镜像市场 · 一键部署
从镜像市场选用已预装 AI 教学客户端与运行环境的镜像模板，批量下发至机房全部终端。无需逐台安装、无需手动配置，版本统一、环境一致，AI 教学环境的上线周期大幅压缩。
AI 教学，门槛究竟在哪里？
许多高校在推进 AI 教学时，常常在这两种思路之间陷入两难
一上来就搞模型
采购 GPU 服务器，部署本地大模型，组建算法调优团队，让全校师生先把神经网络和 Transformer 架构搞明白……
- 硬件采购动辄 200—300 万元起步
- 部署周期长达数月，错过整个学期
- 部署当天，模型已落后于商业版本
- 非 CS 专业师生完全不知如何上手
- 信管系、经管院同学根本用不到
先用起来，再深入
以"会用 AI 工具"为切入点，把最优秀的商业大模型能力直接送进课堂，让学生从第一堂课就能感受到 AI 对学习和工作效率的真实提升。
- 一台普通业务服务器，承载全机房接入
- 镜像市场批量下发，数天完成部署
- 后台随时切换模型，永远用最新版本
- 全专业学生开机即用，零配置门槛
- Token 用量可控，费用透明不超支
开车不等于要学会修发动机；用好 AI 工具，也不等于要人人精通神经网络。让 AI 真正进入日常学习和工作流程，是这个时代对高校教育最核心的要求。我们要解决的，是如何让这件事真正发生。
落地前，你可能遇到的四道坎
高校推进 AI 教学，往往不是缺乏意愿，而是被这些现实问题卡住
硬件投入门槛过高
痛点
自建大模型所需的 GPU 服务器造价惊人，且模型迭代速度极快，今天买的设备，明年可能已无法运行最新版本，形成持续的硬件包袱。
解法
通过 API 接入云端主流大模型，推理在云端完成，校内只需一台普通服务器负责接入与管控，硬件投入接近零。
部署复杂、周期漫长
痛点
自建方案涉及 GPU 驱动、模型权重下载、推理框架配置、权限体系搭建……每一步都需要专业人员介入，从立项到上线往往需要数月时间。
解法
基于 vDisk 镜像市场，选用已集成 AI 教学组件的镜像一键批量下发至机房终端，从部署到开课，最快数天完成。
用量失控、费用难以预估
痛点
按 Token 计费的 AI API 若缺乏管控，大量学生同时使用可能导致费用急剧攀升，学校管理层难以批准预算不确定的项目。
解法
平台支持单人 Token 上限设置与分账号统计，费用上限提前锁定，运营成本完全透明，采购审批有据可查。
课堂管理与数据延续难题
痛点
学生每次上课都要重新输入大段背景信息、对话记录无法跨课延续，既浪费 Token，又影响教学节奏；AI 生成内容也难以统一保存和管理。
解法
vDisk 网络磁盘以虚拟盘挂载，桌面、文档与 AI 产出实时落盘至服务器，下次上课直接接续上次进度，无需重复输入上下文。
平台核心能力一览
一套完整的、可真正落地的 AI 教学基础设施
OpenAI 兼容网关 · 软件即接即用
平台对外提供统一的 OpenAI API 兼容代理端点。VS Code、Cursor、各类 AI 编程插件、自研教学系统，只需在设置中填写统一的网关地址与密钥，即可接入 DeepSeek、文心一言、通义千问、智谱 GLM、豆包、讯飞星火、腾讯混元、Kimi 等国产主流大模型，无需为每家模型单独对接。
vDisk 网络磁盘 · AI 产出不丢失
以虚拟磁盘方式挂载（如 D:），桌面、我的文档、AppData 等目录自动重定向至服务器实时保存。AI 对话记录、代码草稿、实验报告全部落盘，下次上课从上次断点接续，显著减少重复输入 Token，也方便教师查阅学习过程。
Token 用量管控 · 费用可预期
支持按账号设置 Token 使用上限，实时统计每位学生的消耗情况，系统自动拦截超额请求。学校预算规划有据可查，无需担心少数学生滥用拉高整体费用，整体运营成本完全透明。
后台随时切换模型 · 始终用最新版
大模型迭代速度极快。平台后台可随时切换接入的国产模型，前端教学界面无需任何改动，学生永远用到当前业界最优模型，避免因硬件绑定而长期使用已落后的老版本，让教学内容与工具层同步保持在技术前沿。
AI 助教与课堂管理 · 运营成本更低
