AgentSchool：面向教育的LLM驱动多智能体模拟

尽管LLM已被快速部署进课堂，教育AI的验证仍然格外棘手：干预作用于发展中的学习者，其认知与社会轨迹会被不可逆地塑造，而真实世界的试验又缓慢、受伦理约束且被制度性锁定。基于LLM的教育模拟器已成为一种潜在的补救手段，但许多模拟器仍将学习简化为人设条件化的角色扮演，并且当它们只被优化用于复现既有课堂时，会在结构上惩罚教育改革所需的制度创新。本工作提出AgentSchool，一个LLM驱动的多智能体模拟器，它将学习建模为状态转移而非被提示出来的行为。AgentSchool将认知上可成长的学生智能体（配备加权的学科知识图谱、思维工作流池与显式误解）与自适应的教师智能体（沿最近发展区进行计划、脚手架与反思）相耦合，并嵌入一个可配置的场景生成器（将教学置于正式与非正式学习场域之中）以及一个解耦交互规模、时间粒度与模拟时长的多尺度模拟器。实验表明，结构化学生智能体产生的掌握度与误解轨迹比基线模拟器更具区分度；教师智能体的比较则显示出与骨干模型相关、符合ZPD导向适配的模式。此外，AgentSchool生成了与课堂社会理论相符的合理轨迹，包括外围参与、小团体形成、攻击者诱导的凝聚力以及意见领袖的涌现。除作为教育研究工具外，AgentSchool还将教育构造成一个具有社会意义的试验场，用于长期记忆、多智能体协作以及组织压力下的未来制度推理研究。