在莫斯科的一所學校中，一位資訊科學教師僅花了一週時間，便利用現成的模組組建出一個人工智慧（AI）代理人，能分析學生的代數錯誤並提供個人化的練習題。值得注意的是，整個過程中他未曾撰寫任何一行程式碼。
這套方法的核心基礎是列昂節夫（A. N. Leontiev）與恩格斯壯（Y. Engeström）提出的「活動理論」。arXiv 平台的一項研究（編號 abs/2605.12934）詳細描述了該系統的六大要素：主體、客體、工具、社群、規則與分工，如何協助教育工作者將開發 AI 代理人這項抽象任務，轉化為具體的操作流程。
首先，教師需明確設定目標，例如減輕批改測驗的負擔；接著選擇合適的工具，如 Teachable Machine 或 LangChain 等現成平台。隨後需制定規則，確保學生數據留存在校內，且 AI 代理人在未經教師確認前不得擅自做出決策。同儕社群則共同討論應用情境，並透過分工明確職責，包含數據管理、倫理審核及課堂整合等角色。這種架構讓教師眼中的 AI 不再是不可解的「黑箱」，而是一個可控的系統。
根據俄羅斯三個地區的初步試點研究顯示，在完成 24 小時的課程後，有 78% 的參與者能針對其教學領域自主部署 AI 代理人。然而，由於樣本規模有限且缺乏對照組，該技術對學生學習成效的長期影響仍有待觀察。批評者也指出，若教師缺乏對演算法的深度理解，可能會面臨盲目信任 AI 運作結果的風險。
此方法揭示了 AI 工具日益普及與教師學習時間匱乏之間的矛盾關係。當開發代理人成為教學日常活動的一環，而非獨立的額外專案時，雖然降低了入門門檻，但學校對外部平台及其隱私政策的依賴也隨之增加。
現在的核心議題已不再是教師是否具備開發 AI 代理人的能力，而是在於他們能否圍繞這些工具建立起健全的規範與社群，以確保教育過程的主導權始終掌握在自己手中。