通过 AI 视觉对接现有监控摄像头，实现课堂自动巡检、异常预警与课表联动。课表时段内自动开机、开门禁、开空调，下课后自动关闭，无需人工值守，让机房管理员从重复性操作中解放出来。
不同院系，同一套平台
AI 教学不是计算机系的专属，每个专业都有属于自己的 AI 应用场景
计算机 / 软工 / AI 专业
编程辅助 · 代码审查学生在 VS Code 或 Cursor 中配置统一的 OpenAI 兼容地址，即可在编程实验课中使用 AI 辅助补全、代码解释与 Bug 定位。AI 产出自动落盘，下节课可继续上节课的项目进度，减少重复搭建工程环境的时间成本。
- AI 辅助编程，效率提升显著
- 代码历史与对话记录自动保存
- 无需每人注册 API Key，统一授权
信管系 / 经管学院
AI 素养 · 数据分析信息管理、工商管理、市场营销等专业的学生，重点不是训练模型，而是学会如何借助 AI 工具高效完成市场分析、方案撰写、数据处理等业务场景任务。平台内置对话界面，开机即可使用，零门槛接触当前最强商业大模型。
- AI 辅助报告撰写与市场分析
- 对话历史实时保存，随时复盘
- 课表联动，教学秩序井然有序
理工科实验课
实验报告 · 数据处理在化学、物理、生物等实验类课程中，学生可借助 AI 快速查阅实验原理、生成实验报告框架、辅助数据分析。实验过程中产生的数据与 AI 交互记录同步保存至网络磁盘，实验报告完成度可被教师实时追踪。
- 实验记录与 AI 产出统一落盘
- 教师可查阅学生 AI 辅助过程
- 课表联动，实验室自动开关机
全校通识 AI 课
零基础 · 开箱即用面向全校各专业开设 AI 通识选修课，学生无需任何 AI 基础，登录云桌面即可体验大模型对话、Prompt 工程入门、AI 工具链实操。统一账号体系，无需逐人注册、充值、配置，大幅降低通识课的教学组织成本。
- 开机即用，无需任何前置配置
- 全专业学生统一纳管与授权
- 用量可控，成本不超出预算
从立项到开课，一共几步？
我们的目标是让 AI 教学能力在最短时间内真正跑起来
01
1—2 个工作日
环境评估与方案确认
与我方顾问确认机房服务器数量、网络带宽、在用云桌面版本及目标院系需求，输出适合本校实际情况的接入方案与预估费用。
02
1—3 个工作日
镜像准备与网关配置
在 vDisk 镜像市场选用或定制已集成 AI 教学组件的镜像；在管理端配置 OpenAI 兼容网关、接入目标大模型，设置 Token 用量策略与分账号权限。
03
半天至 1 个工作日
镜像批量下发 · 全机房覆盖
通过 vDisk 集控管理平台将镜像批量下发至机房终端，同步完成网络磁盘挂载策略与用户目录重定向配置，确保 AI 产出与学习记录自动落盘。
04
1 个工作日
教师培训 · 开课试跑
面向课程负责教师进行简短操作培训，重点讲解 Token 用量查看、模型切换与学生数据查阅；完成首次试课验证，确认教学流程顺畅后正式开课。
全流程最快 5 个工作日，AI 教学正式进入课堂。
无需等待漫长的硬件采购周期，无需等待算法团队到位——这一学期，就可以开始。
为什么不自建模型？
这是很多学校在决策时会问到的核心问题
对于绝大多数高校而言，自建大模型的核心逻辑是站不住脚的。问题不在于技术难不难——而在于，自建一套模型，从第一天起就已经在落后。
商业大模型的迭代速度以月为单位推进，今天花 200 万采购硬件、部署的模型，半年后很可能已被更强大的下一代版本超越。而学校的设备无法随模型升级而自动更新，这意味着学生长期使用的，是一套被"冻结"在某个时间点的 AI 能力——与业界脱节，与市场脱节，与学生毕业后真正会用到的工具脱节。
vDisk 平台的逻辑，是让学校始终接入当前业界最优的商业大模型。后台切换模型，前端无感知；课程知识点和培养目标由教师决定，但工具层始终与主流实践保持同步。这不是对技术能力的妥协，而是对教学目标最务实的实现路径。
AI 教学的真正竞争力，不在于你部署了多大的模型，而在于你的学生是否已经学会在真实工作场景中有效地使用 AI。
自建 vs. API 接入：关键维度对比
