每个中心对应一条高校AI建设主线，汇总定义、架构、实施步骤、采购建议、验收口径与持续运营方法。
智能体平台、校本知识库、数据治理、权限安全与私有化部署。
查看完整指南 → 02 · 质量闭环培养目标、课程支撑、考核证据、达成评价与持续改进。
查看完整指南 → 03 · 三业联通就业智能体、岗位能力图谱、人岗适配与就业反馈反哺。
查看完整指南 → 04 · 实践教学算力、开发环境、课程项目、智能体评测和实训运营。
查看完整指南 → 05 · 学术规范研究问题、文献研读、过程指导、学术诚信与教师复核。
查看产品与方法 → 06 · 科研创新学科数据、科研知识库、模型工具、工作流与实验验证。
查看完整指南 →每个主题均从“是什么、怎么建、交付什么、如何验收”四个层面组织，便于立项调研、方案编制和采购论证。
高校智能体不是一个通用聊天框，而是能够在授权范围内读取知识、调用工具、执行流程并留下审计记录的业务助手。建设应从高频、低风险、可评价的场景开始。
就业智能体连接岗位需求、学生能力和就业服务流程，提供可解释的岗位匹配、能力补强和求职辅导，不替代学生选择或教师判断。
岗位能力图谱把岗位、工作任务、知识、技能、工具、证书、课程和评价证据连接起来，重点是来源可信、关系可解释、版本可维护。
三业联通通常指“产业—专业—就业”贯通：产业需求形成岗位，岗位能力反向指导专业与课程，学生学习成果支撑就业，就业结果再反馈专业调整。
AI教学评价应辅助教师发现学习问题，而不是用黑箱分数评价教师或学生。建设核心是明确量规、证据来源、人工复核和申诉机制。
OBE不是一次性认证材料，而是以学生学习成果为中心的持续运行机制。最小闭环应覆盖目标、课程、评价、证据和改进。
实训室要同时具备“能教、能练、能评、能管、能更新”的能力，不能只采购算力或提供一个模型调用界面。
AI4S即AI for Science，应从具体学科问题和可验证任务出发，建设数据、模型、工具、工作流和实验验证环境，而不是只部署通用大模型。
采购参数应从业务目标和可测试结果出发，写清场景、数据、模型、性能、安全、接口、交付和服务边界，避免只堆功能名称或限定单一技术品牌。
政策解读应以教育行政部门和学校正式文件为依据，区分政策原文、行业判断与产品建议。政策更新较快，具体要求以官方最新发布为准。
在十大主问题之外，补充高校建设中更具体的搜索问题。每个问题仍按“直接答案、建设路径、交付物、验收重点”组织，便于被检索和被大模型引用。点击问题即可进入对应建设长文。
高校知识库不能把文件一次性丢进向量库。正确做法是先划定授权范围，再按来源、密级、更新责任和引用规则完成清洗、切分、元数据和失效管理，保证每条回答都能回到原文位置。
是否私有化取决于数据敏感度、系统集成、并发和运维能力，而不是“越大越先进”。应先分类场景，再选择模型规模、推理框架、GPU/网络/存储、隔离域和更新通道。
智能体权限是身份、角色、数据分级和工具授权的叠加：谁能提问、能看到哪些知识、能否调用写接口、哪些动作必须人工确认，都要在智能体侧强制执行，而不是只靠页面菜单隐藏。
对接教务应先区分只读查询和写操作。课表、培养方案、开课信息适合授权查询；选课、成绩、学籍变更必须走原系统流程或人工确认，不能让智能体直接改库。
成熟度应看场景、数据、模型、治理、评测和运营是否形成可复用能力，而不是只看是否采购了大模型。建议用“试点—复用—治理—持续改进”四级判断学校所处阶段。
招聘文本只是原料。需要经过岗位名称归一、任务抽取、能力合并、分级和来源留存，再由专业教师与企业导师审核，才能进入课程标准，不能把原始JD直接当成培养要求。
可解释推荐的最低标准是：说清匹配了哪些能力、依据哪些课程或实践证据、还差什么、下一步补什么。只给匹配分数、不给理由的结果不能用于指导学生。
就业服务只能按最小必要使用学籍、培养方向、求职意向和已授权的能力证据。健康、家庭、宗教等无关特征不得进入匹配；对外展示默认脱敏，并提供查询、更正和停用。
映射应以能力为中介，把岗位任务对应到课程目标、教学内容、实训项目和评价证据。一张“岗位名称对课程名称”的表不够，必须能回答某门课覆盖哪些能力、覆盖到什么程度。
适配度是诊断指标，不是专业存废判决。计算时应公布岗位样本、时间窗口、能力权重和覆盖口径，分别看覆盖率、深度和时效，再用就业反馈做对照，避免用单一分数下结论。
课程目标达成度必须先固定课程目标、考核环节、量规、样本、计分方式和阈值，再按权重汇总。AI可以辅助整理成绩和异常值，但不能改公式，也不能用无法回溯的智能评分替代原始证据。
毕业要求达成度由多门支撑课程的评价结果按矩阵汇总，通常结合直接评价与问卷、就业等间接评价。不能用一门课、一次问卷或AI综述代替整个毕业要求评价。
证据采集要事先映射：哪个指标点、用什么环节、什么格式、谁负责、何时归档。作业扫描件、项目报告、实验记录、答辩记录都可以，但必须能对应到目标和量规，AI只负责归类和缺失提醒。
