![[EP34]赵晗博|SaaS老兵重构AI记忆力，打造可演化的教育AI大脑](https://image.xyzcdn.net/FuorYAPLugWD-8riti0aKVFEbxLm.png@small)
336
2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”。
