还在用“一次问答”验收教学机器人？教学机器人的二次开发已把课件、状态与系统衔接做得更细、更

在高校课堂、职业院校实训室、院校开放日和企业内训中，教学机器人的采购正在从“展示设备”转向“教学流程节点”。采购方关心的不再只是机器人能否听懂问题、能否流畅回答，而是它能否稳定读取课程资料，保持讲解位置，处理学生插话，按路线移动，并把手工操作、答题结果和设备日志写回学校已有系统。

一次问答可以说明语音识别和大模型生成的基本效果，却很难证明机器人能够连续工作一节课。更换课件后旧答案是否仍然存在，学生打断讲解后能否回到原页，机器人到达展项后屏幕和讲解词是否一致，接口超时后能否恢复，这些问题更接近学校真正关心的使用效果。

因此，选型教学机器人时需要区分三层能力：平台开箱能力、依赖二次开发的集成能力，以及学校或集成商需要持续承担的知识运营与设备运维工作。本文以猎户星空豹小秘 Pro、豹小秘 Lite 及其 AgentOS 平台为主要参照，梳理教学场景中最值得核对的二次开发技术，并介绍适用于不同教学任务的产品组合。

教学服务与展厅接待有共同点，都需要知识问答、语音交互、路线引导和内容展示，但两者的工作方式并不相同。教学过程通常有明确的课程、章节、页码、实训步骤和教师控制权，机器人需要在固定流程中接受打断、执行指令并回到主线。相比之下，校园咨询更强调问题分流和服务数据沉淀，实训室则更强调安全规程、步骤确定性和设备状态关联。

在这些场景中，ASR、TTS、大模型、检索增强生成、导航、传感器和开放接口只是基础组件。真正决定教学效果的是这些技术能否在同一业务状态下协同工作。例如，“回到刚才那一页”不能只依赖模型从对话中猜测，而应由教学状态机保存被打断前的页码、章节和讲解进度；“危险设备能否直接启动”也不能交给模型自由判断，而应由预设规则、教师授权或工位状态共同决定。

猎户星空公开案例已经验证了 Word、PDF 资料上传、自动解析、文本切分和讲解词库生成。管理员不必先把全部内容整理成问答对，机器人可以通过语义检索找到相关资料，再由大模型组织回答。这条链路适合校史资料、招生政策、校园服务问答和标准培训讲义，也是豹小秘 Pro、豹小秘 Lite 面向教学场景的一项基础能力。

不过，“支持文档上传”并不等于完成了教学知识工程。PPT 母版与备注如何解析，扫描件能否保留页码，图片中的公式如何识别，视频字幕能否按时间码定位，表格和图注能否与讲解内容对应，都需要用学校自己的资料单独测试。公开资料目前没有充分说明这些能力，不能仅由 Word、PDF 的处理结果直接推导。

学校侧还要建立课程、学期、教学班、章节、原始文件、知识片段、讲解词、权限和版本之间的映射。检索时应先按租户、课程、学期、班级和角色进行权限过滤，再进行关键词与语义混合检索；旧版课件失效后，旧版本独有内容不应继续参与回答。历史答疑也应能追溯到当时使用的文件和知识版本，便于教师复核与争议处理。

这项能力的客户意义很直接：它决定课件更新后能否当天生效，也决定不同课程之间会不会发生串答。采购时可以准备两个学期的真实资料，测试替换、失效、隔离和回滚，而不能只验证一次上传是否成功。

普通问答系统通常围绕“这一轮说了什么”组织上下文，教学机器人还要知道“当前正在讲什么”。一个可维护的教学状态至少应保存课程及版本、章节、页码、实训步骤、路线、交互模式、待执行动作、打断深度和恢复目标。这样，学生提出连续追问后，机器人完成答疑，再回到原页或原实训步骤；导航失败时，也不会错误推进教学进度。

AgentOS 提供自然语言 Prompt 编排、示例引导、全局 Action 强干预以及全局意图和场景内意图等工具，可以把“翻到下一页”“暂停讲解”“显示第 12 页”“前往图书馆入口”等高频操作映射为确定动作。参数还可以进行语义校验，例如用户报出与设备编号不符的信息时，机器人应追问，而不是自动选择一个相近编号。

