生成式AI走进程序设计课堂：高职教师如何用AI教编程、学编程、评编程

程序设计是高职计算机类专业里最看重"动手"的一门核心实训课，学生在一节又一节的上机课上敲代码、改报错、抠逻辑，教师则穿梭在机位之间逐一救火。这个场景在很长一段时间里堪称"标配"，也恰恰是痛点所在——班级几十名学生同时提交数十份不同的报错，任课教师即便分身乏术也照顾不到每个人的个性化问题，学生只能干等，一个语法报错就可能卡住十几分钟，学习节奏一断，兴趣也跟着消磨。

生成式AI的出现，正把这一局面一点点拆解。AI能自动补全代码、诊断语法错误、剖析算法逻辑，还能在几秒之内给出可运行的示例程序，这带来的绝不只是"工具变了"这么简单。它真正改变的，是程序设计课里"教、学、评"三条线上各自的旧分工：教师可以不再沉迷于逐行讲代码，转而把力气花在讲思路、教提问、带学生审查和验证上；学生的练习也不再是孤军奋战地面对一个冷冰冰的编译器；评价也不再只看最终交付的成品代码，而要看设计思路与调试过程。本篇文章围绕"教编程、学编程、评编程"三个环节，为高职教师提供一套可复制的实训设计路径，讲清每一步怎么做、用什么工具、有哪些坑要避开。

在进入具体操作之前，先交代一个总的设计原则：AI在程序设计课堂上的正确定位，是苏格拉底式引导者，而非自动修复机器。 它应当承担起语法纠错、代码调试这些重复性工作，从而把教师解放出来，去关注学生的高阶思维；它也应当在学生卡壳时给出"方向性提示"而不是"现成答案"，从而保留学生独立思考与认知挣扎的空间。这个原则，会贯穿后面所有步骤。

---

一、先想清楚：程序设计实训课被AI改写了哪三件事

很多教师一上手就让学生"用AI写代码"，结果课堂变成了学生复制粘贴的抄写现场。问题不在于AI本身，而在于一开始就没想清楚AI到底该用来解决什么。概括起来，AI对程序设计实训课的改写集中体现在三件事上。

第一件，教师角色从"讲代码的人"变成"带思路的人"。 传统课堂里，教师的一项重要工作是逐行解释语法、演示代码执行过程，这属于信息传递。AI补全、讲解的能力已经很强，这部分机械劳动完全可以交给工具。教师的核心价值因此上移到"引导学生把一个问题拆解成若干步""告诉学生该向AI提什么样的问题""带着学生审查AI给出的代码是否可靠"。换句话讲，教师教的不是"这一行代码为什么这样写"，而是"这个问题该怎么想、怎么问、怎么验证"。

第二件，学习方式从"单机苦练"变成"人机协同探究"。 学生面对的不再只是一个报错编译器，而是一个能对话的"认知伙伴"。学生先把自己的设计思路整理清楚，再借助AI生成代码、预测运行结果、验证正确性，最后和AI讨论为什么这么写。这条链路里，AI负责把学生从低阶的语法负担里抽出来，让他有余力去琢磨算法设计与问题解决，这正是认知负荷理论的核心启示——人的工作记忆容量有限，把基础操作交出去，才能腾出容量去做更深的思考。

第三件，评价逻辑从"看成品代码"变成"看过程与思路"。 过去评价一个实训是否达标，多半是看最后交上来的代码能不能跑通、功能全不全。但AI参与之后，"能跑通的代码"可能有一半是生成的，鉴别学生真实水平的关键，变成了他能不能说清设计思路、能不能描述调试过程、能不能指出自己改对的一行代码为什么对。评价的重心，需要从静态成品转向动态过程。

从这三件事出发，下面的实训设计都围绕"教、学、评"展开，落点是可操作的分步流程。

---

二、AI辅助"教编程"：一份可直接照做的实训设计流程

这一部分给学生设计的是"用AI学编程"的实训任务，但也需要教师先做足准备。整套流程共有五个步骤，每一步都交代清楚操作动作和目标，并在末尾补充避坑提示。

实训场景与目标。 本次实训以"学生成绩统计与可视化"为贯穿项目，要求学生在不直接抄AI答案的前提下，借助AI完成从问题描述、算法设计、代码实现到结果验收的全过程，重点训练"向AI提问"与"审查AI输出"两种能力。实训安排在讲授完基础语法之后，学生已具备基本的变量、循环、条件判断知识。

