低代码实验案例设计图文操作指南!4C 大赛 AI 通识教育实验创新微课赛道火热报名中
上周,2025 年(第 18 届)中国大学生计算机设计大赛微课与 AI 辅助教学大类下 AI 通识教育实验创新微课赛道举办了参赛培训,作为协办方,智谱 AI 与和鲸科技的两位专家老师分别就“ AI 助教实验创新方向”与“AI 通识课实验创新方向”这两个方向的赛题进行了讲解,并详细演示了使用赛道提供的智能体与低代码工具(Canvas)创作作品的实操方法。
此外,本文将使用和鲸 ModelWhale 平台的低代码工具(Canvas)创作 AI 应用实验的操作方法梳理为图文指南,以期助力选手快速掌握工具使用方法,充分发挥技术优势,在竞赛中展现创新能力与实践水平。智谱 AI 的智能体操作图文指南也正在紧锣密鼓地整理中。

赛题解读:AI 通识课实验创新方向
AI 通识课实验创新方向赛题要求参赛者需设计并实施一套适合大一新生的 AI 通识课实验环节,旨在帮助学生更好地理解人工智能的基本概念和应用。
根据赛题要求,参赛选手设计实验的时候需要考虑到大一新生并没有编程基础,并且专业背景各不相同,因此实验要兼顾课程的易学性、趣味性和互动性,最好能与实际生活或具体学科相结合。
和鲸科技在人工智能通识教育方面有较深厚的积累,自研系列课程《人工智能导论:思维与应用》与《人工智能导论:与 AI 同行》。

在探索过程中,我们将人工智能通识课的实验部分为以下几类。
第一类,利用豆包、智谱、KimiChat 等 AIGC 工具开展体验式实验。这类工具的使用门槛相对较低,通常来说注册账号即可免费使用,老师可以带领学生尝试使用工具进行文字对话、图片或 PPT 生成;
第二类,在大模型工具的基础上,搭建复杂的智能体或者工作流。工作流可以用于完成具体的应用或任务,例如批改作业、充当智能学伴等。通过设计智能体搭建的相关实验,可以教会学生如何使用 AI 工具解决生活或学习中的具体问题;
第三类,利用低代码的实验平台让学生深入了解人工智能背后的概念。前两类实验主要聚焦于 AI 工具的体验和应用,但有些学校可能希望学生在上通识课的同时,除了解基本应用外,还能了解人工智能背后的基本概念、原理和算法,为日后更深入的学习做铺垫。考虑到直接向大一学生讲解完整的代码和数学推理,他们可能无法理解,那就可以借助低代码工具设计相关的实验教学,让同学们在实验中掌握人工智能的基本概念。
设计低代码实验案例的步骤
针对第三类实验,和鲸为参赛选手提供了自研云端教学实训平台 ModelWhale 中的低代码工具(Canvas)。
此工具下,选手可以通过“拖拉拽”可视化组件,将复杂的 AI 原理转化为可操作的实验流程——从选择数据到搭建案例,既降低了技术门槛又保留了知识内核。平台还提供了封装好的 Python/R 实验环境,以及灵活的算力调度能力。ModelWhale 长期支持高校开展教学、实训、科研、比赛等,是在真实教学场景验证过的灵活、好用的平台工具,对于选手创作作品来说也会有一定的指导意义。
在设计低代码实验前,我们需要明确涵盖哪些步骤:
确定实验目标:比如你希望学生通过实验学习到哪些知识点、锻炼哪些技能,如果不清楚的话可以先问 AIGC 工具,获得一些参考建议;
准备实验素材:提前准备好设计实验所需要的数据/工具,上传到平台上;
搭建和调试实验:选手需要明确实验的过程,并提前将完整的将实验搭建出来、调试好,以保证你的“学生”在实验过程中可以顺畅地运行下来;
发布上线
实验搭建案例:西瓜分类
接下来以一个完整的例子——西瓜分类,向大家具体介绍低代码工具(Canvas)的使用方法,该案例的主要目的是让学生理解用于图像分类的机器学习模型的原理。
1. 进入运行状态
点开项目后,在画布的预览状态时,大家仅能查看案例运行的逻辑流程,无法直接查看运行结果。
如果需要运行实验的话,可以点击右上角【运行】按键,系统会自动分配算力并提供一个已经预装了数据分析、机器学习等相关包的环境。运行界面左侧会自动连接资源并挂载好实验数据。

