论文标题：Research on the Development of a Large Language Model-Based Artificial Intelligence Teaching Assistant and Discipline-Based Knowledge Engine for Urban Planning: A Case Study of the New Science of Cities

期刊：Landscape Architecture Frontiers

作者：Tian ZHENG, Junhao XIA, Yue MA, Xiaolan HUANG, Ying LONG 

发表时间：15 Jun 2026

DOI：10.15302/J-LAF-2026-0017

微信链接：点击此处阅读微信文章

注：原中英文全文刊发于《景观设计学（中英文）》（Landscape Architecture Frontiers）2026年第3期。

导 读

人工智能（AI）的快速发展正推动高等教育由传统教学模式向智能化教学形态深刻转型。本文围绕AI助教系统开发、教学实践应用与学科引擎构建3个维度展开探讨。研究结果表明，通过融合领域知识注入、检索增强生成机制与文生图能力优化，AI助教不仅显著提升了专业知识问答的准确性，还在城市空间场景的图像生成任务中展现出较高的表达精度及对中国本土城市场景的适配能力。基于此，本文进一步提出以大语言模型为基底、面向学科知识体系深度定制的学科引擎建设路径，构建融合了文本生成、知识图谱与文生图协同驱动的系统架构，以实现从通用型语言模型向学科智能引擎的演进。研究为高校教育的数字化转型提供了可复制、可推广的理论框架与技术路径，同时拓展了AI与教育交叉研究的应用场景与发展方向。

关键词

人工智能；AI助教；大语言模型；检索增强生成；文生图；教学实践；学科引擎

基于大语言模型的城市规划人工智能助教构建与学科引擎研究

——以《新城市科学》课程为例

Research on the Development of a Large Language Model-Based Artificial Intelligence Teaching Assistant and Discipline-Based Knowledge Engine for Urban Planning: A Case Study of the New Science of Cities

郑湉，夏俊豪，马悦，黄潇斓，龙瀛

清华大学建筑学院

本文引用格式 / PLEASE CITE THIS ARTICLE AS

Zheng, T., Xia, J. Ma, Y., Huang, X., & Long, Y. (2026). Research on the development of a large language model-based artificial intelligence teaching assistant and discipline-based knowledge engine for urban planning: A case study of the New Science of Cities. Landscape Architecture Frontiers, 14(3), 260031. https://doi.org/10.15302/J-LAF-2026-0031

01.引言

第四次工业革命带来了以人工智能（AI）为代表的颠覆性技术，推动了科研范式和教学模式的持续转型。随着技术的快速发展，研究者得以整合文本、图像与地理空间等多源异构数据，以更精细、动态、可视的方式解析城市问题，同时高等教育也正经历深层次的结构性调整与系统重构。

研究显示，AI在教学内容生成、知识图谱构建、人机协同学习等方面具有显著潜力，有望重塑知识获取方式，推动教学生态向智能化、开放化与适应性方向转变。近期研究已在虚拟助教、写作辅导、教案编制与作业批改等方面验证了AI的有效性，但针对AI助教的系统架构、功能设计及其与教学场景融合的研究尚处于起步阶段，缺乏成熟的理论框架与实践范式。

本文以清华大学本科通识课程《新城市科学》为典型案例，旨在揭示AI助教从通用型语言模型向学科化智能引擎演化的关键机制，探索AI在教学中的创新整合路径，为高校推动AI技术与教学实践的深度融合提供可复制、可推广的理论框架与操作范式。

02.AI助教的构建方法与技术实现

《新城市科学》AI助教在现有技术基础上，针对课程教学需求进行学科适配，开发了文本生成与图像生成两项核心功能。

文本生成通过构建高质量专业语料库并引入检索增强生成（Retrieval-Augmented Generation，RAG）机制，增强模型在课程知识问答中的教学适配性与学科契合度；图像生成则依托大规模图文配对数据集与模型微调，提升模型在未来城市教学语境下的视觉表达与认知支持能力。在此基础上，通过将两大核心功能整合至智谱清言网站及荷塘雨课堂，并引入功能卡片板块，基于典型任务场景为学生提供提示词模板支持，从而提升使用便捷性与教学适用性。与通用模型（如ChatGPT、Midjourney等）相比，定制化AI助教虽在语料整理、模型微调与平台集成方面投入更高，但在教学任务适配度、回答准确性与文化契合度方面具有显著优势。