第1步，热身：建立"先思考、后提问"的门槛。 在正式上机前，要求学生先用文字或伪代码写下自己对该任务的设计思路，包含三要素——输入是什么、预期输出是什么、准备分几步实现。 教师逐一查看并简要点评，思路不合格的退回重写。这一步的意义在于设置"提问门槛"：学生只有先把问题想清楚，才有资格向AI求助，如此才能防止一上来就"AI全包"的过度依赖。

⚠️ 避坑提示： 很多学生在第一步就卡住，写不出思路。这时不要急着放行，也不要替他兜底，而是抛出引导性问题："你先设想一下这份成绩表的每一行代表什么？"通过反问让学生自己把输入输出边界划出来，再允许进入下一步。这一步一旦放松，后续所有环节都会变成抄代码。

第2步，提问：教会学生把需求翻译成AI听得懂的指令。 在思路通过后，要求学生把"人类语言的目标"改写为"结构化提问"，尽量囊括任务目标、输入格式、期望输出、约束条件四要素，再提问AI让其生成初版代码。 例如把"帮我写个成绩统计"改写成"用Python统计一个包含姓名和成绩的列表，计算平均分、最高分，并输出排名，请先给出你的实现思路再给代码"。教师可预先贴一份问题模板供参考。

可复制的提示词模板：

```text
我现在在完成一个【实训目标】，需要你用 Python 实现。
输入是：一个名为 scores 的列表，每个元素是 [姓名, 成绩] 的格式；
输出要求是：打印平均分、最高分、最低分，并按成绩从高到低输出排名。
约束：不使用第三方库，代码要加注释，最后用不超过 3 句话说明你的实现思路。
请先不要直接给完整代码，先给出你打算怎么设计这段逻辑。
```

⚠️ 避坑提示： 学生最常犯的错是把需求描述得含糊，AI给出的代码自然离题。教师在巡视时重点检查学生提问里是否包含了"输入格式"和"预期输出"两个要素，缺了就当场引导补齐，而不直接代答。这一遍练的不是代码，是沟通与抽象建模。

第3步，审查：带着学生逐段检查AI生成的代码，而不是一键复制。 收到AI的反馈后，要求学生逐行阅读AI给出的代码，先用红笔标出自己看得懂的部分，对看不懂的语法或逻辑在自己本子上写下疑问，再逐一请AI解释。 教师在这一环节组织一次"代码审查会"，随机抽取两到三份AI生成结果投屏，带领全班逐段分析"这段代码为什么这么写""换一种写法可不可以"，让AI成为启发思路、带动辩论的载体。

⚠️ 避坑提示： 学生很容易被AI生成的"看似正确"的代码迷惑，复制后直接运行完事。教师要在审查环节刻意注入一两个"隐藏错误"的AI输出样张，故意让AI走神生成有逻辑问题的代码，训练学生的鉴别力。这一招比空口强调"别全信AI"有效得多。

第4步，调试：把报错过程变成"人机对话式的复盘"。 代码运行出错时，要求学生先自己读报错信息，用自己的话复述"我的程序想做什么、现在出了什么错、我怀疑是哪里"，形成对AI的标准描述后再提问，且要求AI只回方向提示——指出错误所在行和可能原因，而不是直接甩出修复后的整段代码。 学生修复完毕、运行通过后，再让AI给出验证反馈，复盘"为什么会错、错在哪、怎么改的"。

可复制的调试提示词模板：

```text
我的程序【想实现】的功能是：按成绩从高到低排序。
运行时报错信息是：IndexError: list index out of range，定位在第 15 行。
请不要直接给我完整修复代码，只告诉我：这一行可能在访问哪个不存在的元素；导致越界的最可能原因是遍历范围还是索引取值。给出提示即可，我自己改。
```

⚠️ 避坑提示： 调试环节是学生成长最快的环节，也是技术含量最容易被偷懒消解的地方。务必约束AI"只给方向、不给答案"，方法是在提问中明确"请只给提示，我自己改"。若AI仍输出完整代码，教师应示范如何追加一句"请改成只提供思路"，把这次纠错重新拉回学生自己的认知轨道。