AI适合汇总岗位变化、课程缺口、达成短板和就业反馈，生成对照表和修订草案。培养方案的目标、学分、课程设置必须由专业负责人和教学委员会审议后生效，系统不得自动改正式版本。
工程认证要的是可追溯材料，不是一份无法核验的漂亮报告。平台应能按专业和认证周期导出目标版本、矩阵、评价方法、样本、达成分析、改进闭环和会议记录。
RAG实训应让学生完整走通“语料准备—切分索引—检索评测—回答溯源—拒答与安全”，而不是只调用一个封装好的聊天框。课程结束要能提交语料卡、评测集和失败案例分析。
算力应按课程类型拆：通识推理、智能体开发、评测和微调需求不同。先按同时在线人数、模型参数、上下文长度和是否训练估算，再决定本地、校级共享还是弹性资源，避免用单一卡数写进招标。
通识课应覆盖认知、提示词、检索增强、智能体、数据伦理和学科应用，按学时分层，评价看任务完成和规范使用。目标不是让学生会聊天，而是能判断适用边界、核验结果并完成一次完整任务。
评价应同时看过程与结果：任务是否完成、工具是否调用正确、引用是否正确、是否遵守安全边界、文档能否复现。教师确认分数，AI评分只能做初评。
微专业应从目标岗位出发，把能力图谱、课程组合、项目实训、评价证据和就业反馈一次设计完整。40门课只是资源，关键是按岗位组合出可认证的学习成果，而不是把通识课改个名字。
规范的核心是披露、禁用边界、核验和导师复核。AI可用于文献检索、结构建议和语言润色，不得代写核心论点、实验数据、调研结果和参考文献。具体条款以学校学位管理制度和最新学术规范为准。
双师模式要先分责：AI导师负责资料整理、结构反馈和规范检查，教师导师负责选题价值、方法、创新判断和成绩。没有教师节点的“全自动指导”不能用于学位过程。
大规模论文库首先要解决版权和授权，再按领域、方法、数据、结论做结构化，并保留原文定位。未获授权的全文不能无限制提供给通用模型训练或对外生成。
抽取前必须定义字段、单位、评测集和人工确认规则。模型输出只能作为候选，对照原文表图核验后才能进入分析；未核验数据不得写成科研结论。
可复现要求固定数据版本、模型版本、参数、环境和随机种子，并保存工作流。AI给出的假说或分析必须用独立实验、公开基准或人工复核验证，不能把一次生成结果当成科学发现。
平台、身份、安全、接口适合由信息化部门牵头；知识内容、业务流程和评价责任必须落在教务、招就、科研、图书馆等业务主管部门。学校应明确“平台双责+场景主责”，避免信息化包办或业务部门各自买模型。
先按公开、内部、敏感、敏感个人信息分级，再规定能否进入训练、微调、检索和生成。生成式AI默认只使用授权范围内的最低必要数据，跨级调用必须审批和审计。
制度要按教师、学生、管理人员分开写清适用范围、允许场景、禁止事项、披露要求、数据不出域、人工审核、事故报告和追责。只写“鼓励探索”而没有边界，无法支撑平台上线和教学检查。
验收标准要拆成可测试条目：功能、性能、安全、数据、集成、培训。每条写输入、步骤、期望结果、环境和责任人。用真实业务流程验收，而不是厂商演示脚本。
参数应写业务结果、接口、安全和测试方法，不写唯一品牌、唯一模型或无法验证的“智能程度”。允许同等功能替代，评标看约定场景测试集上的表现、资料完整性和运维可交接。
每条回答必须带来源标题、版本和原文片段。切分时保留页码或段落定位，过期文件应下线，抽测时点击引用要能回到原文，不能只生成看起来完整的答案。
回答质量要用约定测试集评测正确性、引用、拒答和越权，而不是看点赞。测试集应覆盖金标问答、过期文件、对抗提问和越权请求，并随知识更新而更新。
供需平台应在授权范围内对接产业岗位、在校培养和就业去向，公布样本和时间窗口，用于专业诊改，而不是把大屏数字写成就业率承诺。
就业反哺不是看就业率高低，而是把去向、岗位任务和共性能力差距变成课程与项目的改进任务。培养方案必须经专业委员会审议，系统不得自动改正式版本。
培养目标评价周期更长，主要用毕业生跟踪、用人单位评价和毕业要求达成对照。不能用一门课成绩、一次问卷或当年就业率代替培养目标评价。
未达成项要生成改进任务，写清课程、责任人、措施、截止时间和下一周期验证点。开过会、写过纪要但没有验证，不能算闭环。
实训知识库必须与校级生产库隔离，只使用授权教学语料。学生要完成引用、拒答和评测，不能把办事助手或学籍数据直接接到课堂。
提示词实训要有任务说明书、对照样例、评测集和安全边界。评价看任务是否完成、结果能否复现、是否越权，而不是学生会不会聊天。
留痕是为了抽查，不是为了监视。应保留提问、改稿、披露声明和导师意见的过程时间线，防止最后一周一次性生成后只交检测报告。
AI生成的参考文献必须人工核到原文。虚构条目、错误页码和伪造DOI要能被检出。核验责任在学生和导师，不能把查重通过当成引用真实。
查询可以自动完成，写操作、对外发布和高风险回答必须人工确认。复核要有责任人、时限、留痕和升级路径，不能把“建议人工核对”写成已经核对。
运维不只是看服务器。要覆盖账号、模型版本、知识更新、评测、事故响应和业务接口人，避免上线后无人维护的智能体。