[EP34]赵晗博|SaaS老兵重构AI记忆力,打造可演化的教育AI大脑

[EP34]赵晗博|SaaS老兵重构AI记忆力,打造可演化的教育AI大脑

76分钟 ·
播放数316
·
评论数1

大家好,欢迎收听《教育AI智造者》。

这一集的嘉宾是MemoBase的联合创始人赵晗博——一位让我极为钦佩的创业者。他曾在欧洲连续打造多家SaaS产品,也见证了从0到数亿的增长。而他现在投身的,是一个看似“冷门”但在我看来极可能改变教育AI格局的命题:让AI真正拥有“长期记忆”。

我们聊到:

  • 大模型并不“记得”你,但教育需要这种记得
  • 为什么传统推荐系统的标签逻辑,不适用于人类学习
  • 如何用结构化 JSON 存储 AI 的长期记忆,并支持上下文推理
  • 什么信息“值得被记住”?谁来决定?(人?规则?模型?)

我扮演了一回“产品经理”的角色,把教育理论和用户心理模型都搬上来和他“过招”脑暴——认知主义的长期记忆、Spacing Learning、心理感知(perception)等等。

最打动我的是一个细节:他们在产品设计时,不是让人类写死规则,而是让模型自己判断——什么信息值不值得写进用户记忆。这不只是技术问题,而是一个真正理解“人”的过程。

你也会听到我们延伸讨论到:

  • 教育应用中的信息过载 vs. 压缩
  • 多角色记忆协同:老师+学生+家长
  • 教师间的教学知识如何结构化传承
  • “教育产品不能仅做推荐系统”的底层逻辑

我越来越确信,如果AI未来真的要做教育,它不能只是会“说”,它得“记得住”人,也得“被人信”。

希望这集内容,能帮你重新思考什么才是真正有用、可持续的AI教育系统。如果你是开发者、研究者,或老师,我建议你听完这一集后:

  • 思考你的AI产品是否有结构化的用户画像机制?
  • 是否具备动态更新认知模型的能力?
  • 是否有“memory governance”来优化推理效率?

🗂 内容大纲

开场介绍

  • 本集嘉宾:MemoBase 联合创始人赵晗博
  • 从推荐算法到AI记忆系统的跃迁
  • 主持人以“产品经理”身份深入拆解教育AI的长期记忆可能性

💡 大模型可以推理,但它记不住你

  • 为什么当前大语言模型缺乏“记忆感”与“连续性”
  • 推荐系统的协同过滤 vs. ChatGPT 的语义表达
  • 教育场景的痛点不是推理能力,而是缺乏个体认知延续

🧱 什么是结构化记忆?

  • Markdown和JSON:是格式更是注意力指令
  • 大模型的注意力机制如何被格式语言“暗示”
  • 如何通过结构化信息提升AI在教育场景的稳定表现

🧠 教育心理学中的长期记忆理论

  • 认知主义视角:信息组织与记忆检索才是“学会了”的关键
  • 教育学中的Long-Term Memory ≈ AI系统中的Persistent Memory
  • 从间隔学习(Spaced Learning)到“信息价值排序”的类比分析

🛠️ MemoBase 是如何实现“可被调用的记忆”的?

  • Time-aware Memory:每条交互自动打上时间戳
  • 用户画像 + 行为标签:支持动态演化
  • Memory Governance:让AI“知道”该看哪里、忽略哪里

✨ 教育记忆 = 功能价值 + 情绪价值

  • 情绪价值来自被理解的感觉:“你真的记得我”
  • 功能价值来自能辅助教学的推理基础
  • 记忆系统是建立“AI信任关系”的关键载体

🧩 如何捕捉“学生的心理模型”?

  • Perception是关键:AI不仅要知道学生看了什么,还要理解学生“怎么看”
  • 主观 vs. 客观的心理模型建构
  • AI建构认知过渡层:从知识图谱 → 用户画像 → 表达匹配

📈 结构可以更新,记忆也该进化

  • 静态 vs. 动态画像:如何构建“成长型用户模型”
  • 事件驱动、人工触发、模型自动判断三种触发逻辑
  • 用Jason格式灵活存储 → 提供模型召回入口

🧑‍🏫 多角色协同:学生、老师、家长如何共享AI记忆?