第5步，验收：让学生"带着答案去讲题"。 实训接近尾声时，要求每个学生把整个过程中"最初思路—AI初始生成—自己发现的问题—最终修复"完整记录下来，并用不超过5分钟做一次口头汇报，讲讲自己向AI问了什么、审查代码时发现了什么、调试过程卡在哪一步如何突破。 教师据其能否清晰描述设计思路与调试过程来判断真实掌握程度。

⚠️ 避坑提示： 验收环节最容易流于"看代码能不能跑"。教师评价的是过程叙述的完整性与逻辑性，而非代码漂亮程度——能说清"我为什么这样设计"的学生，即便成品朴素也值得高分；只会说"AI就是这样写的"的学生，即使代码再完善也要打低分。这一条直接衔接下文的教学评价重构。

---

以上五个步骤环环相扣，从"先思考"到"再求助"，从"审查代码"再到"复盘调试"，构成一条完整的实训主线。它看似比传统的"讲解—演示—练习"多绕了几道弯，实际却把编程能力中最难养成的"算法思维与问题排查"，真正落到了学生的肩膀上。下面这张结构图，把AI辅助教编程的完整链路再梳理一遍，方便教师在备课时对照检查。

---

三、防"抄代码不思考"：任务分层与三种常见风险的对策

AI进入课堂后，教师最担心的一句话往往是："学生会不会抄了AI的代码，结果什么都不懂？"这个担心有据可依，却不能用"禁用AI"来回避——那无异于把学生拽回和产业脱节的旧世界。更现实的出路，是通过分层任务设计与风险机制，让抄无可抄、学有所获。

先说任务怎么分层。 面向基础差异明显的高职学生，同一堂实训课可以按能力分成三个梯度，AI介入方式也随之不同：

• 基础层（能跟上主线）： 任务以教材中的经典题为主，AI主要用于可视化演示核心语法与算法运行过程，降低理解门槛。教师可要求AI生成循环、递归的执行过程动画式解释，辅助学生把原理看清。
• 进阶层（有余力拓展）： 在主线任务之上叠加功能拓展，例如给成绩统计加上档案保存、异常输入处理，让学生向AI提出增强需求。AI在此层充当"交互探究"的抓手，引导学生分组预测代码运行结果、再比对验证，并讨论"为什么AI这样设计更优"。
• 创新层（拔尖方向）： 以小组为单位，围绕真实校园场景（如图书馆借阅统计、选课冲突检测）向AI提出创意应用需求，并迭代完善。AI在这里是"原型速成器"，帮助学生快速把想法落地为可演示的原型，拓宽眼界。

再谈三种最常见的风险与对策。 风险一：学生依赖AI生成，丧失手写基础。对策是把"手写基础"写进日常考核，设置限时手写算法小测或现场讲解环节，禁止携带AI，检验独立能力；同时明确约定哪些环节允许用AI、哪些必须独立完成。风险二：AI生成代码不可靠，被逻辑漏洞带偏。对策是在实训流程里强制安排"代码审查+验证"步骤（即第二部分第3步），并示范"如何用测试用例检验AI输出"，把可靠性验证变成课堂的固定动作。风险三：学生提问质量低、问不清楚。对策是把"提问"本身纳入评分——学生能否用四要素把需求描述清楚，直接作为平时成绩的一项，从制度上倒逼提问能力。

需要提醒的是，防过度依赖不能靠"禁"，而要靠"结构性设计"。当一份实训的每一步都需要学生先思考、再提问、又审查、还复盘，抄代码就失去了意义——因为连"抄"本身都要通过复述与讲题来过关。这才是实训设计的真正发力点。

---

四、AI辅助"学编程"与"评编程"：工具清单与评价重构

前面的流程解决的是"AI怎么进来"的问题，这一部分聚焦"用什么工具"和"怎么评"。

4.1 工具清单：选对工具比堆工具更关键

不同环节对AI能力的需求并不相同，教师不必一次性引入多款工具，先把核心的"编程助手"和"通用模型"用顺，再逐步扩展。下表给出常用工具的定位与适用环节，供实训设计参考。

⚠️ 提示： 上表是推荐组合而非强制清单，教师应按本校本课程实际选型，优先选国内主流、能稳定访问的工具，避免功能描述过度夸大。工具的描述以官方说明为准，务必在正式上课前自行试用一遍，确认其在网络环境下能稳定运行。

4.2 教学评价重构：从"看成品"到"看过程"

