. 教師備課能不能快一點、行政文書能不能自動化？（教師生活正常化）
2. 整所學校的決策、知識與流程，能不能隨 AI 一起重構？（學校組織活化）
   
   

二、AI Agent 改變的不是「做什麼」，而是「誰在做」

在討論 AI Agent 如何改變既有的五模態結構之前，我們要先了解一個完整的 AI Agent 是什麼、由哪些部件構成。（見下表）

整理製表：吳奇

我們目前使用的網頁版 ChatGPT（也就是一般所說的工具型 AI），只展示了 Model 層面的能力：你輸入問題，它輸出答案。AI Agent 則不同（如：Claude Code、Codex、Antigravity、OpenCode、OpenClaw 龍蝦 AI、Hermes Agent），它們多了 Workspace、Skills、Orchestration 這套馬具（Harness）：工具型 AI 只能你問我答，而 Agent 有了這套馬具，便能操作電腦、串接不同平台系統完成整套任務。這樣的轉變放到教育現場，會帶來什麼不同？

在教育現場，Agent 把流程從「問答交換」升級為「可讀寫、可調度、可驗證的思維流程」。

以教學備課為例，流程可以被拆成搜尋資料、整合課綱、生成初稿、調整難度、產出格式，每個節點獨立執行，並在需要時插入教師判斷；學生的學習歷程則可以把作答記錄、錯誤模式、反思紀錄整合進統一的 context，讓 Agent 跨節點調度。此外，教師、學生、行政人員也都能依照自身需求訓練自己的 Agent 與 Skills，讓教育工作的協作從整齊劃一走向個人化適配。

Agent 導入的重點不在於模型多麼會回答，而在於工作流能不能有效配合師生的實際需求，進而產出真正有教育意義的成果。

三、模態 Agent 重構與Context需求

模態一：適性差異化學習 → 個人學習 Agent

在工具 AI 時代，AI 可根據學生作答記錄與問答表現，調整互動難度。到了 Agent 時代，學生擁有一個持有個人 Workspace 的學習 Agent，記錄每一次的問答歷程、答題模式、疑問節點。Agent 不只分析，更能在學生下次遇到相似問題時，調度針對該學生的概念解析skill，幫助學生更容易理解學習內容。

個人學習 Agent 的核心在於設計能讓 Agent 區分「答對了幾題」與「掌握了哪個概念的推理路徑」的 context 架構與 Skill 設計。有效個人學習 Agent 需要「學習型態描述」而不只是「作答紀錄」：學生何種互動情境的學習最有效？哪類概念需要視覺化才能理解？哪些錯誤是粗心而非認知缺口？哪些知識節點需要介入？以什麼方式介入？而這些流程，需要師生共同參與建構，方能落實。

模態二：智慧教學資源 → 備課 Agent

工具 AI 的備課流程是：老師輸入「幫我設計一堂課」、AI 輸出教案初稿、老師修改採用。

進入 Agent 時代，備課 Agent 整合了一套 Skills，如：教案生成、評量設計、差異化調整，由 Agent 自動串接：先生成教案、依學生資料調整難度、設計形成性評量，最後將教案格式對應教師的排版偏好輸出，整個流程老師需要在過程中與 AI 確認方向、同步理解，並負責做最後確認。

想要做出備課 Agent，要從教師最熟練的「重複性判斷」開始盤點：哪些備課決策每次都相似（格式規範、難度對應、課綱引用）？哪些每次都需要重新判斷（這班現在的狀態、這週適合什麼切入方式）？前者可以封裝成 Skills，後者仍需保留教師判斷。使用 Agent 之前，必須釐清自己的工作流程、思維，方能建立出有效的備課 Agent：讓教師從重複性決策中釋放出來，把精力專注於和學生的互動引導。

模態三：教育行政自動化 → 行政 Agent

教師透過AI草擬公文，而行政人員檢查修訂後交付。到了 Agent 時代，行政 Agent 整合了公文格式、會議記錄、合規審查等多種 Skills，主動處理完整的行政工作流，只在遇到需要決策的節點才暫停等人確認，人的工作從「執行」變成「例外處理」，並專注於大範圍影響之關鍵決策。

行政 Agent 可以採取「雙層架構」思路：

• 第一層是狀態追蹤與溝通整合（如：會議記錄自動摘要、行動事項追蹤、跨部門溝通彙整），目標解決「資訊太散、不知道現在哪裡卡關」；
  
  
• 第二層是執行流程自動化（如：公文草擬、申請書填寫、排程提醒），目標解決「重複性文書耗費大量時間」。

而兩個層之間需要人工介入進行橋接：定義什麼情況算是「需要決策的例外」，這個「定義」必須由行政人員事先明確，這正是行政人員存在的責任與價值，也是防止行政 Agent 悄悄擴張權限邊界的重要防線。

