Hello 大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但我越来越觉得，教育 AI 真正困难的问题，可能从来都不是“如何生成”，而是：我们到底应该生成什么？为什么这样生成？以及，我们凭什么认为生成出来的东西有助于学习？ 这一期，我邀请到了 EduAide 联合创始人 Thomas。 EduAide 是一个让我第一次看到就非常感兴趣的产品。它没有把 ChatGPT 简单包装成一个“教师版聊天框”，而是试图做一件困难得多的事情：把教育研究和学习科学真正转化成老师可以直接使用的 AI 工具。 Thomas 自己就是一名教师，也接受过教育研究训练。EduAide 的诞生，也不是从“AI 能做什么”开始，而是从一个老师非常具体的问题开始：ChatGPT 的确可以在几秒钟内生成 worksheet 和 lesson plan，但什么才是一张真正设计得好的 worksheet？一道高质量的 worked example 应该包含什么？什么时候应该使用 retrieval practice？什么时候应该给学生更多引导，又什么时候应该逐渐撤掉 scaffold？ 这些问题的答案，并不在模型本身，而在教学法里。 所以 EduAide 做了一件非常“笨”、却也非常特别的事情：团队筛选和整理了超过 1000 篇教育研究，将研究中的教学原则、适用条件和边界条件组织成知识图谱，再把它们转化为 110 多种教师可以直接使用的教学工具。 而更让我感兴趣的是，他们并没有停留在“把论文塞进 RAG”。 从研究筛选、知识编码，到教学方法的结构化，再到 Prompt、Rubric、Evaluation、Recommendation Engine 和最终可编辑的 Artifact，EduAide 实际上在尝试建立一整条链路： Research → Pedagogy → Tool → Prompt → Generation → Evaluation → Teacher Decision 我们也因此聊到了一个我一直非常关心的问题：如果未来模型越来越强，教育 AI 产品真正需要构建的，究竟是什么？ 也许不是更多内容，而是隐藏在内容背后的教学决策系统。 这一期我们还讨论了很多没有标准答案的问题：老师到底需不需要读论文？AI 帮我们自动阅读研究，是效率提升还是 cognitive offloading？怎样评价一个 AI 生成的教学材料到底“好不好”？为什么一个好的教育 AI 不应该要求老师学习 Prompt Engineering？为什么 Thomas 至今仍然谨慎地不让 AI 直接成为学生的 Tutor？ 最后，我们还聊到了 EduAide 作为一家三人 bootstrap 公司，如何依靠教师订阅生存，再从真实的教师使用反向进入学校和学区。 所以，这一期表面上是在拆解 EduAide，实际上我觉得我们讨论的是一个更大的命题： 当“生成”越来越容易之后，教育 AI 的竞争，会不会最终从模型能力，回到我们对“学习究竟如何发生”的理解？ 🧭 内容大纲 1️⃣ 从老师到创始人：教育 AI 的起点不应该是 AI 能做什么，而应该是什么更可能让学习发生。 2️⃣ 📚 Evidence-Based Teaching：教学其实是一场“概率游戏”, 好的老师不是遵循教学 checklist，而是拥有足够丰富的教学工具箱，并知道什么时候用什么。 3️⃣ 🔬 1000+ 篇论文如何变成 110+ 个 AI 教学工具？论文不是知识库的终点。真正困难的是把 evidence 变成可以执行的 pedagogical decision。 4️⃣ 🧠 AI 可以帮我们读论文，但什么不应该被自动化？Cognitive Offloading 可以节省时间，但如果把形成专业判断力的过程也一起外包，我们可能失去的恰恰是最重要的能力。 5️⃣ 🌉 Research-to-Practice Gap：真正缺失的不是更多教育研究，而是把研究转化成实践的基础设施。 6️⃣ 🛠️ 最好的教育 AI，也许应该让老师“不需要懂 Prompt”:不要训练老师成为 Prompt Engineer，而应该把 Pedagogy 做进产品本身。 