| 维度 | 自建 AI 服务器 | vDisk API 接入 |
|---|---|---|
| 初始硬件成本 | 200—300 万元起 | 接近 0 元 |
| 部署周期 | 数月 | 数天 |
| 模型更新方式 | 重新采购硬件 | 后台一键切换 |
| 模型能力水平 | 固定版本，逐渐落后 | 始终接入最新商业模型 |
| 运维要求 | 需专职 AI 工程师 | 原机房运维即可 |
| 费用可预期性 | 一次性大额采购 + 持续维护 | 按 Token 计费，上限可控 |
| 学生使用体验 | 需自行配置，门槛较高 | 开机即用，零配置 |
2026 年，今天
课堂里那堵看不见的墙
这不是学生的问题，也不是老师的问题——是工具与时代之间出现了断层
学生的声音
迷茫 · 抵触 · 内耗
"为什么我要学 VB6？现在哪家公司还在用这个？"
"上课手敲 for 循环，回宿舍打开手机，全是 AI 一键生成代码——这是两个世界。"
"学了 VC++ 写 Hello World，找工作连简历都不知道怎么填。"
"我不是不想学，我是不知道学这个有什么用。"
恶性循环
老师的声音
疲惫 · 无奈 · 消极
"现在学生就是不愿意学，手机比课本拿得勤。"
"基础不扎实，还没学会走就想跑。"
"我也知道外面都在用 AI，但考纲就是这些，我能怎么办？"
"课堂氛围越来越差，讲课的热情也慢慢没了。"
学生觉得
学了没用
学了没用
课堂参与度
持续下降
持续下降
老师认为
学生不想学
学生不想学
继续沿用
老旧教学内容
老旧教学内容
真正的问题，不是态度，是工具
当课堂里用的是 VC 6.0 和 VB6，而学生手机里看到的是 Cursor 一键生成完整项目、 Claude Code 通过对话重构整个代码库——这种认知落差，不是靠"端正学习态度"能弥合的。 真正有效的做法，是把真实的、2026 年正在用的工具带进课堂， 让学生从第一堂课就感受到：这东西出去真的能用。
也不需要一上来就讲 Transformer 原理、反向传播、神经元激活函数—— 那是研究生和算法工程师的课题。对大多数学生而言， 先会用、用出效果、建立正向反馈，才是一切的起点。 底层原理，可以在兴趣被点燃之后，自然而然地去探索。
实战部署指南
Cursor · Claude Code · Codex
机房实战配置全流程
这三款工具，是 2026 年工程师和学生最高频使用的 AI 编程助手——把它们配置进机房，让学生从课堂就开始用真实世界的工具
Cursor
最适合课堂的 AI 编程 IDE基于 VS Code 深度改造，内置 AI 对话、代码补全、整文件修改与 Composer 多文件联动。学生无需切换工具，在写代码的同时就能与 AI 实时交互，上手门槛极低。
Claude Code
终端里的 AI 编程智能体Anthropic 推出的命令行 AI 编程工具，可直接操作项目目录、读写文件、执行命令、提交代码。适合计算机专业高年级学生，体验真实的 AI 协作开发流程。
GitHub Copilot / Codex
最广泛使用的 AI 代码补全VS Code 插件形式，行内代码补全、函数生成、注释转代码。兼容性好，支持几乎所有编程语言，对于初学者来说是最平滑的 AI 入门方式。
01
Cursor · 机房部署与 API 配置
部署步骤
-
纳入镜像市场
在 vDisk 管理端的镜像市场中，选用已预装 Cursor 的教学镜像，或在基础镜像上安装 Cursor 后制作快照，再批量下发至全机房终端，确保版本一致。
-
配置统一 API 网关
打开 Cursor →
Settings → Models → OpenAI API Key，填入学校统一分配的 Key；在Override OpenAI Base URL处填入 vDisk OpenAI 兼容网关地址。完成后 Cursor 的所有 AI 请求均通过学校网关路由至国产大模型。 -
将项目目录指向网络磁盘
引导学生将 Cursor 的工作区（Workspace）设置在 vDisk 网络磁盘盘符下（如
