AI Agent 创作课上的计算思维——谁学得最多？中间的那群

设计 AI Agent 需要计算思维。你需要把一个智能体的行为拆解成状态、条件、动作序列——这是抽象化和算法思维的练习。但问题来了：计算思维好的人，是不是越学越多？计算思维差的人，是不是根本学不会？

Sun、Xin、Niu、Li、Huang 和 Chen 用一个为期五天的 AI Agent 创作工作坊来回答这个问题。93 名初中生用 CocoFlow——一个无代码平台——创建自己的 AI Agent。研究前后测了计算思维水平，记录了行为日志，做了访谈。

结果中最重要的发现并非所有人都进步了——而是谁进步最多。

进步最大的是初始计算思维水平中等的学生。不是基础最好的，也不是基础最差的。效应量 η² = 0.55——这是"最优发展区"效应。中等组的学生展现了适应性专长——该抽象时抽象、该具体时具体，不僵化。而高计算思维组的学生有过度设计的倾向——明明可以用简单的条件语句解决的问题，他们非要写成复杂的多层嵌套逻辑。低计算思维组的学生则在任务分解上卡住了——不知道从哪里开始，不知道一个大的 "创建一个客服 Agent" 可以拆成"先定义用户意图、再设计回复模板、最后配置对话流程"这几个步骤。

具体数字：抽象思维提升了 0.71 个效应量，算法思维提升了 0.70。迭代测试参与度是自我效能感提升的显著预测因子（β = 0.20, p = 0.05）。

不清楚的地方：五天的工作坊时间较短——长期效果如何？CocoFlow 的拖拽式界面屏蔽了编程复杂性，但屏蔽掉的那部分可能恰好是计算思维的核心挑战——如果学生以后需要用代码实现 Agent，这些技能能否迁移？

参考文献

1. Sun, Y., Xin, H., Niu, Q., Li, S., Huang, L., & Chen, G. (2026). Computational Thinking Development in AI Agent Creation: A Mixed-Methods Study. arXiv:2605.14330 [cs.CY].

2. Wing, J. M. (2006). Computational Thinking. Communications of the ACM.

3. Brennan, K., & Resnick, M. (2012). New Frameworks for Studying and Assessing the Development of Computational Thinking. AERA.