文本生成功能

在文本生成方面，团队首先聚焦高质量领域数据的系统整理与构建，整体工作流程如图所示，旨在为课程教学提供具有学科特征与教育应用价值的知识支撑。

文本生成功能研发技术路线 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

与传统微调方式相比，RAG无需更新模型参数，具有迭代速度快、知识更新便捷等优势，尤其适用于领域知识快速扩展或更新频繁的场景。在确保专业性的同时，有效缓解了大模型的“幻觉”问题。在回答生成环节，通过提示词工程明确要求大语言模型采用课程特定分析视角与框架来组织论述，引导AI助教更充分、更有条理地利用检索到的语料进行回答。

文生图功能

在图像生成能力方面，为实现AI助教对城市场景的辅助表达，团队通过在自建高质量图文配对数据集上进行微调，以提升模型的文生图能力。数据来源包括人工筛选与自动化收集两部分。

文生图功能研发技术路线 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

基于上述数据集，团队以CogView3为基础模型进行微调，采用低秩自适应（Low-Rank Adaptation，LoRA）技术对关键参数进行优化，并完成约2000步的训练。为增强模型对提示词的理解能力，在图像生成前，系统调用大语言模型对用户输入的提示词进行改写与扩展，将含有专业知识的简要关键词转化为空间构成明确、场景描述完整的语句，从而提升图像生成的视觉质量与语义表达精度。

在测试评估阶段，围绕30类典型城市空间场景构建240条测试样本（每类场景配备8条描述），覆盖经典与未来、室内与室外等不同类型。结果显示，最新版CogView3-plus模型在测试样本上的用户满意度约60%，而基于CogView3进行微调的模型在画面内容准确性、视觉风格契合度及文化语境表达方面均表现更优，尤其在中国本土城市场景表达方面具有明显提升，测试满意度达75%，证实了该模型在辅助创意表达上的实用价值。

CogView3-Plus模型与CogView3微调后模型对比 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

界面研发

团队将文本生成与图像生成两项核心功能集成至智谱清言平台与荷塘雨课堂，实现AI能力在真实教学场景中的应用。前者作为学生测试平台，在功能完善后接入后者，以更好地链接现有课程资源，提升整体学习体验。

为提高学生操作效率与提问针对性，团队在智谱清言平台设计并部署了涵盖实验计划、观察报告、改造方案、修改评价，以及出题共5类应用场景的25个功能卡片模块。

智谱清言平台功能卡片使用示意图 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

功能卡片获得了学生的积极反馈，随后迁移至荷塘雨课堂系统，以进一步拓展在实际教学场景中的应用价值。团队基于教学经验梳理了课程重点与难点，定制提问模板，并以功能卡片形式嵌入系统，使学生在完成章节学习后可直接调用对应卡片获取结构清晰的智能回答。

荷塘雨课堂功能卡片使用示意图 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

同时，通过整合知识图谱、MOOC资源与课程资料，AI助教系统实现了多源学习资源的联通，可促进学生深入理解课程内容。

荷塘雨课堂知识图谱使用界面 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

03.AI助教在教学实践中的应用

课堂智能交互

在课堂教学中，教师可利用AI助教根据课程进度生成兼具学术性与启发性的导入内容，激发学生的学习兴趣。在讲授过程中，AI助教作为“第三教学主体”参与师生互动，为学生提供启发性回应，辅助教师引导批判性思考。在讨论环节，学生可借助AI助教明确讨论方向、补充知识与案例，从而提升讨论质量与广度。