D:\projects\）。vDisk 网络磁盘是每位学生登录后独立挂载的个人盘，D: 本身就只属于当前登录的学生，无需再按学号建子目录区分。所有代码文件、对话历史（.cursor目录）实时落盘至服务器，下次上课直接打开，上节课的进度与 AI 对话上下文完整延续。
API 配置示例
Cursor Settings → Models
OpenAI API Key sk-school-xxxxxxxxxxxxxxxx Override Base URL https://ai.school.edu.cn/v1 Model deepseek-chat # 或 gpt-4o / qwen-max # 学生无需注册任何大模型账号 # 统一由学校网关鉴权与计量 # Token 超额后自动提示，不产生额外费用
会话历史存储路径（网络磁盘）
# D: 是每位学生登录后独立挂载的个人专属盘 # 无需学号子目录，D: 本身就只属于当前学生 D:\projects\ # 直接在个人盘下建项目 ├─ .cursor\ # AI 对话历史 ← 自动保存 │ └─ chat-history\ ├─ src\ # 代码文件 ← 实时写服务器 └─ README.md
教学建议：让学生第一节课的任务，就是用 Cursor + AI 对话，把一个真实的小项目从零跑通——而不是先抄 20 行 Hello World。当学生第一次看到 AI 理解了他的意图并自动补全了整个函数，课堂氛围就彻底不同了。
02
Claude Code · 终端部署与代理配置
部署步骤
-
安装 Node.js 与 Claude Code
在机房镜像中预装 Node.js（推荐 LTS 版）后，执行
npm install -g @anthropic-ai/claude-code。建议将此步骤纳入镜像制作流程，避免学生课堂操作耗时。 -
配置 API 代理环境变量
由于 vDisk 网关提供 OpenAI 兼容协议，需在系统环境变量（或登录脚本）中设置代理指向，使 Claude Code 的请求通过学校统一网关转发。可在用户登录时通过 GPO 或登录脚本批量下发，学生登录后自动生效，无需手动配置。
-
项目目录与会话落盘
引导学生进入
D:\projects\my-project目录后再启动 Claude Code（claude命令）。vDisk 网络磁盘是每位学生登录后独立挂载的个人盘，D: 天然隔离、互不可见，无需学号子目录。Claude Code 读取当前目录全部文件作为上下文，对话记录与文件修改均实时落盘，换台机器登录后项目状态完全一致。
环境变量配置（登录脚本批量下发）
Windows 登录脚本 / 用户环境变量
# 通过 GPO 或 vDisk 策略批量下发 ANTHROPIC_API_KEY = sk-school-xxxxxxxxxxxxxxxx ANTHROPIC_BASE_URL = https://ai.school.edu.cn/v1 CLAUDE_CODE_MAX_OUTPUT = 8192 # 学生打开终端直接运行： # cd D:\projects\my-project # claude # 无需任何额外配置即可开始 AI 编程对话
Claude Code 可以直接读取整个项目目录，理解代码结构后进行对话式修改。适合高年级学生体验"让 AI 接管一个真实项目"的完整流程——这是目前企业工程师最真实的 AI 协作方式之一。
03
VS Code + GitHub Copilot · 最低门槛入门方案
部署步骤
-
镜像内预装 VS Code + 插件
在镜像中预装 VS Code 及 GitHub Copilot 插件（
GitHub.copilot）。如需使用国产模型替代，可安装支持 OpenAI 兼容协议的第三方 Copilot 替代插件（如 Continue、Codeium 等），配置指向学校网关。 -
配置 OpenAI 兼容代理（以 Continue 插件为例）
在 VS Code 中安装 Continue 插件后，打开其配置文件
~/.continue/config.json，填入学校网关地址与 Key。学生打开 VS Code 即可在编辑器侧边栏直接与 AI 对话，或触发行内代码补全。 -
