Изграждане на AI агенти за преподаване и научни изследвания: Три възможни обучения
| Podcast | Подкаст |
| Artificial intelligence is moving beyond chat interfaces. Increasingly, educators and researchers are beginning to build AI agents, systems capable of combining reasoning, institutional knowledge, external tools, and structured workflows to perform meaningful academic tasks. Unlike a single prompt, an AI agent follows a sequence of steps, retrieves information from trusted sources, interacts with digital tools, and produces outputs that remain under human supervision. That framing aligns with current primary documentation from Google, OpenAI, Anthropic, and Microsoft, all of which describe agents in terms of planning, tool use, orchestration, and controllable workflows. Rather than replacing human expertise, AI agents are designed to extend it by automating repetitive work while leaving important academic decisions to instructors and researchers. The process must remain human-centered. Faculty members define the objectives, select the knowledge sources, establish the rules, review the outputs, and remain accountable for every educational or research decision. Building an AI agent does not require creating autonomous systems that operate independently. Instead, it involves designing simple, composable workflow patterns that solve well-defined problems. An agent might retrieve information from a course syllabus before answering a student’s question, compare research papers before drafting a literature review, or gather economic indicators from trusted public databases before preparing a report. Each workflow combines several small actions into a reliable process for faculty to understand, test, and improve. With this perspective in mind, we are considering offering three introductory workshops for faculty members, researchers, and students at the University of Economics Varna. Each workshop approaches AI agent design from a different perspective while emphasizing practical applications in teaching, learning, research, and academic publishing. 1. The first possible version of the workshop, From Prompts to AI Agents, introduces the fundamental concepts of agent design for a broad academic audience. Participants explore how AI agents differ from chatbots by combining goals, knowledge, tools, retrieval, memory, and controlled actions into a complete workflow. Through examples drawn from teaching and research, faculty learn how an AI teaching assistant or research assistant can support routine academic tasks while remaining under continuous human supervision. The workshop focuses on understanding workflows rather than programming. 2. The second possible version of the workshop, Building Research Agents, is designed for researchers, doctoral students, and faculty involved in publishing. Participants examine how AI agents can support literature reviews, evidence synthesis, data collection, manuscript preparation, and research transparency. Particular attention is given to Retrieval-Augmented Generation, source verification, evaluation, and reducing hallucinations. Rather than asking an AI model to write an article, participants learn how an agent can systematically retrieve evidence, compare findings, organize references, and prepare structured drafts that researchers critically review before publication. 3. The third possible version of the workshop, Build Your First AI Agent, offers a practical introduction using accessible no-code and low-code platforms. Participants observe the creation of a simple academic agent capable of interacting with course materials, institutional documents, or public economic datasets such as Eurostat, the National Statistical Institute, or the Bulgarian National Bank. By the end of the session, faculty understand how workflows are assembled, how tools are connected, how outputs are tested, and how small improvements increase reliability over time. These workshop designs rest on four evidence-based ideas: First, novice audiences learn more effectively when they clearly understand what distinguishes an AI agent from a chatbot, including goals, tools, retrieval, memory, and controlled action. Second, introductory workshops should emphasize single-agent or tightly scoped workflows before introducing more complex multi-agent systems. Third, educational and research environments require governance from the beginning, including privacy protection, transparency about AI use, and mandatory human review of outputs. Finally, participants learn faster when workshops begin with a live demonstration, continue with a structured design activity, and conclude with a realistic implementation step that they can apply immediately in their own teaching or research. As AI technologies continue to evolve, universities have an opportunity to move beyond only writing better prompts toward designing reliable, transparent, and responsible academic workflows. Building AI agents should become another component of AI fluency, alongside critical thinking, verification, and responsible AI use. These workshop ideas are only a starting point. We would welcome feedback from faculty, researchers, doctoral students, and students. – Which version of the workshop would be most useful in your work? – What teaching, research, or administrative tasks would you like an AI agent to support? Your ideas will help shape future professional development activities and ensure they address real academic needs. https://www.linkedin.com/posts/the-7-skills-you-need-to-build-ai-agents-share-7476212663094587393-_PwT | Изкуственият интелект постепенно излиза извън рамките на познатите чат интерфейси. Все повече преподаватели и изследователи започват да изграждат AI агенти, системи, които съчетават разсъждение, институционално знание, външни инструменти и структурирани работни процеси, за да изпълняват реални академични