7️⃣ 🧩 从 Generator 到 Recommendation Engine: 育 AI 不只是“帮我生成什么”，未来更重要的能力可能是“帮我判断现在应该做什么”。 8️⃣ ⚙️ Prompt Engineering 背后，其实是 Pedagogical Engineering: 真正困难的不是 Prompt 写得多漂亮，而是我们能不能把“好的教学”描述成机器可以执行的结构。 9️⃣ 📏 Rubric + Evaluatio：教育 AI 的护城河可能不只是 Generation，而是 Evaluation——你必须先知道“好”是什么，才能不断逼近它。 🔟 📄 Artifact + Human-in-the-Loop：AI 给起点，老师继续驾驶; 好的教育 AI 不是把教师移出回路，而是让教师拥有更强的 Agency。 1️⃣1️⃣ 🎮 为什么“游戏 + 答题”并不等于 Game-Based Learning？真正的学习游戏，应该让“赢得游戏”本身就意味着学生展示了对学习目标的掌握。 1️⃣2️⃣ 🤖 为什么 EduAide 没有急着做 AI Tutor？AI → Teacher → Student，可能仍然是现阶段非常值得认真探索的一种教育 AI 架构。 1️⃣3️⃣ 💰 三个人的 Bootstrap 公司，如何与 EdTech 巨头竞争？ 1️⃣4️⃣ 🌱 当生成越来越便宜，教育 AI 最后在竞争什么？ 也许教育 AI 最终真正竞争的，不是谁生成得更多，而是谁对学习理解得更深。 -----------------------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！ ========================关键词解析======================== 01｜Evidence-Based Teaching｜循证教学 循证教学并不是“研究证明这种教学法最好”，而是依据已有研究，选择在特定学习者、内容和环境下更可能促进学习的方法。Thomas 特别强调它的边界条件：一种有效方法并不会在任何课堂、任何学生身上都同样有效。 02｜Retrieval Practice｜检索练习 检索练习指主动从记忆中提取已经学习的信息，而不仅仅是重新阅读材料。测验、回忆问题等都可能成为检索练习。它的重要价值之一，是让“回忆”本身成为学习过程，而不只是学习结束后的检查。 03｜Cognitive Load｜认知负荷 人的工作记忆容量有限。如果题目的措辞、界面或无关信息消耗了过多注意力，学生用于理解核心知识的认知资源就会减少。Thomas 提到“最低限度差异化”的题目设计，就是希望减少与学习目标无关的额外负荷。 04｜Prior Knowledge｜先验知识 学生进入一个学习任务之前已经拥有的知识和技能。它不仅包括“知道什么”的陈述性知识，也包括阅读、分析、写作、解题等程序性能力。同一种教学方式对初学者和已有丰富先验知识的学习者，效果可能完全不同。 05｜Worked Example｜范例题 / 完整示例 Worked Example 不只是“给学生看答案”，而是把解决问题的过程显性化，让学生看到每一步为什么发生。高质量范例还可能加入 self-explanation、常见错误、部分完成练习，以及逐步撤除支架等设计。 06｜Scaffolding & Fading｜脚手架与逐步撤除 Scaffolding 是在学生尚不能独立完成任务时提供结构性支持；Fading 则意味着随着能力提升逐步撤掉这些支持。EduAide 的范例题会从完整示范走向 partially completed example，让学生逐渐承担更多认知工作。 07｜Self-Explanation｜自我解释 不是让学生简单重复“这一步做了什么”，而是要求他们解释“为什么这样做”。例如：“为什么这一步首先使用分配律？”这种活动迫使学习者连接已有知识、推理过程与当前问题，加深对底层结构的理解。 