设置工作区至网络磁盘
VS Code 的 Workspace 文件夹直接设置在
D:\projects\下即可。vDisk 网络磁盘是每位学生个人专属的挂载盘，登录即挂载、注销即卸载，D: 本身就只属于当前学生，无需再用学号建子目录。Continue 插件的对话索引与历史记录存储在项目目录下，实时落盘，跨设备、跨课次无缝延续。
Continue 插件配置示例
~/.continue/config.json
{
"models": [
{
"title": "学校 AI 网关",
"provider": "openai",
"model": "deepseek-chat",
"apiBase": "https://ai.school.edu.cn/v1",
"apiKey": "sk-school-xxxxxxxxxxxxxxxx"
}
],
"tabAutocompleteModel": {
"title": "自动补全",
"provider": "openai",
"model": "deepseek-coder",
"apiBase": "https://ai.school.edu.cn/v1",
"apiKey": "sk-school-xxxxxxxxxxxxxxxx"
}
}
04
会话记录统一存储：vDisk 网络磁盘完整方案
AI 编程工具最大的价值之一，是上下文的延续——AI 记得你上次在做什么，不用每次重新解释。 而这一切，依赖于会话历史文件落盘到统一存储，而不是只存在本地临时目录。
统一目录结构规范
# D: 是每位学生登录后独立挂载的个人专属盘 # 登录即挂载，注销即卸载，天然隔离互不可见 D:\ ← 学生个人 vDisk 网络磁盘 ├─ .cursor\ ← Cursor 对话历史 │ ├─ chat\ │ └─ composer\ ├─ .continue\ ← VS Code Continue 历史 ├─ claude-sessions\ ← Claude Code 会话摘要 └─ projects\ ├─ week01\ ← 第1周课程项目 ├─ week02\ └─ final\ ← 期末项目
跨课次接续的实际效果
- 第 1 课 学生与 AI 对话，建立项目骨架，AI 理解了项目背景
- 第 2 课 打开同一工作区，AI 自动恢复上下文，直接继续上节课的功能开发
- 第 N 课 整个学期的 AI 对话与代码演进完整保留，期末可回溯完整学习轨迹
- 换台机器 网络磁盘登录后，换任意机器都能打开相同工作区，历史记录完整
对教师的额外价值
- 查阅学生 AI 对话历史，了解学习思路
- 评估学生是在主动探索还是在直接套用 AI 输出
- 对话记录可作为过程性评价的一部分
- 发现学生共同卡点，针对性调整教学节奏
05
教师如何设计 AI 编程课：从"讲工具"到"用工具解决真实问题"
传统课堂
讲 VC/VB6 语法，抄教材示例代码
要求学生记住 API 参数顺序
Debug 靠肉眼找；找不到就放弃
作业：手写排序算法实现
AI 工具课堂
用 Cursor 对话，从一个真实需求开始写第一个 Python 脚本
让 AI 解释 API，学生专注理解逻辑而非死记格式
把报错粘给 AI，学习"如何描述问题"这一核心技能
作业：用 AI 生成三种排序实现，对比性能，写分析报告
核心转变：AI 编程课的目标，不是"教会学生使用某个工具的所有功能"，而是培养学生与 AI 协作完成真实任务的能力——包括如何描述问题、如何评估 AI 的输出、如何在 AI 的帮助下持续迭代。这正是 2026 年每一个工作岗位都在需要的能力。
学生作业空间
截图即评价 · 文件即提交 · 网盘即存档
集成于 vDisk 教学空间的学生端工具——从写作业到交作业，AI 全程参与，数据全程落盘
学生端工作流：一次完整的 AI 辅助作业提交
学生在 Cursor、VS Code 或任意 AI 工具中完成阶段性工作后，无需离开工作区，直接在教学空间完成截图评价与文件提交两个动作——AI 立刻给出反馈，教师同步收到提交记录。
