最近我在做一个面向高校场景的 AI Agent 项目，叫 农林小林 ZafuGPT。
一开始很多人听到“校园 AI 助手”，会自然联想到：
查课表、看通知、问校历、宿舍报修。
这些当然是校园 AI 可以做的事，但这并不是我最想解决的问题。
我真正想探索的是：
能不能用 AI Agent 打通学校内部多个系统，让它成为一个“校园大脑”，辅助处理校园范围内的复杂事务和决策问题？
换句话说，这个项目不是为了做一个只面向学生的问答机器人，而是想做一个连接教务、学工、后勤、通知、人员、活动、场馆、工单等系统的智能调度层。
它的价值不只是“帮学生查信息”，而是让学校里的复杂事务能够被 AI 理解、拆解、调度和规划。
为什么高校需要“校园大脑”？
现在大多数高校其实已经有很多信息化系统了。
比如：
- 教务系统
- 学工系统
- 后勤系统
- 图书馆系统
- 场馆预约系统
- 通知公告系统
- 报修工单系统
- 一卡通系统
- 学生画像系统
- 各学院自己的管理平台
表面上看，系统很多，功能也不少。
但问题是：
系统越多，信息反而越分散。
不同系统之间往往是割裂的。
比如一个学院想组织一场 200 人的讲座，需要考虑：
- 哪些学生有空？
- 哪些时间段没有大面积课程冲突？
- 哪些报告厅能容纳 200 人？
- 场地是否已经被预约？
- 是否和学校其他大型活动冲突？
- 是否需要后勤保障？
- 是否需要保卫处审批？
- 通知应该发给哪些人？
- 活动结束后如何收集反馈？
这些信息可能分别散落在教务系统、场馆系统、学工系统、通知系统、后勤系统里。
管理者真正的工作量，不只是做决策，而是先花大量时间收集信息、对齐资源、协调部门。
这就是我觉得 AI Agent 有价值的地方。
它不只是一个聊天入口，而是可以成为多个系统之间的“智能中间层”。
我想做的不是聊天机器人，而是校园智能调度层
ZafuGPT 的目标不是取代现有校园系统，而是把它们连接起来。
可以把它理解成：
一个运行在校园各类业务系统之上的 AI Agent 调度层。
用户用自然语言提出一个复杂目标，Agent 负责：
- 理解目标
- 拆解任务
- 查询相关数据
- 选择合适工具
- 调用不同系统
- 汇总结果
- 生成方案
- 给出决策建议
比如用户输入：
下周三下午想办一场 200 人左右的学院讲座，帮我规划一下时间、场地、通知和后勤安排。
一个真正有用的校园大脑，不应该只回答：
建议你提前预约场地。
而应该进一步做这些事：
- 查询下周三下午课程安排
- 判断目标学生群体是否有课
- 查询可用报告厅和教室
- 检查场地容量是否满足 200 人
- 判断是否和校级活动冲突
- 生成多个备选时间和地点
- 给出后勤保障建议
- 生成通知文案
- 生成活动执行清单
- 标注需要人工确认的审批环节
这才是我想做的“校园大脑”。
项目的核心架构
目前 ZafuGPT 采用的是一个 Agent 编排架构。
整体链路大概是：
用户自然语言输入
↓
学生 / 校园画像上下文
↓
Task Planner 任务规划
↓
Tool Selector 工具选择
↓
Skill / Tool 执行
↓
结果汇总与冲突判断
↓
Response Generator 生成方案
↓
输出给用户
其中几个模块比较关键。
完整的思考链路
1. Task Planner：把复杂事务拆成任务
校园事务往往不是单步问题。
比如“帮我安排一场活动”，背后可能包含：
- 时间规划
- 场地查询
- 人群分析
- 通知发布
- 物资准备
- 后勤保障
- 风险检查
- 审批提醒
所以 Agent 的第一步是做任务规划。
它需要把一个模糊目标拆成多个可执行任务，而不是直接生成一段泛泛的回答。
这一步决定了系统能不能从“问答机器人”升级成“事务处理助手”。
2. Tool Selector：选择合适的系统能力
任务拆出来以后，系统要判断应该调用什么能力。
比如：
- 查课程冲突 → 调用课表 Skill
- 查通知 → 调用通知 Skill
- 查学生背景 → 调用学生画像
- 查场地 → 调用场馆系统
- 查后勤需求 → 调用报修 / 后勤系统
- 查地图位置 → 调用地图工具
- 生成通知 → 调用文本生成能力
这就是 Tool Selector 的作用。
它会在本地 Skill 和外部 MCP Tool 之间选择合适能力。
3. Skill System：把校园系统封装成可插拔能力
我在项目里设计了一个 Skill 机制。
每个 Skill 都是一个独立能力包，包含：
- 这个能力适合什么场景
- 需要哪些输入参数
- 输出什么结构化结果
- 具体如何执行
- 是否有 mock 数据或本地参考文档
目前已经接入了一些基础 Skill：
course-schedule：课表查询
这个 Skill 可以查询不同专业、年级、班级的课表。
它不只是简单查“某门课”，而是可以结合学生画像自动补全：
- 专业
- 年级
- 班级
例如用户说：
查一下我周二的课。
系统会根据画像知道这是“计算机科学与技术 / 2023级 / 计科2301班”的学生，然后自动检索该班课表。
虽然这是一个很小的功能，但它验证了一个关键点：
AI 不应该每次都问用户是谁，而应该能利用上下文进行个性化调度。
campus-notice：校园通知查询
这个 Skill 用于查询校园通知，例如：
- 奖学金申请
- 教务公告
- 活动通知
- 安全检查
