前一阶段，很多学校关注的是大模型接入、知识库建设和智能问答，希望先解决“师生能不能用上AI”的问题。随着应用逐渐深入，一个新的问题开始出现：知识库建了不少，智能体也上线了不少，但真正能够进入教学、科研和管理流程、持续发挥作用的应用并不多。

原因并不复杂。

高校真实业务很少只是“回答一个问题”。科研项目申报、培养方案审核、教学材料制作、会议纪要整理、学情分析、制度比对，都需要查资料、理解规则、调用工具、处理数据、按照既定流程完成任务。

因此，高校智能体建设如果长期停留在“模型+知识库”的框架里，能够解决的主要还是“知道什么”，很难进一步解决“能做什么”和“怎样做好”。

从这个角度看，下一阶段高校智能体建设真正需要沉淀的，是三类资产：

知识、能力和技能。

知识解决“知道什么”，能力解决“能做什么”，技能解决“按照什么方法把事情做好”。

这三者，才构成智能体进入高校业务的基础。

一、知识：不是把文件放进知识库，而是让智能体懂学校

高校天然是一个知识密集型组织。

规章制度、办事指南、培养方案、课程资源、科研成果、业务规则、历史案例，大量信息分散在网站、业务系统、共享目录甚至工作人员个人电脑中。

知识库建设的价值，就是把这些分散的信息变成智能体可以检索和使用的组织知识。

但知识建设不能简单等同于“导入文件”。

真正影响使用效果的，是这些知识是否准确、是否有效、是否有明确来源和适用范围。

例如，同样是一项科研管理制度，可能同时存在旧版、新版以及院系补充规定。如果只是把几个文件一起放进知识库，智能体能够检索到内容，却未必知道应该以哪一版为准。

所以，高校知识建设更应该关注几个基本问题：

知识从哪里来，谁负责维护；哪些内容已经失效；不同知识适用于哪些对象和场景；答案能否追溯到原文；涉及不同岗位和部门时，是否具备相应访问权限。

做到这一步，建设的才不只是一个“文件库”，而是一套可持续维护的学校知识体系。

对于高校来说，这类知识资产可以逐步覆盖政策制度、教学资源、科研资料、管理规范、校园服务和业务案例，并按照校级、部门、岗位和个人形成不同的访问边界。

知识建设解决的是智能体对学校的“理解问题”。

但仅仅理解学校，还不够。

二、能力：决定智能体能不能真正进入业务

一个智能体即使知道学校所有科研管理制度，如果不能读取申报材料、处理表格、查询科研系统，它仍然只能告诉工作人员“应该怎么做”。

这也是知识问答和智能体应用之间最明显的区别。

真正的智能体，需要拥有一定的执行能力。

例如读取和生成Word、处理Excel、生成PPT、检索信息、执行数据分析、访问数据库、调用业务系统、发送消息、处理日程，或者通过API、MCP等方式调用学校已有的信息系统。