课堂中使用AI助教进行问答示意图 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

课后辅导支持

在课后阶段，AI助教围绕知识深化和作业支持提供多维辅助。针对课堂上未能完全理解的内容，学生可通过功能卡片快速提问，或调用24小时智能学伴获取解答。对于拓展性学习需求，可即时调取知识库中的相关内容进行延伸学习。此外，系统支持语音互动、截图问答及语音生成思维导图等多种交互方式。

24小时智能学伴示意图 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

学生及教师评价

为评估AI助教的实际应用效果，团队对2023年和2024年秋季学期的学生使用数据进行分析，并通过问卷方式收集了学生反馈。在使用情况方面，2023年秋季学期共有30名学生参与反馈，约70%的学生在信息检索、概念理解、研究框架搭建及文字润色等环节使用了AI助教。2024年秋季学期，17名学生全部使用AI助教的底层大模型ChatGLM进行辅助，总使用次数达432次，最大提问次数达108次，最长使用时间达24h11min。

2024年秋季学期学生使用智谱清言的信息统计 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

不同学习风格的学生在AI助教使用模式上呈现出显著差异：倾向于独立思考的学生多以批判性和验证性使用为主，聚焦于信息检索与快速核验，因而使用时长相对较短；而偏好互动式学习的学生则更倾向于将其作为对话性认知工具，通过持续交流拓展认知边界并深化理解，因而使用时间相对较长。此外，使用时长排名前20%的学生，其课程成绩多为“优秀”，在一定程度上反映出AI助教使用程度与学习表现之间的正相关趋势，但该关系可能同时受到学习投入等因素的影响，尚需进一步验证。

同时，学生反馈结果表明，AI助教在优化研究思路与表达质量方面具有明显作用，但仍存在回答深度不足、图像生成质量不稳定、响应速度较慢、文献查找功能不完善等问题。在教学实践中需明确AI助教的辅助角色，通过教学引导维持学生的批判性思维与反思能力。未来AI助教的研发不仅需从技术层面提升回答的深度与灵活性，还应在设计层面强化可解释性与透明性，从而引导学生掌握与AI对话的能力，而非依赖AI。

从教师视角来看，此类实践涵盖了AI助教的建设与应用两个层面。教师既是AI助教的设计者和搭建者，也是教学过程中的使用者和观察者。在建设过程中，关键难点主要包括教学需求的精准提炼、知识库的科学构建，以及系统与课程内容的深度契合。使用过程中的操作要点主要包括以下方面：一是在课堂教学中适时引入AI助教，突出其辅助而非替代作用，以有效激发学生兴趣、提升课堂参与度；二是在课后充分发挥AI助教的知识性解答功能，将常规性、重复性问题交由系统处理，从而使教师能够更加专注于引导学生开展系统性思考；三是针对学生的个性化问题，结合AI助教的反馈结果，提供更具专业深度的分析与指导。

04.AI赋能学科引擎建设的探索

从AI助教迈向学科垂直大模型

清华大学率先提出基于在线教育布局和AI赋能教学等实践，创新开展AI赋能学科引擎建设，以推动高等教育教学范式转型。《新城市科学》AI助教可作为起点，逐步迈向城市规划领域的学科引擎建设。具体而言，团队进一步拓展了AI助教的输入内容和应用范围。

学科垂直大模型构建 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

在原有AI助教模型的基础上，依据城市规划本科生培养方案，确定20个城市规划子领域方向，构建内容丰富、知识跨度广泛的新城市科学与规划学科语料库，为大语言模型提供扎实的领域知识支撑。同时，团队收集了49份注册城乡规划师真题和模拟题用于模型测试。结果显示，该学科垂直大模型在相关测试中的表现优于其他通用模型。

学科引擎建设的未来展望

以AI助教为起点建设城市规划学科引擎，将在知识、功能与应用等多个维度重塑学科发展格局，为培养适应未来城市发展需求的创新型规划人才、解决复杂城市规划问题及推动学科前沿研究开辟新的路径。

