基于大语言模型多智能体模拟的参与式设计教育创新——住区设计实验探索

本文推荐：清华大学团队开发的MAPS（Multi-agent AI-augmented Participatory System）系统，通过LLM（大语言模型）智能体模拟多元利益相关者互动，革新了参与式设计教学模式。结合DeepSeek V3与TextGrad技术，该系统在住区设计课程中显著提升了学生的批判性反思、协商决策能力及社会公平敏感性，为可持续城市发展教育提供了可扩展的AI增强方案。

　　

Highlight

基于LLM的多智能体参与式系统（MAPS）为设计教育注入了新活力。这一系统通过DeepSeek V₃驱动的虚拟利益相关者模拟，让学生在圆桌讨论、社区投票等场景中体验真实的协商过程。TextGrad技术的加入使智能体行为更具动态一致性，有效弥补了传统工作室教学中 stakeholder（利益相关方）参与不足的缺陷。

Constructivist and Participatory Foundations for Planning Studio

建构主义学习环境的五大原则——真实情境关联、协商共享、批判性质疑等，在MAPS框架中得到充分体现。不同于被动接受知识，学生通过与AI agent（智能体）的迭代对话，在住房偏好测试等实验中主动构建对社区需求的认知，这种模式完美呼应了Arnstein提出的"参与阶梯理论"中"协作"与"赋权"的高阶目标。

Case Study: The Application of MAPS in Residential Area Design

在住区设计工作室的实证案例中，MAPS展现出惊人的教学潜力。通过多轮次角色扮演（如模拟老年居民与年轻家庭的冲突），学生不仅掌握了空间规划技能，更深刻理解了equity（公平性）和transparency（透明度）在城市更新中的核心地位。特别值得注意的是，系统内置的demographic parameters（人口统计参数）有效纠正了传统教学中 stakeholder selection bias（利益相关者选择偏差）的问题。

Pedagogical Evaluation Methods

混合研究方法揭示了MAPS的显著成效：后测数据显示，学生对community needs（社区需求）的理解深度提升47%，negotiation dynamics（协商动态）的敏感度提高32%。质性反馈中，"AI角色立场鲜明"和"约束条件真实"成为高频评价，印证了系统在constructivist learning（建构主义学习）中的独特优势。

Conclusions and Perspectives

作为首个将LLM-agent（大语言模型智能体）深度融入设计教育的开源框架，MAPS的成功验证了AI增强教学的可行性。未来研究可探索跨文化场景下的agent行为差异，并进一步优化conflict resolution algorithms（冲突解决算法），使其成为培养可持续发展领导力的"数字沙盘"。