一、案例简介

信创领域权威资料不足、关键资源分散、质量参差不齐、学习路线不清晰等对强调个体独立学研创的传统自主学习形成制约。为此，本案例以“众包”思想聚“通用大模型”和“垂直大模型”的智慧与能力，探索互补、互动型“AI+教育”应用模式，构建适于信创人才成长的“一体两翼三协同四输出”自主学习新范式（目标与架构如图1）。

图1 本案例设计总体目标与架构

视文心一言等国产大模型为独立个体，利用其在语言、知识、理解、数学、代码等方面的能力差异，设计通用大模型、垂直大模型和人的互动系统，支持问题驱动式、探究式自主学习与验证，为“领域认知->原理介绍->代码剖析->编程辅助->安全分析->功能测试->迁移方案”的成长路径赋能，达到理解AI模型、善用模型优势、掌握信创知识、具备研发与迁移能力目标，提升学习兴趣、质量与效率，从“人机智能协同”角度为信创人才培养和第二课堂改革创新提供思路。

二、案例介绍视频

三、案例实施所需工具或系统

OneGPT:         https://github.com/1595901624/gpt-aggregated-edition

CodeGeeX:     https://codegeex.cn/

Compiler Explorer: https://gcc.godbolt.org/

AI-Interact-Demo, 多AI大模型互动分析系统Demo：（自主开发，请下载附件体验）

四、案例设计与实施建议

鉴于信创领域特点与人才培养的特殊性，本案例的核心目的是充分利用通用AI大模型与垂直AI大模型的互补特性，以“众包”思想构建互补、互动型的“AI+教育”应用模式，助力学习效能提升，赋能面向信创人才成长的“一体两翼三协同四输出”自主学习模式。

1.关于“一体两翼三协同四输出”

“一体两翼三协同四输出”是本案例试图探索和推广的AI+信创人才培养模式与机制，其中：“一体”为信创人才载体；“两翼”是面向国产化、自主可控的软硬件研发、平台迁移能力；“三协同”指以人脑主导下的“通用大模型+垂直大模型+人脑”的人机智能协同机制；“四输出”指信创人才学习成效（目标）输出。人工智能时代，AI赋能下人才成长不仅要提升“两翼”端指能力成长效率，而且要用AI、知AI、懂AI，即“理解通用大模型及其差异、熟练运用垂直大模型、掌握通用与垂直大模型差异化分析方法”，合在一起是为“四输出”。

2.围绕四输出的案例设计与实施建议

本案例旨在构造一种以“通用+垂直大模型”为基础的可推广自主学习、个性化成长的模式或框架，尤其适应于计算机大类、自动化大类等的人才培养。因为参考或运用本案例的对象，不仅要用AI，而且要分析多种AI，更可参与人机智能协同的机制或工具的开发与使用，达到依托本案例但可轻易拓展至更多场景。

为此，本案例包含如下四个核心部分：

（1）人机智能协同之一：多AI大模型互动分析系统设计

基于Python语言和requests、colorama库，自主开发一套多AI大模型互动分析系统，实现用户与AI大模型和AI大模型之间的对话，增加趣味性的同时，也帮助用户了解不同AI大模型在语言、知识、理解、数学、代码等方面的差异。

实施建议：参考本案例，自行设计支持任意两种AI大模型的精简版互动分析系统；通过AI大模型之间的互动对话，进而聚合分析，一则以“众包”达到学习路线、纲要完善和修正，二则理解AI大模型之间的差异，为后续案例的互补导引提供支撑。

（2）人机智能协同之二：构建AI+人脑探究式学习场景

参考OneGPT集成文心一言、通义千问、昆仑天工等主流AI大模型及开放环境配置能力，结合分屏排列技术，让人和多个AI针对同一问题同步分析、随机交互，构建以自主学习者为中心、AI大模型为成员的探究式学习小组，以“众包”思想调动它们解析问题或代码、讨论方案或原理、相互查错纠错，实现对领域知识、技术、代码等的提质和拓展。该场景的知识汇聚、决策方法由自主学习者通过预设命令进行控制，避免人对AI的过度依赖。

实施建议：选择OneGPT或GPTFusion，通过脚本或第三方工具搭建具备同步分析、随机交互的场景，也可直接使用本案例设计的“多AI大模型互动分析系统”，它会自行启动包含多个AI大模型的集成环境，构建基于众包的“多AI+人脑”的问题驱动、探究式学习小组，通过多轮迭代后形成稳定的协同策略、聚合方法，尤其适用于领域知识积累、图谱优化。例如，本案例团队指导学生第二课堂构建了信息安全领域知识库和领域知识脉络。

     （3）人机智能协同之三：多AI模型赋能安全编程场景

安全编程是信创人才核心能力之一。考虑基于智谱AI垂直大模型的CodeGeeX的编程辅助能力，和通用AI大模型在宽领域分析与拓展能力优势，本案例构造“通用AI->垂直AI->通用AI”的闭环安全场景。即，通用AI根据需求生成代码雏形，垂直AI局部智能补全、代码注释等完善代码，再回到通用AI进行安全性分析、拓展迁移（平台）。

实施建议：选择任意智能编程辅助工具、插件或者在线编程与编译平台，利用其垂直大模型优点，再结合多AI大模型的领域拓展优势与探究式提质能力，在软硬件研发、平台迁移等（或用户关注领域的任意能力与技术）过程中主动采用“通用AI->垂直AI->通用AI”闭环，提升安全编程与高质量AI应用能力。

（4）基于“通用+垂直大模型”的七步成长路径

信创人才培养的关键创新能力、实践能力，如编程与平台迁移。AI是助力而非替代。基于多AI大模型的互补优势，我们建议AI+信创人才自主学习的七步成长范式：一领域认知，二原理介绍，三代码剖析，四编程辅助，五安全分析，六功能测试，七迁移方案。其中，一二五七以通用大模型为主，三四六以垂直大模型为主，由前述三项人机智能协同机制定义，即AI+人脑，互动融入，AI起到对学习与实践效果的提质；再运用CompilerExplorer，达成跨平台编码移植分析检验。

实施建议：根据自主学习者领域、目标不同，七大步骤也可按需取舍、调整，但案例建议不同步骤对通用、垂直大模型的优势利用在一定时期内仍然有效。