模態四：學習進度追蹤 → 學習 Agent

AI 生成學生學習狀況報表、儀表板，定期回報老師、家長定期查看。Agent 時代則是持續安靜的觀測：學習 Agent 偵測到學生三天沒複習某個知識點時主動推送提醒，發現某類題型錯誤率升高就自動調整下週練習內容，甚至在學生自習時主動提出「你上週在這個題型有困難，要現在練習嗎？」透過適度自動化幫助老師、家長、學生掌握學生的學習樣態。

學習追蹤 Agent 設計可採兩個方向設計：其一，引入「時間衰減機制」讓近期表現比早期記錄有更高的影響權重，避免學生過去的挫折點永久定義其學習樣態，也讓 Agent 的判斷隨學生成長而更新，而非侷限於某個時間概況；其二，把評估單位從「答題對錯率」推進到「推理路徑穩定性」：重複答對且能說明理由，才接近真正的掌握，單次答對可能是猜測，也可能是程序記憶而非概念理解。這兩個原則都需要教師與課程設計者事先定義、設計，進而建構一個適合教師、家長追蹤學生狀態的模式。

模態五：專業發展培訓 → 教師成長 Agent

原先模態五屬於教師自身：AI 推薦研習資源、幫教師搜尋教學靈感。到了 Agent 時代，教師擁有一個記錄其教學歷程的 Agent，持續將課堂反思、學生反饋、教學決策整理成結構化的 Skills，把「隱性的教學經驗」系統化，成為可以自己調用、乃至傳承給同科老師的知識，也減省老師們每年製作「教師專業檔案」所花費的歸檔時間。（看更多｜Agent Skills是什麼？從業界知識蒸餾趨勢到學生學習歷程課題）

教師成長 Agent 有一個以知識萃取為核心的實踐切入點：不是讓教師直接描述「我怎麼教」，而是從「決策情境」入手，確認教師在什麼情況下會改變原定計畫？什麼時候選擇讓學生再試而不直接給答案？哪種表現讓你判斷「這個孩子今天需要被等待而不是被推進度」？這些「判斷觸發點」才是隱性知識的核心，也是蒸餾成 Skills 最有價值的部分，若單純記錄教師的備課行為，只能得到「程序」；從決策情境出發，才能萃取「判斷邏輯」，也只有判斷邏輯才能在 Agent 時代支撐差異化的教學智慧，程序可以自動化，判斷必須由人蒸餾後才能被 Agent 所用。

四、從知識蒸餾：Agent 進入生態系的先決條件

「每一個 Agent 的能力上限，都取決於它的 Skills 裡被蒸餾進了什麼」這是做出好Agent 不可或缺的一部分，知識被蒸餾出只是第一步，蒸餾後的知識還必須成為可被調度的 context 基礎設施。

最有效的 AI 知識系統，核心原則應該是「Less is more」：把 context 精煉到 AI 能真正理解與調度，遠比累積大量資料更重要，雜訊越少，判斷越準。

問題的尺度也不止於個別教師或學生，當學習歷程、備課紀錄、課堂觀察、行政記錄都被整理成可被 AI 理解的上下文，Agent 才能跨場景推理與行動，而不只是在單點問答。這就是為什麼資料整理本身是教育 AI 的先決條件：資料沒有被有效梳理，Agent 就算取得了資料，也無法形成有效判斷。

業界蒸餾員工的知識時，發現最大挑戰不是「員工不願意分享」，而是「員工自己說不清楚為什麼做得好」，這個蒸餾難題在教育現場有三個層次：

1. 教師層：多數老師的教學是在無數次課堂中慢慢調整出來的直覺，要把這個直覺語言化、結構化，不是自然的事。更常見的情況是：老師蒸餾出的是「我通常這樣備課」的程序，而不是「我在什麼情況下會調整這個判斷」的邏輯，一個skill若沒有判斷邏輯，只能處理標準情境遇到例外就失效。
   
   
2. 學生層：108 課綱的學習歷程本應是學生為自己蒸餾的機會，但現場的失真是：學生把學習經驗蒸餾成符合「審查委員期待」的形象，而不是能積累「未來自己的成功經驗」的真實記錄。目標受眾搞錯了，蒸餾的方向自然偏差。
   
   
3. 機構層：學校層級最嚴重的蒸餾問題在於制度知識往往藏在資深教師和行政人員的腦袋裡。當這些人退休或離職，這些知識就消失了，永遠沒有機會被蒸餾成 Agent 可以執行的 Skills。

核心命題：教育生態系能不能被有效 Agent 化，取決於生態系裡的知識有沒有被有效蒸餾。如果判斷沒有沉澱、資料只在個人手中，學校不會因為導入更多 AI 工具就更懂學生——多幾個平台，並不等於多了判斷能力