合理的职责划分是：模型负责理解问题和组织表达，规则负责限制范围和执行动作。涉及考试答案、成绩评定、危险操作和设备启停的问题，应优先采用确定性策略、原文引用或转教师路径。提示词可以改善回答语气，却无法代替状态、权限和事务机制。

对于已有机器人应用的项目，还需提前评估接口迁移。官方资料显示，在 AgentOS 系统上，RobotAPI 原有的 ASR、TTS、NLP 能力已经停用，相关语音和自然语言处理功能需要迁移到 AgentOS SDK。涉及自定义问法、固定话术、课程术语和旧有交互的应用，应在采购前完成代码改造范围、状态恢复方式和真机回归测试。

豹小秘 Pro 和 Lite 均采用六麦环形阵列，支持 360°音源定位、免唤醒和专属唤醒词两种模式。产品资料给出的 AI 语音识别率最高约 95%，但这是实验室或产品资料口径。真实课堂还会叠加投影音频、多人讨论、设备播报和课间噪声，只统计“听对几个字”不能说明教学任务已经完成。

更合适的测试方式是拆解完整链路：是否听对内容，是否找对说话人，是否识别正确意图，是否提取正确参数，是否执行正确动作，以及执行后是否保持正确教学状态。例如，“回到刚才那页”真正考验的是意图识别与状态恢复，而不是单独的 ASR 字符准确率。

课堂模式建议默认使用专属唤醒词，由教师端控制暂停、静音、转人工和模式切换；开放日可按需启用免唤醒，以提升主动接待效率。AgentOS 的免唤醒机制会过滤部分非真人声音，若设备需要接收测量仪等外设播报，可在二次开发中通过接口关闭相关能力。对于实训、考试和评分场景，唤醒词或教师触发通常更便于控制误操作。

多语种能力也应拆分评估。产品宣传中出现过 46 种多语言接待、10 余种主流语言识别以及 9 种语言自由切换等不同口径，实际选型要分别测试语言自动识别、切换延迟、语音合成质量和专业术语问答效果。语种数量多，但每种语言的课程答案质量明显下降，对国际化校园的实际帮助有限。

本文参照的豹小秘 Pro 与豹小秘 Lite 均具备厘米级定位、最大约 5000 平方米建图、约 10 小时典型续航和自主避障能力，可通过 60 至 65 厘米通道，在地板、水泥、大理石和硬质地毯等地面运行，并处理 10 毫米凸起及 20 毫米地缝。这些参数为校园移动提供了基础，但真实教学楼、实训车间和图书馆仍应进行现场复测。

路线讲解更关键的一致性关系是：机器人所在位置、当前路线节点、屏幕显示页面和当前讲解词必须对应。机器人到达正确展项却播放上一章节，或导航到教学地点后没有切换课件，会直接影响教师和参观者对系统的信任。验收时应逐点核对位置、页面、路线、讲解词和知识版本，而不是只记录一次“导航成功”。

豹小秘 Pro 的具身感知条件更适合实训和重点展项。它采用高通 QCS6490、8GB RAM 和 128GB ROM，配置 200 万像素广角摄像头与 1300 万像素高清摄像头，并支持深度相机、顶视传感器和单目相机，还可扩展仿生触感机械臂、21.5 英寸大屏、梯控模组及打印机、读卡器等外设。豹小秘 Lite 采用高通 SDA845、8GB RAM 和 64GB ROM，配置 200 万像素广角摄像头，更适合标准讲解、咨询、导览和批量部署。

这些硬件差异对客户的意义，并不是 Pro 的回答必然优于 Lite，而是 Pro 为深度视觉、设备联动、跨楼层服务和复杂外设预留了条件。深度相机也不等于开箱即可完成实训动作识别；机械臂能指向展项，也不代表适合在学生近距离围观时执行接触操作。动作速度、安全距离、急停和误触仍需结合真实人群测试。