评价重构是整场改革能否真正落地的关键。徒有优秀的实训设计，而评价仍只看最终代码是否跑通，学生很快会发现"用AI生成再跑通"是最省力的路径，前面强调的思考、提问、审查也就全部落空。因此，评分体系必须同步调整。

评价重心从"成品代码"转向四项可观察指标：

• ① 设计思路清晰度。 学生能否在动手前用自己的语言描述输入、输出与处理步骤，能否讲清"为什么选这个方案"。这是AI时代最可贵、也最易被掩盖的能力。
• ② 提问质量。 学生向AI提出的问题是否包含目标、输入、输出、约束四要素，是否能用"只给提示不给答案"的方式与AI协作。把提问纳入评分，相当于给"学会请教"设了制度性激励。
• ③ 审查与验证意识。 学生是否会主动检查AI生成代码的逻辑、是否会构造测试用例验证结果、能否识别出AI给出的隐藏错误。这一项直接对应"防止抄代码不思考"。
• ④ 调试过程完整性。 学生在遇到报错时，能否复述问题、自主描述怀疑点、完成修复并复盘"错在哪、怎么改"。

在评分主体上，可以搭建"教师+学生互评+AI即时评价"的三元机制。 AI负责运行环节的即时程序性反馈（如代码能否通过、有无明显语法错误），学生依据评价量规互相评分彼此的思路陈述与汇报清晰度，教师则对设计思路、审查深度等需要专业判断的维度做最终裁定。三方数据汇总，形成学生整个学期的"编程能力过程画像"，为期末总评提供证据支撑。

---

五、课前—课中—课后：把AI协同贯穿三阶段

生成式AI在程序设计课堂上的价值，不该只发生在90分钟的上机课里。把"教、学、评"的自然延伸到课前预习与课后拓展，教学效果会更完整。下面这张三阶段对应表，把每个阶段的AI用法与教师动作铺开，教师可以直接当作备课模板参考。

这条三阶段链路的关键，在于课前做好铺垫、课中守住过程、课后差异化延伸。三者并非孤立，而是借助AI产生的一条连贯学习链——课前思考为课中提问打底，课中的审查与调试经验又沉淀为课后的能力迁移基础。教师抓住这条链，就能让AI从一次性的"课堂帮手"升级为贯穿始终的"协同伙伴"。

---

六、风险与边界的清醒认知

在推动AI融入程序设计课堂时，教师还需要对它的边界保持清醒，这不是技术悲观主义，而是对"育人"二字的负责。

多数情况下，AI对数据的可靠性判断仍有限。 生成式AI给出的代码虽能运行，却未必最优、未必符合企业规范，甚至可能潜伏性能与安全问题。因此，把"代码可靠性验证"固定为课堂标准动作，教会学生用测试用例、边界条件去检验AI输出，远比一味信任更重要。在多数场景下，AI更适合作为"方向提供者"，而不是"答案裁决者"。

过度依赖是第一位的隐性风险。 当学生习惯于把思路和实现都交给AI，编程基本功会在不知不觉中退化。风险的化解不靠禁止，而靠结构——把手写基础、独立小测、现场讲题嵌入评价，让"离开AI也能独立编写核心算法"成为可检验的能力底线。

伦理与使用边界同样必须讲清。 学校可以开设专门的AI使用规范研讨，与学生共同讨论"哪些作业允许AI参与、哪些必须独立完成、怎么标注AI协助内容"，培养学生对AI辅助学习的诚实态度与边界意识。这是技术能力之外的职业素养，也是未来岗位真正看重的品质。

对教师自身而言，也有一条持续成长的路径。 初阶聚焦把提示词写清楚、把工具用熟练；进阶着力于把AI融入一门课的完整教学设计；高阶可探索对已有AI工具的二次改造。教师每学期用几分钟复盘一次"这次课AI到底帮了什么、哪些环节该撤掉AI"，就能逐步沉淀出自己的方法论——AI教学从来不是一次性的技术引入，而是一套需要持续调试的修炼。

---

程序设计课堂引入生成式AI，真正的价值不在于让代码写得更快，而在于把"教代码"升维成"教思路"，把"学抄写"转化为"学提问与验证"，把"评成品"转向"评过程与能力"。这三组位移，恰好回应了高职在数字化浪潮中最需要回答的问题：当工具越来越强大，一个人真正不可替代的，是他能把问题拆清楚、能和人机协同、能对结果负责的判断力。程序设计实训课，恰恰是最适合最先长出这种能力的土壤。