什么是智能体 LMS，以及区分它们的那一个问题
智能体平台让 AI 智能体自行完成工作。决定采购的差别是：智能体让这份成果直接生效，还是交给一个人？
一年之内每个学习平台都会自称「智能体的」，所以这个词单独拿出来已经几乎不说明任何事。有一个问题能把信号找回来，而它问的不是智能体有多能干。它问的是：当一个智能体做完一件事，是它自己让成果生效，还是把成果交给一个人？机构需要签字通过的每一件事，都由这个答案决定。
智能体 LMS
一种学习平台，其中的 AI 智能体会自行完成多步骤的工作——用源材料起草一门课、按评分标准批改一份作业、组装一份报表——而不是一次回应一条指令。这个词描述的是系统在无人催促的情况下会承担多少任务。至于谁为结果负责，它本身什么也没说。
这个品类来得很快，而且是从市场顶部来的。Docebo 在 2026 年 4 月 21 日的 Inspire 大会上发布了 AgentHub，称其智能体能跨企业知识与技能「推理、决策并采取行动」，完整可用时间定在秋季。Absorb 在 2026 年 6 月 5 日发布了对智能体学习系统的定义——「在学习流程中采取行动」的智能体——并称在 Aura 的测试版中，该架构解决了 40% 到 60% 的日常管理支持工单，「无需任何人打开队列」。2026 年的一批采购指南，如今已把智能体平台单列为一类。
AI 驱动的 LMS 和智能体 LMS 有什么区别？
「AI 驱动」描述的是加装在既有产品上的功能：一个摘要按钮、一个题目生成器、一个对话面板。每一个在被要求时做一件事。「智能体」描述的是范围：系统承担一整项跨多个步骤的任务，在这项任务内部决定下一步做什么，并且不需要每一轮都被推一下就继续往下走。这一步跨越是真实的。它也正是「谁让结果生效」这个问题不再停留在理论层面的那一刻。
这一类里面的分岔
Absorb 那个数字值得停一下，因为它反驳了本文一种偷懒的读法。把关于报名和证书的重复提问接住，恰恰是自主性最划算的地方：问题重复、答案来自已审核的内容，答错一次的代价不过是让某人再写一封邮件。那里不需要有人守在前面。在一个学习平台里，风险并不是平均分布的，而把「所有事都要人审批」这条规矩一律套用，得到的只是一个更慢的产品。这个论点比那窄得多：它说的是少数几个「错了很贵」的地方。
两种设计正在同一个词下面被售卖，而它们第一次出错时的表现非常不同。
- 会动手的智能体。 智能体完成任务，并让结果生效。课程被发布、报名被分配、报表被提交。你是事后才知道的，通常来自一条通知。这就是这个品类里大多数人所说的「智能体」，也是那些演示被设计出来要展示的东西。
- 会提议的智能体。 智能体完成同样的任务，然后停下来。它做出来的东西以草稿、队列中的条目、建议分数的形式送到，由一个有名字的人决定要不要让它生效。工作是一样的；不同的是最后那一步属于一个可以被追问「为什么」的人。
第二种更慢。这是实打实的代价，值得讲明白：如果你要的是一个直接把事情办了的助手，一道审批会让你烦躁。你用这点延迟换到的，是模型出错时那只是一份被驳回的草稿，而不是一起事故——这个区别平时不常起作用，起作用的时候作用极大。
智能体做出成果并交出去。由人让它生效，而记录里保存着提议了什么、接受了什么——包括被驳回的那些，正是这一条证明了这道控制确实在起作用。
给智能体的指令是：重要操作前先请示。而什么算重要由模型自己判断，判断还发生在它被要求阅读那份材料的同一个上下文窗口里。
第二种模式值得被点名，因为它很常见，而且听起来跟第一种一样。一个「告诉模型要请示」的系统，和一个「模型没有路可以绕过请示」的系统，不是一回事。前者是模型可能遵守的一条方针。后者是一堵墙。问清楚给你看的是哪一种，并要求看那堵墙。
为什么这是采购问题，而不是偏好问题
对一家把内部合规提醒自动化的公司来说，自主性主要是效率上的取舍。对一所学校、一所大学或一个受监管的雇主来说，它是治理问题，而且越来越是法律问题。立法者已经开始就 AI 在评估中可以站在哪个位置立规矩——美国有几个州就 AI 能否作为成绩的主要依据有所动作，而情况仍在变化。FutureEd 的立法追踪是个实用的地方，可以查到这一学期而不是上一学期对你适用的是什么。
即便在还没有明文规定的地方，这个问题也会在每一次机构采购的同一个节点上出现。总有人要在一张纸上签字，写明这套系统在无人看管时可以做什么。那个人需要的答案，要比「我们给模型的指令是这样的」短得多。