五、外包 vs 代理之間我們如何分得清呢？

「使用 AI 完成任務」究竟是「代理（Agency）」還是「外包（Outsourcing）」，這個問題不只適用於個別師生，同樣適用於整所學校：

整理製表：吳奇

這是教育生態系進入 Agent 時代最重要的一道分野：你是在用 Agent 代理你的教育判斷，還是把教育判斷外包給了 Agent？

（看更多｜AI Agent×教育現場：代理與外包之間，我們分得清嗎？）

AI 的導入應該是讓師生在該下功夫的地方下功夫，當 AI 能力越來越強，教師、學生、行政人員的角色不是縮小，而是轉移。例行、重複性的工作正在被自動化；但教育目標的定義、判斷的邊界與驗收標準，這三件事是 AI 無法自行決定的。

真正的問題因此變成：學校是否能讓每一位師生都清楚自己在哪個層次需要介入？是否具備問對問題、判斷 AI 輸出可信度的能力？AI 的任務，是創造讓師生親手解決問題的條件，而不是代替所有人做決定。教育者不必站在每個任務的執行端，但教育目標的定義、判斷的邊界與驗收標準，必須始終由人掌握。

對學生而言

Agent 不能代理的是「我的學習目標是什麼」、「這次學習讓我對什麼有了新的理解」。學生需要在 Orchestration 的層次作主——我要讓 Agent 做什麼、為我服務什麼目標、由我承擔什麼選擇。如果這個層次的主體性消失了，學生不是在使用 Agent，而是在被 Agent 使用。

對教師而言

Agent 不能代理的是「這個孩子現在需要被等待，還是被推一把」、「這個教學目標對這班學生真正重要嗎」。教師需要在 Skills 的定義層次作主：哪些工作流程可以被標準化？哪些判斷必須留在自己手中？清楚這條線才能讓備課 Agent 發揮價值，而不是讓效率吞噬課堂的靈魂。

六、給教育生態三個角色的行動建議

給學生的行動建議：

開始為自己蒸餾，不是為審查者包裝。下一次整理學習歷程，試著問自己：「如果我看這份記錄，我能知道自己下次遇到同樣困難要怎麼做嗎？」如果不能，蒸餾的對象搞錯了。學習歷程如果做對了，它本身就是一種 Skills 蒸餾的練習——讓每一次遭遇困難、做出選擇、承擔結果的過程，都成為下一次行動更可靠的基礎。

給教師的行動建議：

把你最有把握的一個教學判斷，寫清楚，不是要你馬上製作 Agent Skills，而是先練習「知識語言化」——你在什麼情況下決定讓一個學生再試一次，而不是立刻給答案？你判斷一份教學設計的底層邏輯是什麼？這些都是你的隱性知識，也是你在 Agent 時代的核心競爭力，因為只有你能把它們蒸餾清楚。

給行政人員的行動建議：

把一件現在仍由你親手判斷的例外情境，寫清楚它的觸發條件，行政工作中最不能被 Agent 自動化的是「判斷與決策」的定義。若這條權限的邊界沒有被清楚畫出來，Agent 就會在無聲中悄悄擴張，卻沒有人為 AI 的行為負責，這是我們在進行行政 Agent 流程處理時應格外留意的。

結語：Copilot 不夠精確，我們需要更清楚的比喻

兩年前，我用「共駕（Copilot）」這個比喻。兩年後，這個說法恐怕需要改變了，Copilot 預設了「人在駕駛座」，在 AI Agent 時代，決策任務調度的自動化讓駕駛座這個位置開始模糊——但人需要始終在決策層作主。不是每個任務都要親手執行，也不是每個輸出都要從頭審核，而是在整個教育任務流程的協調邏輯中，人的教育判斷、人的文化脈絡、人的主體意志，必須是決策判斷邏輯的輸入，而不只是 Agent 輸出的受眾。

對教育生態系而言，Agent 時代最關鍵的不是工具能否最快普及，而是三件事能否同時成立：

1. 第一，學習歷程、備課紀錄、課堂觀察是否被整理成可理解、可調度的 context 基礎設施；
   
   
2. 第二，教師、學生、學校是否有能力把隱性的教育知識蒸餾成可驗證的 Skills；
   
   
3. 第三，人是否仍然掌握教育目標、價值判斷與完成標準的定義權。

這三件事，正是「誰在決策調度教育生態系」這個問題的具體答案，然而，隨著 Agent 的導入，生態系的模態正在悄悄轉變，甚至在潛移默化中讓決策調度的主導權開始轉移，教育生態系進入 Agent 時代最重要的功課，不是學會用什麼工具，而是不能忘記教、學工作以人為本的職責，有些事情我們要做過才會知道怎麼做——Agent 時代的教育，仍然需要師生親身在判斷中成長，這也是杜威所言「經驗即教育」在 AI 時代的新意吧？