Agentic University: Collaborative Agents for Personalized Learning
作者: Jingru Fan, Tianle Zhou, Yunjie Zhou, Zihao He, Yixuan Zhou, Kezhao Wu, Xinyu Zheng, Xiyuan Wang, Yuheng Wang, Zhi Li, Songhua Liu, Weinan E, Chen Qian
分类: cs.AI, cs.CL
发布日期: 2026-10-29
🔗 代码/项目: GITHUB
💡 一句话要点
提出Agentic University以解决个性化学习中的协作与评估问题
🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)
关键词: 个性化学习 多智能体系统 能力计划 学习评估 教育技术
📋 核心要点
- 核心问题：现有个性化学习方法在目标、活动和评估的一致性方面存在挑战，难以形成有效的学习过程。
- 方法要点：提出Agentic University，通过人参与的多智能体组织，促进学习者与智能体的协作，维护可修订的能力计划。
- 实验或效果：评估结果显示，用户在评估中获得了更大的平均增益，并感受到更强的认知支持。
📝 摘要（中文）
大型语言模型支持个性化辅导、内容生成和自适应学习路径。然而，能力的发展需要这些资源和互动形成一个连贯的学习过程，并随着学习者的进步而演变。本文提出了人参与的多智能体组织，并在Agentic University（AU）中进行了实例化。在AU中，学习者作为组织成员参与，与专业智能体合作维护可修订的能力计划。该计划连接个人目标、跨模态学习活动和分层评估，同时学习者的反馈和表现指导后续支持。我们的评估显示在程序组织、评估设计和修订质量方面的优势。用户在评估中获得了更大的平均增益（12.19分对比5.61分），并报告了更强的认知支持。
🔬 方法详解
问题定义：本文旨在解决个性化学习中目标、活动和评估之间的对齐问题。现有方法往往缺乏有效的学习过程整合，导致学习者的学习体验不连贯。
核心思路：论文提出了Agentic University（AU），通过人参与的多智能体组织，使学习者与专业智能体协作，形成一个动态的能力计划，以适应学习者的需求和反馈。
技术框架：AU的整体架构包括学习者、智能体和能力计划三个主要模块。学习者作为组织成员参与，智能体提供个性化支持，能力计划则连接个人目标和学习活动。
关键创新：最重要的技术创新在于引入了人参与的多智能体组织，使学习者的参与成为多智能体协调的持续基础，从而提升了学习的个性化和适应性。
关键设计：在设计中，能力计划的修订机制依赖于学习者的反馈和表现，确保学习活动和评估的动态调整。
🖼️ 关键图片
📊 实验亮点
实验结果显示，用户在评估中获得了平均增益12.19分，相较于基线的5.61分有显著提升。此外，学习者报告了更强的认知支持，表明AU在学习支持方面的有效性。
🎯 应用场景
该研究的潜在应用领域包括教育技术、在线学习平台和个性化学习系统。通过引入多智能体协作，能够显著提升学习者的学习体验和效果，未来可能对教育模式的转变产生深远影响。
📄 摘要（原文）
Large language models support personalized tutoring, content generation, and adaptive learning paths. However, capability development requires these resources and interactions to form a coherent learning process that evolves with the learner. A central challenge is to align goals, activities, and assessment while using learning evidence to decide what should follow. We introduce Human-Participatory Multi-Agent Organization and instantiate it in Agentic University (AU). In AU, learners participate as organization members and work with specialized agents to maintain a revisable Capability Program. The program connects personal goals, learning activities across modalities, and layered assessment, while learner feedback and performance guide subsequent support. Our evaluation shows advantages in program organization, assessment design, and revision quality. Users achieved larger mean assessment gains (12.19 versus 5.61 points on a 50-point scale) and reported stronger cognitive support. This work contributes an organizational approach to adaptive learning that makes learner participation a continuing basis for multi-agent coordination. The Agentic University project is available at \href{https://github.com/AgenticOrgLab/AgenticUniversity.git}.