2. 确定实验的主题
以“用于图像分类的机器学习模型的原理”为例,在设计实验之前,我们预先问了豆包(大家可以使用其他 AI 工具),了解图像分类算法在实际生活中有哪些应用;
根据豆包所给出的回答(见下图),在农产品品质检测方面,可以通过图像识别的技术辨别果实的大小、形状、色泽等,来评估果实的品质,从而对果实做进一步的分级,便于后续的市场销售与加工;
因此我们便决定采用西瓜分类的实验来阐述相关原理。
ps:除了比赛场景,老师们在日常教学中设计实验时,也可以结合实际生活中的案例,激发学生了解人工智能概念、算法原理的兴趣。

3. 搭建实验
下述的每一步,Canvas 内都有对应的组件可供大家选择。
读取数据
在左侧可以看到已经挂载好的数据源。
这个数据需要大家提前准备好,并标注它相关的来源。


探索数据
读取数据之后,我们可以通过描述性统计或者是查看前 N 行的方式查看数据里面包含的内容。
如果想要带领“学生”查看具体的操作的话,我们可以一步步地【运行】数据。


数据预处理
数据读取与数据探索后,需要对数据做进一步的预处理,也就是清洗掉其中的脏数据或者对缺失值进行一些填充;
之后再进行编码的处理,即将人类看得懂的特征转化为机器懂的特征;

模型训练与模型评估
将数据拆分为训练集和测试集,一部分用于训练模型,一部分用于验证模型;
最后,我们可以通过不同的评估指标来判断我们的模型是否训练好,并且可以应用;
如果存在问题,是调整训练的数据还是替换继续优化模型,都是值得在实验后继续思考的。

补充描述
整个实验过程中,大家还可以采用添加文本框的方式进行一些补充性的描述,增加案例的可读性。

4. 关于预设模板的使用
为了便于选手快速上手搭建案例,平台还提供了多种预设模板,点击界面 "+" 号即可看到。以机器学习为例,选择“通用工作流”模板后,可以通过预览功能来确认其流程是否符合你的需求。

从图中(见下图)可以看出,该机器学习的“通用工作流”模板相较于西瓜分类的案例而言,缺少了数据探索的环节,那我们可以通过以下步骤补充:
在左侧组件库中选择相应的组件。人工智能领域比较常用的一些代码都已经以组件的形式封装好预置在平台中了;
拖拽这些组件添加至工作流中(使用 Canvas 构建实验均可以采用这种方式)。

最后,除了使用 Canvas 工具外,如果各位选手有自己比较熟悉的其他平台工具,只要符合赛题要求都是可以使用的。但需要注意的是,提交参赛作品时,要同时提交必要的数据,以及复现的步骤配置的说明,保证评委老师可以复现你提交的作品。
以上即为使用和鲸 ModelWhale 平台的低代码工具(Canvas)创作 AI 应用实验的图文操作指南,智谱 AI 的智能体操作图文指南(AI 助教实验创新方向)也在持续整理中。
完整赛事培训回放大家可以点此进入和鲸社区主页 查看。
最后祝愿各位参赛选手在本届中国大学生计算机设计大赛中充分发挥创意,借助合适的工具平台创作出优秀作品!
赛事相关咨询、答疑需求,或对和鲸通识教育解决方案感兴趣,欢迎您直接联系工作人员获取更多资料。
版权声明: 本文为 InfoQ 作者【ModelWhale】的原创文章。
原文链接:【http://xie.infoq.cn/article/b7c1b6accb0208f4922019acb】。文章转载请联系作者。
评论