25 所学校 41 堂课程：TRAE 正在深度融入专业教学

TRAE 进入大学课堂，正在从“要不要用”转向“怎么用”。

在北京大学，中文系学生，用 TRAE 把古汉语语料和数字人文研究结合起来；

在上海交通大学，固体力学课的学生，用自然语言描述受力条件，再检查 TRAE 生成的求解程序；

在中山大学，岭南学院的学生，学习的不是“如何写代码”，而是用 TRAE 针对经济金融场景搭建能干、懂你、自主、可控的数字助理。

人工智能不是单独增加的一门“热门课”，而是进入不同学科的知识体系、实践环节和培养方案。计算机专业需要重新思考软件开发、算法学习和工程实践；人文社科专业则需面对文本分析、数据处理、知识生产和内容创作的新方法。

41 堂专业课，正在形成一张新的课程地图

TRAE 高校先锋教师计划，已经扶持了 25 所学校的 41 堂课：包括高校的专业课、面向全校新生的实践课。

它更像一张正在生成的地图：TRAE 可以从中文系的古汉语语料出发，也可以进入 GPU、嵌入式系统、机器人、量化投资、历史研究和广告创作；它可以服务专业基础课，也可以服务跨学科项目。

课程创新真正发生的地方，不是标题里多了一个“AI”，而是课堂里多了一个新的工作过程：学生提出问题，借助工具完成实践，面对错误进行核验，再用自己的专业知识做出判断。

实践证明，课程创新并不等于制造焦虑。教师并不是突然被要求把所有课程“AI 化”，而是在原有专业目标不变的前提下，重新判断哪些环节可以交给工具，哪些环节必须由学生独立完成，哪些结果必须经过人工复核。

TRAE 先锋教师计划，支持的是一整套课堂实践

TRAE 高校先锋教师计划切入点，是支持教师把尝试，落到一门具体课程、一个真实班级和一组可检查的任务中。

教师负责课程目标、专业问题、作业设计与评价标准；学生在课程任务中使用 TRAE 工具完成代码编写、资料整理、任务拆解或项目迭代；TRAE 为参与课程的学生，提供统一的积分扶持，让整班学生都能获得基本的使用条件。点击「阅读原文」，欢迎老师报名。报名通过后，全班同学获得 6000 积分。

_{TRAE 先锋教师，点击「阅读原文」报名}

从目前 TRAE 支持的课程来看，先锋教师们的做法，归纳为三种：

• 把 AI 放进专业任务。 例如 GPU 架构课程用它辅助代码理解和测试，量化投资课程用它支持数据处理与回测探索，历史课程让学生把史料整理为数据并完成可视化。

  
  

• 把人机协作写进教学流程。 学生不是直接提交 AI 的答案，而是经历“提出问题—形成方案—AI 辅助实现—人工审查—测试验证—复盘修改”的过程。

  
  

• 把判断能力作为课程成果。 课程评价不只看程序能否运行，也看学生是否理解模型假设、能否解释结果、是否发现 AI 的错误，以及能否将工具迁移到自己的专业问题中。

同一个 TRAE 工具，为什么会长成三种课堂

北京大学《数字人文视野下的文献语言研究》，没有把编程当成额外的技术训练，而是从语言计量、古汉语语料库建设等研究问题出发，引导学生借助 TRAE 把文本材料转化为可标注、可量化的研究对象。学生学到的不是“中文系也要学代码”，而是如何让传统文献研究拥有新的方法。

湖南大学的《量化投资》采取了相似的思路。TRAE 被放进数据清洗、指标构建和回测探索等环节，学生可以减少重复编码，把更多时间用在资产定价、风险解释和策略逻辑上。工具没有替代金融知识，反而让专业判断成为课堂的主任务。

在浙江大学《开源软件前沿技术》中，AI 辅助开发必须服从开源许可证、代码评审、问题追踪、自动化测试和软件安全等工程规则。评价标准不再是“代码生成得快不快”，而是能不能完成、能不能验证、能不能被团队继续维护。

这种约束在工程课程里更加直接。中国科学院大学的《GPU 架构与编程》，把 TRAE 用在代码理解、跨文件重构和测试用例生成上，但张量核、存储层次、并行执行和性能调优仍需要学生自己掌握。

上海交通大学的《Intro to Solid Mechanics》，让学生用自然语言描述受力条件，由 TRAE 生成求解程序，再回到模型假设、平衡与变形协调条件、材料本构关系和计算结果本身进行审查。AI 可以帮助学生更快得到第一版结果，却不能替学生完成工程判断。

复旦大学新闻学院的《视听广告创作》，把 AI 放进课程内容生产的全过程：教师重新编写教材和教程，将其做成模块化、可交互的 HTML 文档，用于课前阅读、课堂演示和创作实践。课程变化的重点不是“增加一节 AI 介绍”，而是重新安排学生从想法到作品的工作流程。

中山大学岭南学院的《经济金融 AI 智能体设计与开源》，则推进至搭建理想数字助理，学生不要求先学会编程，而是学习如何以管理者和工程师的视角在 TRAE 中设计和搭建经济金融场景下能干、懂你、自主、可控的智能体系统。上海交通大学面向人文社科及医学类专业学生的《人工智能基础》，也采用理论讲解、平台操作和任务实践结合的方式，让学生在具体场景中理解 AI 的能力边界。

所以，TRAE 在不同专业里呈现出的并不是同一种“用法”：在人文学科，它帮助学生把材料变成研究工具；在工程课程，它让学生更快进入验证和迭代；在创作与管理课程，它参与任务拆解、内容生产和协作流程。工具相同，课程目标不同，最后形成的课堂自然不同。

如何和 TRAE 一起 完成一门专业课

如果把课程里的分工说得更具体一些，教师、学生和 TRAE 之间形成的是“专业判断—工具执行—结果验证”的流程。

教师先确定问题：这门课要解决什么专业问题，学生应该掌握什么能力，哪些环节必须独立完成。学生再把问题变成任务：补充背景、拆解步骤、定义输入和输出，决定什么时候使用 AI，什么时候停下来检查资料、代码或实验结果。

TRAE 参与执行：帮助学生生成代码、理解工程文件、整理资料、搭建原型、调试报错或推进多轮任务，让原本需要较高技术门槛的实践更容易开始。

最后由人完成验证：检查数据来源、模型假设、引用和运行结果，解释为什么这样做，记录工具出错的地方，并根据反馈修改作品。

这套关系也解释了为什么不同学校、不同专业可以共同参与计划，却不需要使用同一套教案。工具可以统一，课程目标不能统一；使用入口可以统一，专业问题和评价标准须由教师重新设计。

TRAE 高校先锋教师计划，希望支持更多教师从一门课开始尝试。教师提供课程场景和教学设计，TRAE 提供工具与整班积分扶持，学生在真实任务中完成一次次可检验的练习。AI 是否有价值，最终仍然要回到课堂成果、学生能力和专业问题本身来回答。

附：课程一览