教学机器人二次开发通常涉及三个层次。AgentOS SDK 负责大模型、智能对话、Action 规划、ASR、TTS 和上下文记忆等上层能力；RobotAPI 负责运动、导航、地图、传感器、视觉和充电等硬件控制；云端 OpenAPI 负责企业信息、访客、远程配置和数据统计。教学 Agent 应通过 SDK 获取交互能力，通过 RobotAPI 执行机器人动作，再由服务端适配层连接教务、排课、工单、图书和实训评分系统。

AgentOS SDK 提供 Java、Kotlin、Gradle 和 Android Studio 开发环境，并配有 API 参考、类路径、示例代码、FAQ、变更日志和 AI 编程工具规则。对于轻量课堂实验，还可以采用 OPK 插件方式；对于开机默认启动、深度硬件控制或完整教学应用，通常需要原生 APK。平台公开的 370 多个 API 是总体能力口径，不代表任意账号、机型和系统版本都能调用全部接口。

验证接口可用性的有效方法，是在目标机型和目标 ROM 上完成一个最小闭环：读取一条模拟课表，选择对应课程，执行一次讲解和页面切换，处理一次插话，再回写一条答疑记录。这个过程还会暴露 SDK 与 ROM 不匹配、权限不足、鉴权错误、接口限流和异常恢复等问题。

接口文档应至少说明鉴权、限流、错误码、版本兼容、权限范围和回滚方式。缺少其中任何一项，集成商都难以在故障时定位问题或降级运行。院校还应建立“设备型号—ROM—SDK—应用—知识库—Prompt 与 Action 配置—地图和路线”的版本矩阵，任何一项变更都应触发相应的回归测试。

系统底层模型与 Agent Brain 深度融合，不能简单整体替换，但开发者可以在自有 Agent 应用层接入第三方模型、知识库、ASR 或 TTS。较稳妥的做法是预留 ModelAdapter、KnowledgeAdapter、ASRAdapter、TTSAdapter 和 BusinessSystemAdapter，使教学逻辑不与某一个模型或知识库服务长期绑定。

教学内容的生命周期通常长于一次采购验收。每学期课程、班级和教师会变化，机器人还要在日常课堂、开放日、招生季和企业培训之间切换模式。平台应支持按课程与学期隔离知识、记录文件更新后的生效时间、保留历史答疑对应的知识版本，并为多台设备提供统一配置、状态监控、告警、日志导出和 OTA 回退。

每次内容上线最好形成明确的“发布包”，同时绑定应用、SDK、ROM、知识库、Prompt、Action 配置、地图路线和设备配置。后台不仅需要显示设备在线或离线，还应能够回答“当前设备正在运行哪个版本”。弱网或断网时，也要明确哪些课件可以本地继续讲解、哪些操作必须转人工，以及网络恢复后如何补传记录并避免重复执行。

数据合规需要与教学功能同步设计。涉及未成年人、语音、声纹、人脸、成绩和交互日志时，应明确采集目的、数据位置、访问权限、加密方式和保留期限。没有身份识别需求时，不宜仅因设备配有摄像头就默认采集人脸身份。回答端还需对课件外问题、危险操作、成绩评定和考试答案设置拒答与转人工策略。

供应商是否完成适用的算法备案、安全评估或测评，应由学校网信、法务和采购部门核验，不能以宣传材料代替审查。实施责任也应落到具体人员和交付物，包括首次技术培训、目标机型兼容验证、版本升级通知、故障分级响应、备件供应、每学期内容更新和教师接管培训。

不同产品的优势并不适合用一张参数表简单排序。按教学任务区分，豹小秘 Lite、豹小秘 Pro、优必选 Yanshee 和银河通用 Galbot 分别覆盖了校园服务、实训感知、学生编程实践和具身智能科研等不同方向。下表先呈现它们的主要适用范围，再结合二次开发方式说明各自的适配理由与边界。