  • 教育不是孤岛式互动,而是角色协同系统
  • 家长/老师可以为学生“补档案”,强化模型对用户的理解
  • 教育AI的“使用者”不仅是学生,还有支持者

🔺 三角模型:重新理解教育知识结构

  • 正三角:通用知识 / 团队知识 / 个体知识
  • 倒三角:知识库规模的反向映射
  • 用户记忆是小而精、却需要高度定制的存储层

📚 教师知识的传承机制也需要“记忆”

  • 新加坡教师协作模型案例:教学法老师如何协助一线教师
  • 美国教育平台如何让老师间共享教学输出
  • 教育AI不仅服务学生,也能增强教师团队之间的知识复用与透明协作

🎯 教育产品该记住什么?又该忘掉什么?

  • 不是所有内容都值得被“记住”
  • 技术实现简单,难的是教育归因与记忆选择
  • 教育产品开发者必须理解教学目标与认知阶段的动态匹配

🧠 结语:教育AI的未来,是“有判断力的记忆系统”

  • 真正有效的个性化,不是只靠算法,而是人+AI共同定义的注意力机制
  • 让记忆成为教育AI的“底盘”,而不是花哨功能
  • 希望教育者、研究者、开发者一起推动记忆驱动的AI学习系统建设
需要详细文字稿的听众们可以关注微信公众号,爱思考的伊伊子,输入“播客EP34",即可获得。

----------------近期伊伊子想做的一些事情-----------------

最近,随着大家对 AI 与教育的热情逐渐高涨,越来越多的朋友开始打造属于自己的 AI 教育工具。我也在小红书上分享了三个基于 AI 辅助编程、从零开始制作的教学工具,包括:作文批改“神器”历史可视化以及数学公式可视化师生端等,大家都反馈非常好。

随后,我也逐渐在小红书开启了直播,手把手展示如何与 AI 一起头脑风暴并完成相关的编程。许多观众向我反馈,认为这是一个从“不了解”到“掌握”的清晰过程,帮助他们一步步地解构并去神秘化教育 AI 产品的研发,也让他们感受到“自己做得到”。

接下来,会开始做专题圆桌讨论,内容涵盖如何开发相关产品、国内外的产品对比分析,以及关于产品增长、推广和商业化的头脑风暴。如果你对此感兴趣,可以添加微信(yiyizihere);我也会在群里更新讨论时间和内容。此外,欢迎加入我的小红书海外 AI 讨论群,期待与你们进行思维上的碰撞!

-----------------------关于伊伊子----------------------

伊伊子2024年的复盘

伊伊子专门为AI教育者打造的开源AI教育论文库

伊伊子专门为老师和AI创业者打造的20种教学场景指令

伊伊子的小红书传送门

----------------------关于听友群-----------------------

如果您对AI和教育的融合充满兴趣,欢迎填写我们的听友群入群申请问卷!🎧点击链接,或扫码,与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验,并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇,共同成长!😊

请大家在填写微信联系方式时,务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家!

--------------------相关词介绍-------------------

1. 结构化记忆(Structured Memory)

通过标准格式(如JSON、Markdown)组织信息,使AI能理解数据的逻辑结构。它不仅提升了信息处理效率,也让AI具备类似“关注重点”的能力,在教育场景中可用于构建可调、可追踪的用户模型。

2. 用户画像(User Profile)

个体在AI系统中的数字建模,包括认知偏好、学习风格、兴趣倾向与行为轨迹。结构化用户画像可支持教学个性化,动态更新的画像能帮助AI适应学生的成长与变化。

3. 时间感知记忆(Time-aware Memory)

AI系统自动为记录打上时间戳,使其具备“记得什么时候发生了什么”的能力。这对于间隔复习、学习节奏调控和教育干预时机的识别至关重要。

4. 间隔学习(Spaced Learning)