在完整的智能体工作过程中，模型负责理解和生成，Agent负责组织任务，工具和接口负责执行操作，最终再由人完成必要的判断和验收。

因此，高校建设智能体平台时，除了知识库，还需要逐步建设自己的“能力目录”。

例如：

教务系统能够向智能体开放哪些查询能力？

科研系统能够提供哪些数据读取能力？

OA、邮箱、日程、文档系统能够开放哪些操作能力？

哪些能力只能查询，哪些可以写入，哪些必须经过人工确认？

这实际上是在建设一套面向智能体的业务能力底座。

从现有智能体产品的技术架构来看，文件操作、命令执行、系统连接、多智能体协作、自动化任务和权限审计，已经越来越多地被作为独立能力进行管理。

对于高校而言，这一层尤其要避免“只讲连接，不讲治理”。

智能体一旦具备操作能力，风险也随之发生变化。

问答出错，通常只是一段错误内容；如果智能体拥有系统写入、文件修改甚至消息发送权限，错误就可能直接进入业务过程。

因此，能力建设必须同时包含权限控制、身份认证、操作确认、日志记录和过程审计。

高校真正需要的，不是“什么都能调用”的智能体，而是知道谁可以调用、在什么情况下调用、调用到什么程度，并且全过程可以追溯的能力体系。

三、技能：把学校自己的工作方法沉淀下来

知识和能力解决之后，还有一个更重要的问题：

同样拥有知识和工具，为什么一个熟悉业务的人能把事情做好，一个新人却往往需要反复学习？

差别就在于“技能”。

高校大量工作都有自己的方法和流程。

以科研项目申报为例，它并不是简单地生成一份申报书。

真正的工作可能包括：理解申报指南、判断申报条件、准备基础材料、按照学校要求组织内容、核对预算、检查日期和责任主体、套用规范模板，最后形成待确认事项。

这些步骤背后，是科研管理人员多年工作形成的方法。

再比如会议纪要，也不是简单做一次语音转文字。需要识别议题、提取决定事项、区分讨论意见与正式结论、明确责任人和完成时间，再按照学校模板形成纪要和待办事项。

这类“怎么把事情做好”的经验，正是技能资产。

研究材料中将Skill定义为一种“可复用的专业工作方法包”，可以把程序性知识、业务流程、参考材料和执行脚本组织起来，用于固定复杂工作方法，并把个人或组织经验沉淀为可重复使用的资产。

这对高校有非常现实的意义。

过去，很多重要的业务经验掌握在科研秘书、教学秘书、辅导员、行政骨干和专业教师手中。

哪些材料容易漏，哪些指标最容易出错，某项工作应该先找谁、后找谁，这些知识往往并没有完整写在制度文件里。

一旦人员调整，这部分经验就很难完整传递。

智能体时代提供了一种新的沉淀方式：把成熟人员的业务方法逐步转化为可以复用的技能，让它不再只存在于个人经验中。

从长期看，高校真正有价值的智能体资产，很可能不是大量Prompt，而是一套不断积累的校本技能库。

四、三类资产要一起建设

知识、能力和技能并不是三套独立系统。

它们应该围绕具体业务场景组合起来。

以“科研项目申报助手”为例：

知识层提供申报指南、学校科研政策、经费制度和历史材料；

能力层提供文档读取、信息检索、表格处理、Word生成以及科研系统查询；

技能层则规定如何提取申报条件、检查材料、组织内容、核对预算并形成最终审核清单。

三者组合起来，才形成一个真正可用的智能体。

因此，高校做智能体建设时，可以少问一句：

“要建设几个智能体？”

多问三个问题：

这个场景需要哪些知识？ 需要调用哪些能力？ 其中哪些工作方法值得沉淀成技能？

这样做的好处是避免重复建设。

同一个“文档解析能力”，可以被科研、人事、教务等多个智能体调用；同一套学校公文规范，也没有必要在不同智能体中分别维护。

智能体可以不断新增、调整甚至替换，但底层知识、能力和技能能够持续复用。

这也是高校智能体从“应用建设”走向“资产建设”的关键变化。

五、从几个真实场景开始，而不是一次建很多智能体

高校智能体建设不需要一开始就追求规模。

更实际的路径，是优先选择几类规则比较明确、重复频率较高、结果容易检验的工作。

例如制度查询与比对、会议材料整理、科研申报辅助、报表生成、课程资料整理、学情数据分析等。

这些场景有一个共同特点：既能用到学校自己的知识，又需要调用具体工具，同时还存在相对稳定的工作流程，非常适合把知识、能力和技能放在一起验证。

现有实践中，行政文书、数据分析、科研辅助、知识管理和自动化巡检等，也已经成为智能体比较典型的高校应用方向。

建设过程中，可以先选一两个场景做试点。

试点的目的，不只是看模型回答得准不准，而是验证三件事：

知识是否可靠，能力是否可控，技能是否真正符合学校的工作方式。

验证成熟之后，再逐步复制到院系、课题组和更多管理部门，并根据需要连接更多校内系统。研究材料提出的实践路径也是先从小范围效率验证和少量Skill开始，再逐步走向团队协同和业务系统连接。

对高校而言，智能体建设最终留下来的不应该只是若干个机器人。

模型会更新，产品会变化，智能体的名称和形态也会不断调整。

真正值得持续建设的，是学校自己的知识、能力和技能。

知识沉淀学校“知道什么”，能力沉淀学校“能够调用什么”，技能沉淀学校“事情应该怎么做”。

当这三类资产逐渐形成体系，高校智能体才有可能从几个零散的应用，真正进入教学、科研、管理和服务流程。

这可能也是下一阶段高校智能体建设最需要关注的变化：

从建设一个个智能体，转向建设能够被智能体持续复用的组织能力。

文件来源：智教说公众号