- 图书馆开放安排
未来它可以进一步做通知总结、待办提取、对象匹配和截止时间提醒。
student-profile：学生画像
项目中目前使用一份 mock 学生画像文档，包含：
- 姓名
- 学号
- 学院
- 专业
- 年级
- 班级
- 导师
- 校区
- 宿舍
- 联系方式
画像会被注入到 Agent 的 prompt 中，帮助系统理解当前用户所处的身份和场景。
当然，这类信息涉及隐私，所以 prompt 中也加了约束：
画像只作为上下文使用，不主动完整复述；除非用户明确询问，否则不输出手机号、宿舍等敏感字段。
这也是校园大脑必须考虑的问题： 不仅要能打通数据，还要知道哪些数据不该随便暴露。
一个典型场景：统筹一场校园活动
我认为“活动统筹”是最能体现校园大脑价值的场景之一。
假设用户输入：
下周三下午帮我安排一场 200 人左右的学院讲座，主要面向 2023 级计科学生，地点尽量在东湖校区。
理想中的 Agent 应该这样工作：
第一步，理解目标：
- 活动类型：学院讲座
- 规模：约 200 人
- 对象：2023 级计算机相关学生
- 时间偏好：下周三下午
- 地点偏好：东湖校区
第二步，拆解任务：
- 查询目标学生课表
- 检查时间冲突
- 查询可用场地
- 筛选容量合适的报告厅
- 检查校级活动冲突
- 生成活动方案
- 生成通知文案
- 列出后勤和审批事项
第三步，调用工具：
- 课表系统
- 场馆预约系统
- 校园通知系统
- 后勤服务系统
- 学生画像系统
第四步，输出方案：
方案 A：
时间：下周三 15:30-17:00
地点：东湖校区报告厅 B201
优点：目标学生课程冲突较少，容量满足
风险：需要提前申请设备支持
方案 B：
时间：下周三 18:30-20:00
地点：信息楼 A 阶梯教室
优点：晚间学生空闲率更高
风险：需要确认楼宇开放时间
然后继续生成：
- 通知文案
- 物资清单
- 部门协同清单
- 待确认事项
这比“给我一些活动建议”有价值得多。
因为它实际减少了管理者的信息收集和方案比较成本。
校园大脑的意义：减轻决策负担
高校管理中有很多事务并不难，但很繁琐。
难点不在于某一个系统没有功能，而在于：
- 信息分散
- 流程割裂
- 部门协同成本高
- 人工判断依赖经验
- 决策前需要查太多数据
校园大脑要解决的不是“有没有系统”，而是“系统之间能不能协同”。
AI Agent 的价值在于：
把多个系统的能力组合起来，围绕一个目标自动形成执行路径。
它可以帮助管理者回答：
- 这个活动安排在哪个时间最合适？
- 哪些学生群体会受影响？
- 哪些资源已经被占用？
- 哪些部门需要协同？
- 有哪些风险需要提前处理？
- 有没有更优的替代方案？
这不是简单问答，而是辅助决策。
当前 Demo 已经完成什么？
目前这个项目还是原型mvp阶段，但已经完成了一些基础能力：
- Next.js 前端聊天界面
- FastAPI 后端
- SQLite 会话存储
- Agent 任务规划
- Tool / Skill 选择
- 本地 Skill 注册机制
- 课表查询 Skill
- 校园通知 Skill
- 学生画像 mock 文档
- 学生画像注入 prompt
- 基于学生画像的课表查询
- 多专业课表 mock 数据
- Tool / Skill 能力面板
这些功能本身还比较基础，但它们构成了一个校园大脑的最小闭环：
自然语言目标 → 任务规划 → 工具调度 → 数据查询 → 结果整合 → 输出方案。
后续计划
接下来我更想扩展的不是“多加几个问答功能”，而是围绕复杂事务做能力增强。
比如：
1. 活动统筹 Agent
支持输入一个活动目标，自动完成：
- 时间推荐
- 场地推荐
- 人群冲突检测
- 通知文案生成
- 后勤清单生成
- 审批事项提醒
2. 宿舍报修与后勤调度
不只是学生报修，而是进一步支持：
- 故障分类
- 自动派单
- SLA 判断
- 催单升级
- 维修资源调度
- 维修数据分析
3. 校园运行状态看板
把工单、通知、活动、课表、场馆等数据汇总起来，让管理者能问：
这周校园里有哪些高频问题？ 哪些楼栋报修最多？ 哪些活动可能发生资源冲突？
4. 多系统真实接入
目前很多数据是 mock 的，后续可以对接真实系统：
- 教务系统
- 学工系统
- 后勤系统
- 场馆系统
- OA 审批系统
- 消息通知系统
5. 更强的权限控制
校园大脑必须处理权限问题。
学生、教师、辅导员、学院管理员、校级管理员能看到的数据范围应该不同。
未来需要加入：
- 用户角色
- 数据权限
- 操作审计
- 敏感信息保护
- 工具调用日志
总结
我现在越来越觉得，校园 AI 的价值不应该只停留在“做一个会聊天的助手”。
真正值得做的是：
让 AI Agent 成为高校复杂事务的智能调度层。
它不是替代教务系统、学工系统、后勤系统，而是把这些系统连接起来，让数据和能力围绕具体目标自动协同。
学生查课表、看通知只是最基础的入口。
更大的价值在于：
- 活动统筹
- 资源调度
- 跨部门协同
- 校园运行分析
- 决策辅助
如果把高校看成一个复杂系统，那么校园大脑要做的事情就是：
让分散的数据、系统和流程，能够被 AI 理解、调度和组合。
ZafuGPT「农林小林」目前还是一个 Demo，但它已经验证了一个方向：
AI Agent 不只是校园服务入口，也可以成为校园治理和运行决策的智能中枢。
