CyberAGENTS：网络安全agentic游戏化学习中的结构化自主

游戏化在需要主动解决问题与迭代技能积累的学习领域尤为有效，例如网络安全教育。生成式AI智能体为大规模自适应地提供此类体验提供了一条路径，但在教育环境中引入了有据可查的风险：行为不一致、推理幻觉以及与教学框架的错位。因此，将这些系统建立在学习科学之上至关重要。我们提出CyberAGENTS，一个面向游戏化网络安全学习的agentic框架，通过本体引导验证、schema治理的行为控制与基于能力的晋级实现结构化自主。系统围绕基于能力的晋级模型组织，按难度与先修关系构造主题，体现了基于证据的支架式教学原则。学习循环被分解为四个专用智能体：挑战、支持、评估与奖励，每个智能体都由编码操作模式与晋级逻辑的行为schema治理，在不消除生成灵活性的前提下约束智能体自主性。网络安全本体在展示之前验证所有生成内容，强制执行领域一致的推理与安全约束。我们通过面向本科生的课堂部署评估CyberAGENTS，并由教育者与领域专家开展专家评估作为补充。结果表明，当行为schema与本体验证启用时，学习参与度提升、反馈解读更清晰、学习者对AI生成回答的信任增强。与无约束配置的初步比较进一步支持了结构化控制在稳定教学行为中的作用。这些发现为设计有教学学依据的agentic游戏化学习系统提供了蓝图。