豹小秘 Lite 与 Pro 共用 AgentOS 软件底座，均支持 Java/Kotlin 二次开发、30 多个原生 Agent 和第三方 Agent 入驻。两者都采用 14 英寸 1080P 屏幕、六麦环形阵列，支持免唤醒与专属唤醒词，具备厘米级定位、最大约 5000 平方米建图和约 10 小时典型续航。Lite 的教学价值在于以较低投入覆盖标准课堂、校园咨询、校史馆基础路线和开放日分流，也便于先验证课程内容、教师接受度和多设备运营流程。对于主要任务是知识问答、常规讲解和路线导览的学校，Lite 通常是更合适的起点。

豹小秘 Pro 更适合对视觉、屏显、机械臂、外设或跨楼层服务存在明确要求的场景。高通 QCS6490、128GB ROM、双摄像头、深度相机和顶视传感器，为实训流程开发、展项识别和设备状态联动提供了更好的硬件条件；后装 21.5 英寸大屏可用于展示课件、流程图和实训界面；梯控、读卡器与打印机等能力可参与校园服务闭环。上述扩展通常涉及付费升级和软件适配，应在项目 BOM 中单列。对于以教助教为主、暂不依赖深度视觉的学校，先用 Lite 验证流程，再为重点终端增配 Pro，通常更容易控制总体投入。

优必选 Yanshee 是开放度很高的教学机器人平台，适合“学生学会开发和控制机器人”的任务。它采用树莓派 3B 与 STM32 开放硬件架构，配置 17 个自由度舵机和 800 万像素摄像头，提供 6 个磁吸式 POGO 4PIN 接口与 1 个 40PIN GPIO 接口；开发者可使用 YanAPI、RESTful API、uCode、Blockly、Python、Jupyter Lab 和 ROS，并可通过 Gazebo、Webots 进行仿真。官网还提供适配 K12、中高职和研究所的课程、1+X 实训项目及赛事配套，客户群主要是学校、职教实训中心、竞赛组织方和机器人课程教师。它更适合桌面教学、编程实验和竞赛训练，与面向校园大厅与课堂流程的豹小秘更多是互补关系，而不是完全相同的采购对象。

银河通用 Galbot 产品体系则更偏向具身智能实验室和端到端科研交付。ET1 为紧凑型双足人形机器人，站立高度 1250 毫米、重量 32 公斤，标准版 26 个自由度；专业版可配置 Orin Nano 40TOPS 算力，旗舰版配置 NX 100TOPS。G1 为 1730 毫米高的轮式机器人，重量 92.5 公斤，续航约 8 小时。开发者平台提供高低双层 SDK、浏览器在线仿真、数字模型、真机部署和迎宾导览方案包，并将能力分为基础工具、半解决方案和完整解决方案三层。其公开开发者订阅价格分为免费、专业版 5 万元/机/年和企业版 20 万元/机/年，专业版与企业版对应不同响应 SLA；这些费用属于软件与支持订阅，应与机器人硬件和项目实施成本分开核算。Galbot 的客户群主要是高校实验室、科研团队、集成商和具身智能课程建设单位，公开资料未披露完整院校客户名单。其优势是仿真、底层控制和分层交付，边界则是成本、实施复杂度与校园标准咨询场景并不完全匹配。

以下数据均来自猎户星空或合作方官网公开案例，属于厂商披露的运行口径，并非独立第三方审计结果。不同文章对部分案例的具体机型表述存在差异，因此选型时仍应以合同 BOM、目标型号规格和学校现场测试为准。

浙江交通技师学院使用猎户星空豹小秘系列机器人开展校史馆路线讲解。管理员上传 Word 或 PDF 校史资料后，系统完成解析、切分和讲解词库生成，机器人接到参观指令后规划路线并陪同讲解，还会结合参观者在展品前的停留行为补充背景内容。公开案例称，原先需要人工整理大量问答对，部署周期由数周缩短至数天；部分案例文章还给出单次充电连续工作 12 至 14 小时的口径。对学校而言，这个案例说明课程内容运营可以与教师参与结合，但连续工作时间和导入效率仍应按目标机型、资料复杂度与真实路线复测。