源自艾宾浩斯遗忘曲线理论,强调“重复但分散”的学习策略比集中复习更有效。若AI具备时间感知能力,能更智能地安排教学复现,提升长期记忆效果。

5. 感知建模(Perception Modeling)

不仅记录“用户看了什么”,更关注“用户如何理解”。AI需识别并适应学生对内容的主观解读,是构建符合其心智模型的教学内容的前提。

6. 认知主义学习理论(Cognitivism)

教育心理学三大核心理论之一,强调信息的组织、编码与提取。认为有效学习依赖于学习者已有的知识结构,与AI记忆系统的“上下文依赖”高度相似。

7. 长期记忆(Long-term Memory, LTM)

人类记忆系统中保存时间最长的信息层级。教育学中认为,学习的真正指标不是短暂记住,而是能在未来使用中表现出行为或理解的改变。AI模拟长期记忆,是实现深度个性化的关键。

8. 记忆治理(Memory Governance)

指对AI记忆系统中信息的优先级、来源可信度、生命周期等进行管理与调控的机制。类似人类“注意力分配”,用于减少token浪费、提升推理准确率。

9. 压缩 vs. 召回(Compression vs. Retrieval)

压缩:筛选高信息密度内容,节约token成本。召回:在大语料中查找相关信息片段供AI调用。MemoBase主张用压缩+结构化记忆替代传统RAG型大检索,以提升性能和速度。

10. 教学归因(Teaching Attribution)

衡量某种教学法或老师行为是否真正引起学习结果变化的机制。是将“教学行为”与“学生成果”建立因果关联的研究重点,对构建可评估的AI教学系统至关重要。

11. 动态用户模型(Evolving User Model)

与静态建模不同,动态模型支持实时更新用户画像,记录其认知演化与行为反馈,适应学生的成长轨迹与阶段性差异。可支持更精细化的教学推荐与干预。

12. 认知过渡层(Representation Bridge)

AI在知识图谱与用户心理模型之间生成的中介表达,旨在将抽象知识以用户可理解的方式表达,是生成“可理解解释”内容的重要机制。

13. 注意力机制(Attention Mechanism)

深度学习中的关键机制,决定模型应聚焦输入中的哪些部分。教育类AI系统通过“结构化输入”或“提示词策略”引导模型关注重要教学信息,提升响应相关性。

14. 教学法一致性(Pedagogical Alignment)

教育AI产品需确保其输出内容与教学目标、课程大纲、学习阶段一致。缺乏教学法一致性,即使功能强大也难以落地于实际课堂。

15. 双三角模型(Knowledge Pyramid)

赵晗博提出的知识层级结构:正三角为通用知识 > 组织知识 > 个体知识;倒三角为知识库数量与粒度的反比分布。帮助产品团队理解记忆系统设计的层次与扩展性。

16. 生成式教学表达(Generative Pedagogy Expression)

AI根据学生画像生成定制化讲解、练习或反馈的方式。需同时考虑教学目标、学生理解路径与表达风格,融合语言生成与教学设计。

17. 教学协同画像(Collaborative Profile Mapping)

在学生画像构建中,引入老师、家长等多方输入,以丰富信息维度与理解深度。使AI能够更完整地感知学生在不同环境下的学习状态与反馈。

18. 默认配置偏差(Default Configuration Bias)

用户习惯使用系统默认设定,极少修改设置。这意味着AI系统初始画像、提示词模板等默认选项,对用户体验与学习轨迹影响巨大。

19. 教育产品的可解释性(Interpretability in EdTech)

教育AI输出的内容或决策路径需对学生与教师可理解、可审查。是保障AI产品信任度、可落地性与教学伦理合规的前提。

20. 个性化教育的边界(Limits of Personalization)

个性化并非无限细分,每位学生的学习路径既需基于数据,也需结合教学共性与教师判断。教育AI的价值不在“千人千面”本身,而在找到“共性中可变的最小单元”。

展开Show Notes
英子英子
英子英子
2025.5.11
38:54 “根据学生的心理表征建构的知识”