задачи. За разлика от единичната подкана, AI агентът следва последователност от действия, извлича информация от надеждни източници, взаимодейства с различни цифрови инструменти и генерира резултати, които остават под човешки контрол. Този подход е в съответствие с актуалната официална документация на Google, OpenAI, Anthropic и Microsoft, които описват AI агентите като системи за планиране, използване на инструменти, оркестрация на процеси и управление на контролируеми работни потоци. Вместо да заменят човешката експертиза, AI агентите са създадени, за да я разширят чрез автоматизиране на повтарящи се дейности, като същевременно оставят важните академични решения в ръцете на преподавателите и изследователите. Процесът трябва да остане ориентиран към човека. Преподавателите определят целите, избират източниците на знания, задават правилата, преглеждат резултатите и носят отговорност за всяко образователно или научно решение. Изграждането на AI агент не означава създаване на напълно автономна система. То представлява проектиране на прости, модулни работни процеси, които решават ясно дефинирани задачи. Един агент може да извлече информация от учебна програма, преди да отговори на студентски въпрос, да сравни научни публикации, преди да подготви литературен обзор, или да събере икономически показатели от надеждни публични бази данни, преди да изготви аналитичен доклад. Всеки работен процес комбинира няколко последователни действия в надеждна система, която преподавателите могат да разбират, тестват и усъвършенстват. От такава перспектива обсъждаме възможността да предложим три въвеждащи обучения за преподаватели, изследователи и студенти в Икономически университет, Варна. Всяко от тях разглежда проектирането на AI агенти от различен ъгъл, като поставя акцент върху практическите приложения в преподаването, ученето, научните изследвания и академичното публикуване. 1. Първата възможна версия за обучение, „От подкани към AI агенти“, представя основните концепции при изграждането на AI агенти за широка академична аудитория. Участниците ще разберат с какво AI агентите се различават от чатботовете, като комбинират цели, знания, инструменти, извличане на информация, памет и контролирани действия в един цялостен работен процес. Чрез примери от преподаването и научните изследвания преподавателите ще видят как AI асистент за обучение или научна работа може да подпомага ежедневните академични дейности, без да заменя човешката експертиза. Основният акцент е върху разбирането на работните процеси, а не върху програмирането. 2. Втората възможна версия за обучение, „Изграждане на AI агенти за научни изследвания“, е предназначено за изследователи, докторанти и преподаватели, които публикуват научни статии. Участниците ще разгледат как AI агентите могат да подпомагат литературните обзори, синтеза на научни доказателства, събирането на данни, подготовката на ръкописи и прозрачността на научните изследвания. Специално внимание ще бъде отделено на Retrieval-Augmented Generation (RAG), проверката на източници, оценяването на резултатите и ограничаването на халюцинациите. Вместо AI моделът директно да генерира научен текст, участниците ще видят как един агент може систематично да открива доказателства, да сравнява резултати, да организира библиографски източници и да подготвя структурирани чернови, които впоследствие се преглеждат критично от изследователя. 3. Третата възможна версия за обучение, „Създайте своя първи AI агент“, предлага практическо въведение чрез достъпни no-code и low-code платформи. Участниците ще наблюдават изграждането на прост академичен AI агент, който работи с учебни материали, институционални документи или публични икономически данни, например от Eurostat, Националния статистически институт или Българската народна банка. До края на обучението преподавателите ще разберат как се изграждат работни процеси, как се свързват външни инструменти, как се тестват резултатите и как последователните подобрения повишават надеждността на системата. Предложените обучения се основават на четири идеи, подкрепени от съвременните изследвания и практиката. Първо, начинаещите усвояват по-лесно новите концепции, когато ясно разбират какво отличава AI агента от чатбота, включително целите, инструментите, извличането на знания, паметта и контролираните действия. Второ, въвеждащите обучения трябва да поставят акцент върху изграждането на един агент или ясно ограничени работни процеси, преди да преминат към по-сложни многоагентни системи. Трето, преподаването и научните изследвания изискват управление и правила още от самото начало, включително защита на личните данни, прозрачност при използването на AI и задължителен човешки преглед на резултатите. И накрая, участниците учат най-ефективно, когато обучението започва с демонстрация, продължава със структурирано проектиране на собствен работен процес и завършва с малка, практически приложима стъпка, която могат веднага да използват в своята преподавателска или изследователска дейност. С развитието на AI технологиите университетите получават възможност да преминат отвъд усъвършенстването на подкани и да започнат да проектират надеждни, прозрачни и отговорни академични работни процеси. Изграждането на AI агенти има потенциала да се превърне в естествено продължение на AI компетентността, наред с критичното мислене, проверката на информацията и отговорното използване на изкуствения интелект. Тези идеи представляват начална основа за дискусия. Ще се радваме да чуем мнението на преподаватели, изследователи, докторанти и студенти от Икономически университет, Варна. – Кое от трите възможни версии на обучения би било най-полезно за вашата работа? – Какви преподавателски, научноизследователски или административни задачи бихте искали да подпомогнете чрез AI агент? Вашите идеи ще ни помогнат да планираме бъдещи обучения, които отговарят на реалните потребности на академичната общност. |