AI 可以给学生的作业打分吗？
取决于你说的「打分」是什么意思。按评分标准给出一个建议分数、并把理由写在旁边，完全做得到，也确实省时间。把那个分数作为结果发布给学生，则是另一个行为，后果不同，而正在被立规矩的是后者。请供应商在通话里把这两件事分开讲。如果答案把它们当成一件事，那本身就是答案。
智能体 AI 系统会取代教师吗？
两种设计都不会，只是它们在这个问题上的失败方式不同。会动手的智能体，仍然需要有人为它做过的事负责——工作转移了，责任没有，而那个人是事后才知道的。会提议的智能体，则把那个人留在决定的前面而不是后面。两种情况下真正消失的，是这份职业里没人会替它辩护的那部分：写出第一版草稿、用同一套标准批第四十份作业、每个月把同一份报表重做一遍。而判断草稿对不对、分数公不公平、一个数字是不是真如它看上去的意思——这才是被保护的部分，也是机构真正在付钱买的东西。
问智能体供应商的六个问题
按它们通常能问出多少东西排序，第一个问题本身就值一整场通话。
- 列出智能体在没有人参与的情况下可以执行的每一个操作。 请对方写下来，不要只在幻灯片上说。回答之前那段沉默有多长，本身就是信息。
- 确认是一条指令，还是一道机制？ 如果由模型决定什么时候请示，那么请示只是建议性的。如果智能体根本没有通往线上对象的路径，那才是机制。
- 谁发布成绩？ 不是谁事后可以改，而是谁发布。这是两套不同的系统。
- 记录里留下什么？ 一份「智能体做了什么」的日志，弱于一份保存了「提议了什么、应用了什么、由谁应用、驳回了什么」的记录。
- 我们能关掉智能体吗？ 要能按组织关，而不是按租户关。一个集团常常需要一所学校开着、另一所关着。
- 倒霉的那天会发生什么？ 问清楚一个错误答案的代价是什么、谁会知道。「你事后再改」和「它根本没到任何人那里」是两种不同的产品。
Lurno 站在哪里，以及这让我们付出了什么
Lurno 是第二列。它的智能体用你上传的文档起草课时和题目，每一点旁边都标着出处；在匿名化的作业上按你的评分标准给出分数建议；以逐级递进的方式陪着学习者；把一句日常语言的提问变成一份报表。它们都不能让自己的成果生效，而这不是一个开关：从智能体到「已发布的成绩」或「已发布的课程」之间，并不存在一条路径。最重要的操作需要两个不同的人，而且都不能是提出这项改动的那一位。
报表智能体是最清楚的例子。它写的是报表的定义，从不读你的数据。它提议的东西会重新走一遍与人工搭建的报表完全相同的权限校验，所以它既编不出数字，也不会显示提问者本来就无权查看的组织。
- 这点延迟是真的。 不存在任何一种模式，让我们的智能体去写一个正在运行的课程，或者自己发布成绩。如果你要的是自主性，那我们是你名单上错误的一项，而且这件事早知道更好。
- SCORM、xAPI 和 LTI 正在开发中。 已在产品中建模，运行时还在建。锁在 SCORM 包里的教材，今天还不是我们能让智能体依据的来源。
- 智能体可以完全关掉，按组织分别设置。 其余一切照常运行——它们是加上去的，不是撑着的。
这跟 human-in-the-loop 的 AI 是一回事吗？
接近，但这个说法把它讲小了。human-in-the-loop 通常指的是，在一个本来可以自己跑的系统之上，加了一道审核：自主性是存在的，只是前面立了一个检查点。而这里，审批本身就是架构：智能体产出的东西，没有人接受就到不了学习者、成绩或报表那里，所以底下根本不存在一条需要审核的自主路径。实际差别会在审核这一步扛不住压力时显现。检查点是可以被跳过的。一条不存在的路径不行。
加一道审批，不就把智能体 AI 的意义抵消了吗？
只有当那个意义是「把人拿掉」的时候才会。这份工作里昂贵的部分，不是接受草稿的那一下点击——而是把草稿做出来、按标准批改、把报表组装起来。一个做完这些然后停下来的智能体，拿走了工时，留下了判断。对大多数机构来说，这正是它们想要的交换；而有几类机构，只被允许做这一种交换。
如果你正在评估智能体平台，把第一个问题拿去问所有人，然后比较他们写下来的答案。我们的答案会在通话之前给你，而不是通话当中；如果它把我们排除掉了，那也是省下来的一个小时。预约演示，或者在 AI 页面 上看看我们每一个智能体单独能做什么。