在 AI 工具中完成代码 / 作品
Cursor · VS Code · 任意工具
截图当前界面
一键截取，支持框选区域
AI 模型自动评价
发送至大模型 → 生成评分与反馈
结果落盘网络磁盘
截图 + 评价结果 → D:\assignments\
附加文件一并提交
代码文件 · 报告 · 项目压缩包
教师端实时收到提交
查看截图 · AI 评分 · 原始文件
截图 → AI 评价 → 数字成绩
核心能力学生对当前工作界面截图（代码、运行结果、设计稿均可），截图连同作业要求一并发送至大模型。模型根据预设的评价维度（正确性、代码规范、逻辑清晰度、完成度等）生成结构化评分与文字反馈，学生即时看到，教师端同步记录。
正确性
完成度
代码规范
逻辑清晰
评价维度由教师在布置作业时自定义，AI 按维度打分并给出改进建议，不代替教师最终评定。
实际文件提交
存档保障截图评价之外，学生可一并提交实际项目文件（源代码、报告文档、数据文件、压缩包等）。文件直接从 vDisk 网络磁盘的作业目录选取，无需额外上传，教师端在统一的作业面板中查看每位学生的提交状态与文件内容。
- 源代码文件 (.py / .js / .java…)
- 实验报告 (.docx / .pdf)
- 完整项目压缩包
- 截图 + AI 评价结果（自动附加）
vDisk 网络磁盘 · 作业存储目录结构
作业空间的所有数据——截图、AI 评价结果、提交文件——全部存储在 vDisk 网络磁盘的标准化目录下，实时落盘，教师与学生均可随时查阅历史记录。
D:\assignments\ ← 学生个人 vDisk 网络磁盘
# D: 是每位学生个人专属盘，天然隔离，无需学号子目录 D:\assignments\ ← 直接在个人盘下建作业目录 ├─ week03_作业1\ │ ├─ screenshot.png ← 截图原图 │ ├─ ai_eval.json ← AI 评分结果（结构化） │ ├─ ai_feedback.md ← AI 文字反馈 │ └─ main.py ← 提交的源代码 ├─ week05_作业2\ │ ├─ screenshot.png │ ├─ ai_eval.json │ └─ project.zip ← 项目压缩包 └─ final_project\ ├─ screenshot.png ├─ ai_eval.json ├─ report.pdf └─ src\ ← 完整项目源码
实时落盘
截图拍摄、AI 评价生成、文件选取的瞬间，数据即写入网络磁盘服务器，不依赖本地缓存，不因关机丢失。
历史可回溯
整学期每次作业的截图与评价记录完整保留，期末可生成学生 AI 辅助学习全程报告，作为过程性评价依据。
权限隔离
每位学生只能查看自己的作业目录；教师端具有班级全部学生目录的只读权限；互不干扰，数据安全。
批量导出
教师可一键导出班级全部学生的作业文件与 AI 评价结果，整理为标准格式，支持批量评阅与成绩汇总。
AI 评价是怎么工作的？
1
教师预设评价标准
教师在布置作业时配置评价维度（如"代码是否能运行"、"是否满足作业要求"、"逻辑层次是否清晰"等）及权重，形成结构化评分 Prompt 模板，后续所有提交自动套用此模板。
2
学生截图触发评价
学生在教学空间点击"截图评价"，系统自动捕获当前屏幕画面，将截图与教师配置的评价模板一同发送至大模型（支持视觉理解能力的模型，如 DeepSeek-VL、GPT-4o 等）。
3
模型输出结构化评分
大模型分析截图内容，按维度逐项打分并生成文字改进建议，以结构化 JSON 格式返回（含各维度分值、总分、反馈摘要）。学生立即在界面上看到可视化评分结果。
4
结果写入网盘并推送教师
AI 评价结果自动写入学生网络磁盘对应作业目录（ai_eval.json + ai_feedback.md），同时通知教师端该学生完成提交。教师可对 AI 评分进行人工复核与调整，作为最终成绩依据。
对学生的价值
- 即时获得 AI 反馈，不用等教师批改才知道哪里有问题
- 可多次截图评价，先自我迭代再正式提交
