教育AI智能体的缩放定律

尽管大语言模型（LLM）的缩放定律已围绕模型参数、训练数据和算力等维度得到广泛研究，基于LLM的教育智能体的缩放行为仍未被探索。我们提出，教育智能体的能力不仅随底层模型规模缩放，还沿我们统称为智能体缩放定律（Agent Scaling Law）的结构化维度缩放：角色定义清晰度、技能深度、工具完备性、运行时能力和教育者专业知识注入。该框架的核心是AgentProfile，一种基于JSON的结构化规范，作为使教育智能体能力实现系统性增长的机制。我们提出EduClaw，一个以档案（profile）驱动的多智能体平台，将该缩放定律落地，通过构建和部署覆盖K-12各学科、包含1,100多个技能模块的330多个教育智能体档案来展示其有效性。我们的实证观察表明，教育智能体的表现随档案结构丰富度可预测地缩放。我们确定了两个互补的缩放轴——工具缩放（Tool Scaling）与技能缩放（Skill Scaling）——作为未来方向，并认为通往更强教育AI的路径不仅在于更大的模型，更在于更强的结构化能力系统。