学科引擎架构图 © 郑湉，夏俊豪，马悦，黄潇斓，龙瀛

05.结论与展望

AI教学的推广仍面临教学语境理解不足、学生依赖性强，以及系统透明性欠缺等挑战。因此，AI助教的构建与应用不能仅停留于技术“可用”层面，更需在教育目标与知识建构逻辑上持续反思与优化。未来应在建构主义学习理论与认知负荷理论指导下，进一步优化学习路径与教学互动机制，形成技术与教育理论相互支撑的复合范式，推动AI从辅助工具向深度嵌入的教学伙伴转变。

致谢

本研究得到清华大学计算机系王宏宁教授团队及学堂在线的技术支持，特此致谢。

参考文献

[1] Long, Y., & Zhang, E. (2024). City laboratory: Criticism and prospect based on new data, new elements, and new pathways. Journal of Urban and Regional Planning, 16(1), 30–46.

[2] Zhai, W., Jiang, Z., Meng, X., Zhang, X., Zhao, M., & Long, Y. (2022). Satellite monitoring of shrinking cities on the globe and containment solutions. iScience, 25(6), 104411.

[3] Batty, M. (2013). Big data, smart cities and city planning. Dialogues in Human Geography, 3(3), 274–279.

[4] Long, Y., Zhao, H., & Zhang, Y. (2024). The new science of cities: Technology, computation, evolution, and application. City Planning Review, 48(7), 4–15.

[5] Xie, S. (2025). Problems in higher education management and optimization strategies in the context of big data. Knowledge Library, 41(6), 128–131.

[6] Lu, X. (2025). Key issues in promoting the classified development of universities. China Higher Education, (1), 4–8.

[7] Hou, H., & Wang, Q. (2025). Analysis of modern academic system of pedagogy with Chinese characteristics. Academic Exploration, (2), 142–149.

[8] Cai, S., Gao, X., & Yao, H. (2024). Digital empowerment of graduate education: A student-centered path to high-quality development. Education Research Monthly, (11), 3–9.

[9] Zhu, Z., Dai, L., & Hu, J. (2023). AIGC technology enables new ideas for digital transformation of higher education. China Higher Education Research, (6), 12–19.

[10] Yang, Q., & Tang, Q. (2025). Generative AI empowering postgraduate education: Theoretical logic, legal risks, and governance approaches. Journal of Graduate Education, (2), 26–33.

[11] Li, J., & Zhong, L. (2024). Application of a CAID-based artificial intelligence interactive teaching method in graduate education reform. Packaging Engineering, 45(S1), 489–493.

[12] Wu, Q., & Liu, Y. (2023). Higher education response in the era of ChatGPT: Prohibition or reform. Journal of Higher Education Management, 17(3), 32–41.

[13] Wu, F., Dang, Y., & Li, M. (2025). A systematic review of responses, attitudes, and utilization behaviors on generative AI for teaching and learning in higher education. Behavioral Sciences, 15(4), 467.

[14] Salih, S., Husain, O., Hamdan, M., Abdelsalam, S., Elshafie, H., & Motwakel, A. (2025). Transforming education with AI: A systematic review of ChatGPT’s role in learning, academic practices, and institutional adoption. Results in Engineering, 25, 103837.

[15] Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), 17458.

[16] Zhou, Y., & Yu, P. (2025). Study on the exhibition design pedagogy based on Constructivist Learning Theory: A twelve-step curriculum model. Zhuangshi, (6), 101–105.

[17] Pang, W. (2011). Cognitive load theory and its pedagogical implications. Contemporary Education Sciences, (12), 23–28.

[18] Zhipu AI. (2025, April 17). ChatGLM.

[19] Kozlowski, S. W. J., & Chao, G. T. (2018). Unpacking team process dynamics and emergent phenomena: Challenges, conceptual advances, and innovative methods. American Psychologist, 73(4), 576–592.