- 历史作业与 AI 评价全部保留，期末可回看完整成长轨迹
- 提交流程简单：在熟悉的工作环境中一步完成，无需切换平台
对教师的价值
- AI 完成初步批改，教师聚焦复核与深度反馈，批阅效率大幅提升
- 截图 + 文件 + AI 评分三位一体，作业评阅信息完整
- 班级整体 AI 评分分布一目了然，快速识别需要重点辅导的学生
- 过程性评价有数据支撑，不再仅依赖期末考试
Token 用量管理
统一账号体系下的额度分配、用量监控与模型调度——让 AI 资源的使用完全在掌控之中
为什么需要统一管理 Token？
学生通过学校统一网关调用大模型，每一次请求都会消耗 Token。 如果缺乏管控，少数高频使用的学生可能挤占大量资源，而大多数学生的使用体验反而受影响； 管理员也无法了解 AI 资源的实际使用效率，更难以在下一学期制定合理的配额计划。
Token 用量管理的目标，不是限制学生使用 AI， 而是确保每位学生都能获得稳定、公平的 AI 使用额度， 同时让教师和管理员对整体资源消耗保持清晰的感知与掌控。
学生账号
Token 请求
vDisk 网关
额度校验 · 计量 · 路由
额度校验 · 计量 · 路由
转发至大模型
云端大模型 API
单人额度分配
为每位学生账号独立配置 Token 额度，可按课次、按周或按学期维度设置。额度用尽后请求自动暂停，学生收到提示，教师可一键追加；避免个别高频用户挤占整体资源。
实时用量看板
教师和管理员可在后台查看班级整体消耗趋势、各学生使用量排名、每次课的 Token 分布热力图。数据实时更新，用量异常（极高或极低）自动标注，便于及时介入。
余量预警推送
设置班级整体余量阈值，当可用额度低于预警线时，自动向负责教师和管理员推送通知。提前感知资源趋势，从容补充，不因额度耗尽影响课堂连续性。
模型按需调度
不同课程场景可配置不同模型：日常代码补全走轻量快速模型，深度分析与架构设计走旗舰模型。同一学生账号在不同场景下自动路由，兼顾响应速度与使用效率。
用量报表导出
支持按班级、按课程、按时间段导出 Token 使用明细，格式兼容常见表格工具。报表可用于学期结束后的资源复盘、下学期配额规划，以及向学校信息化部门提交的使用情况汇总。
分班级 / 分课程隔离
同一学校的不同班级、不同课程可设置独立的 Token 池，互不影响。A 班用量超出不会影响 B 班的正常使用；教师也可为重点课程单独划拨更充足的额度，灵活应对不同教学强度。
Token 数据 + 提示词分析
把学生的 AI 使用过程变成教学洞察
AI 教学最大的额外收获，是学生每一次与 AI 的交互，都留下了可量化的学情数据
传统课堂 vs AI 课堂的数据密度
传统课堂能获取的学情信号
- 到课率（考勤）
- 作业提交率与评分
- 期中 / 期末考试成绩
- 课堂提问（少数人参与）
信号少、滞后、覆盖面窄
AI 课堂额外产生的学情信号
- 每人每次的 Token 消耗量
- 对话轮次（多轮 vs 单次查询）
- 提示词关键词与语义分析
- 完成任务的 Token 效率对比
- 代码文件迭代次数与修改频率
- 高频错误类型（从报错描述推断）
实时、人人覆盖、反映思维过程
一个关键洞察
学生和 AI 交互时，Prompt 的质量直接反映了他的思维清晰度和知识掌握程度。 一个描述模糊、只会说"帮我写一个程序"的学生，与一个能精确描述需求、指定边界条件的学生， 处于完全不同的学习阶段——而这个差异，在传统考试中几乎无法被量化捕捉。
Token 的使用量，也是学习投入度的代理指标： 主动探索的学生会持续追问、修改、延伸； 被动应付的学生往往只取第一个答案、不做进一步交互。 两种学习行为，在数据上清晰可见。
四个维度的学情分析
01
Prompt 质量分析
衡量学生的问题描述能力
⚠ 低质量 Prompt
"帮我写代码"
"这个怎么做"
"报错了怎么办"
缺乏上下文，可能尚未理清需求
✓ 高质量 Prompt
"用 Python 实现一个读取 CSV 并按第3列排序的脚本，需要处理空值"
"这段代码在并发访问时会有线程安全问题吗？"