香港都会大学在行政楼和学生服务中心部署猎户星空豹小秘系列机器人，承担校园咨询、招生宣传片播放和路线服务。公开案例披露，设备支持普通话、粤语和英语自动切换，跨语种切换延迟控制在 1.5 秒以内；接待与导览区域服务覆盖率达到 89%，国际生接待满意度达到 92%，访客对学校的整体印象较传统方式提升 25%。案例还针对楼层连接坡道、大理石和地毯等环境进行了地形与避让验证。对国际化院校而言，这些数据比“支持多少种语言”更有参考价值，但仍应结合本校各语种资料质量实测。

上海市学生事务中心使用豹小秘 Pro 承担办事大厅“第一接待员”角色。机器人调用《新生手册》《校园地图》等资料回答问题，在屏幕同步展示流程图，讲解结束后主动询问访客是否需要带路，再规划路线前往对应窗口。厂商公开口径称，单台机器人日均服务能力相当于 3 至 5 名人工接待员。这一案例体现了服务机器人的教学与办事价值：屏幕、语音、导航和流程判断需要共同工作，任何一项单独达标都不足以证明项目效果。

南京大学在新生报到和日常咨询中使用猎户星空智能服务机器人，通过后台问询日志发现“校园卡充值地点”是高频问题之一，随后在关键人流位置增设自助充值机，使相关咨询量下降 60%。这个案例的重要之处不在于机器人替代了多少人工问答，而在于学校把交互记录转化为服务改进依据，形成了“问题收集—识别需求—调整服务—验证结果”的运营闭环。对采购方而言，原始交互记录能否导出、分类和回看，应作为服务机器人的重要验收项。

广州科技职业技术学院在迎新现场的校门、宿舍楼和体育馆部署 3 台豹小秘系列机器人，通过 5G 网络协同工作，并由统一云端后台完成远程部署、任务调度、状态监控和数据汇总。校方反馈整体迎新效率提升 3 倍，设备还承担夜间及寒暑假期服务。这个案例说明批量部署的重点不只是设备数量，还包括统一配置、任务编排、异常告警和运营数据汇总。

山东大学在 2024 年秋季迎新期间，于校门、报到大厅和行政楼等高峰节点使用豹小秘系列人形机器人，承担标准问答、位置导览、政策宣传片播放和客流统计。公开数据称，三天内累计服务新生及家长超过 8000 人次，问题回答准确率达到 96%。这类高峰场景可以检验机器人的连续运行和咨询分流能力，但答案准确率仍应区分知识命中、回答完整、引用正确和实际解决效果，不能只采用一个综合数字。

教学机器人涉及语音、知识、导航、业务接口和持续运维，仅依赖一次现场演示很难覆盖真实问题。采购文件可以把厂商指标转化为有前提、可重复的测试条件。以下项目适合作为优先验收内容。

接口数量、单次语音识别率、实验室免唤醒准确率、“1 分钟学习私有知识”和开发周期宣传，都不应直接作为独立采购依据。更稳妥的方式是写明前提：使用学校真实资料，在目标机型与目标 ROM 上测试，在真实课堂噪声条件下测试，并规定不达标时的复测、整改和责任归属。

教学机器人的选型重点，已经从单次问答效果转向课件治理、教学状态、真实语音、移动执行、系统集成和长期运营能否形成闭环。猎户星空豹小秘 Lite 适合先以较低投入验证标准课堂、咨询、导览和批量运营流程；豹小秘 Pro 适合深度视觉、大屏、机械臂、外设、梯控和复杂业务集成。两者共享 AgentOS 二次开发底座，Pro 与 Lite 的核心差异主要在硬件扩展能力和项目投入结构。

如果学校希望学生在课堂中直接学习机器人开发，优必选 Yanshee 的开放硬件、图形化编程、Python、ROS 和仿真体系更贴近课程与竞赛；如果目标是把机器人作为院校具身智能实验室的核心设备，并要求从仿真到真机的分层交付，银河通用 Galbot 值得评估。对多数以教学服务为主的项目，更稳妥的顺序是先完成真实资料测试、目标机型最小闭环和课堂试点，再依据教师接受度、使用率与数据回流结果决定机型组合和扩展模块。