能精确表达意图，掌握了基本概念框架
对持续输出低质量 Prompt 的学生，针对性补充"如何描述技术问题"的专项练习
02
Token 消耗模式分析
量化学习深度与投入度
⚠ 消耗量极低
一节课仅发出 2—3 条消息
单次对话就关闭窗口
可能未实质参与，或只复制了 AI 输出
✓ 消耗量健康
多轮对话，持续追问细节
同一问题不同角度反复探索
主动学习行为，深度使用 AI 作为思考工具
消耗量异常低的学生在课堂中可能处于"隐性失联"状态，需教师主动介入
03
班级热点 Prompt 聚类
发现共同卡点，调整教学节奏
→ 高频错误关键词
"ImportError"、"undefined"、"null pointer"
"这个语法怎么写"、"为什么不能运行"
某个知识点尚未讲到位，或讲解方式效果不佳
↑ 班级超出预期的探索
大量学生开始主动问架构设计问题
超出课程范围的自主延伸
这个班级可以适当提前进入下一模块
聚类分析可在每课结束后自动生成"本课学生最常遇到的 5 类问题"摘要，辅助备课
04
代码迭代追踪
评估学生的实际编程能力成长
⚠ 低迭代行为
一次生成后直接提交，从不修改
每次问题完全不同，无连续性
可能在直接套用 AI 输出，未形成自主理解
✓ 高迭代行为
代码文件有多次修改记录
逐步完善同一个项目，功能持续增加
将 AI 作为辅助工具，自主推进项目
结合 vDisk 网络磁盘的文件修改历史，可追溯学生整学期的代码成长轨迹
隐私与合规说明
学情分析基于脱敏的使用量统计与关键词聚类，核心原则是辅助教学，而非监控学生。建议在课程开始前向学生说明数据采集范围，并将分析结果用于改进教学设计，而不是用于考核评分的直接依据。
- 数据存储在校内服务器，不出校园网
- 对话内容仅教师可查阅，管理员看汇总数据
- 学生可查看自己的使用记录
- 学期结束后原始对话记录可按需清理
常见问题
我们学校没有 GPU 服务器，可以接入吗？
完全可以。vDisk AI 教学平台的核心逻辑是"推理在云端、管控在校内"——大模型的计算在各大模型厂商的云端服务器上完成，校内只需一台普通业务服务器，负责账号鉴权、Token 路由与计量统计即可。无需 GPU，无需高性能计算资源。
非计算机专业的院系，有没有必要引入 AI 教学？
这是我们认为最值得认真对待的问题。信管系、经管学院、法学、新闻、理工科实验课……这些专业的学生，未来会在各自的工作领域大量使用 AI 工具。会用 AI，是一种基础工作能力，和会用 Excel、会写邮件一样重要。越早让学生在课堂中建立使用习惯和评估能力，越有竞争优势。
学生会不会用 AI 抄作业？课堂管理怎么保证？
这是每一个推进 AI 教学的学校都会遇到的问题。平台提供完整的对话历史记录与学习过程追踪，教师可查阅每位学生的 AI 使用记录，了解学生是在主动探索还是在被动复制。此外，通过合理的课程设计——如要求学生对 AI 输出进行评估、修改与批判——可以将 AI 从"作弊工具"转化为"思维训练工具"。
接入哪些大模型？可以随时切换吗？
目前支持接入的主流国产大模型包括：DeepSeek、文心一言、通义千问、智谱 GLM、豆包、讯飞星火、腾讯混元、Kimi 等。平台后台可按学校需求灵活配置，随时切换后端模型；前端教学界面无需任何改动，学生无感知。这意味着每当有更强大的新模型发布，学校可以第一时间让学生用上。
每个月的费用大概是多少？
费用主要由 Token 消耗量决定，按实际使用量计费。平台支持设置单人 Token 上限，管理员可以在开课前预估用量、设定上限，将整体费用控制在预算范围内。通常情况下，相比自建大模型的硬件与运维投入，API 接入的综合成本可降低 95% 以上。具体报价可联系我们根据机房规模与课程数量测算。
这套方案和市面上其他 AI 教育产品有什么不同？
vDisk AI 教学平台不是一个独立的 AI 应用，而是深度集成在 vDisk 云桌面集控管理平台之上的能力体系。这意味着它与机房终端管理、镜像下发、网络磁盘、课表联动、物联设备控制完全打通，是一套真正意义上的"可运营的 AI 教学基础设施"，而非一个需要单独维护的孤立系统。