08｜TPACK｜技术—教学法—学科内容知识 TPACK（Technological Pedagogical Content Knowledge）强调，优秀的技术整合并不是单独懂技术、教学法或学科内容，而是理解三者如何相互作用。AI 时代的问题因此不只是“模型能做什么”，而是它如何进入具体学科的教学决策。 09｜Knowledge Graph｜知识图谱 在 EduAide 的语境里，知识图谱不是简单储存论文，而是把研究、教学方法、适用情境、资源类型等关系组织起来，让系统能够理解某项研究与某个教学工具之间为什么相关，从而支撑推荐、生成和评估。 10｜Rubric-Based Evaluation｜基于评分标准的评估 与其笼统地问“AI 输出好不好”，不如把质量拆成可检查的标准。例如：是否有逐步引导？是否包含自我解释？是否提供后续练习？EduAide 会让不同 Prompt 在不同主题和年级上重复生成，再根据 rubric 比较稳定性。 11｜Cognitive Offloading｜认知卸载 认知卸载是把原本需要自己完成的认知任务交给外部工具，例如让 AI 搜索、阅读和总结论文。它可以提高效率，但 Thomas 提出了一个重要风险：如果一个初学者研究者过早把全过程交给 AI，可能也失去了形成研究判断力的机会。 12｜Research-to-Practice Gap｜研究—实践鸿沟 教育研究中已经存在大量关于学习和教学的知识，但这些知识往往没有进入真实课堂。Thomas 认为，问题不应该简单归咎于“老师不读论文”，而是研究成果缺少能够直接转化成不同学科、不同课堂情境的实施形式。 13｜Recommendation Engine｜推荐引擎 与“你问什么 AI 就生成什么”不同，EduAide 会尝试先识别教师的教学意图，再把目标匹配到适合的教学工具。这里 AI 承担了一部分 pedagogical selection：不仅生成资源，也开始帮助老师判断“此时可能应该使用什么”。 14｜Artifact｜可操作的生成对象 Artifact 指 AI 生成后能够继续编辑、评估、组合和迭代的对象，而不是聊天框里一次性的答案。对于教育 AI 来说，这一点尤其重要：教学材料天然需要老师根据学生、课堂和实际实施情况持续修改。 15｜Human-in-the-Loop｜人在回路中 Human-in-the-Loop 强调 AI 并不是封闭地完成整个决策，而是让人类持续参与判断和修正。在 EduAide 中，AI 可以生成、推荐和评估，但教师仍然能够编辑 Artifact、改变方向，并决定最终如何进入真实课堂。 16｜Teacher Agency｜教师主体性 教师主体性指教师能够基于自己的专业判断、课堂情境和学生需求做出决定，而不是被技术规定教学路径。好的教育 AI 不一定意味着“替老师多做一些”，也可能意味着给老师更好的结构和信息，让老师拥有更强的决策能力。 17｜Game-Based Learning｜游戏化学习 / 基于游戏的学习 真正的 Game-Based Learning 不只是给练习题套上积分、角色或闯关外壳。Thomas 提出的一个很好的判断标准是：游戏的胜利状态能否直接体现学习目标的掌握？ 如果拿掉题目后游戏依然完全成立，它可能只是“答题换皮”。 18｜Bootstrapping｜自力创业 Bootstrapping 指公司主要依靠创始团队和自身收入发展，而非依赖外部风险投资。EduAide 采用教师个人订阅形成稳定 MRR，再通过教师在学校内部的自然采用进入学区市场，使商业增长与真实用户使用形成连接。

Hello 大家好，欢迎回到《教育AI智造者》。 过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。 但我越来越觉得，教育 AI 真正困难的问题，可能从来都不是“如何生成”，而是：我们到底应该生成什么？为什么这样生成？以及，我们凭什么认为生成出来的东西有助于学习？ 这一期，我邀请到了 EduAide 联合创始人 Thomas。 EduAide 是一个让我第一次看到就非常感兴趣的产品。它没有把 ChatGPT 简单包装成一个“教师版聊天框”，而是试图做一件困难得多的事情：把教育研究和学习科学真正转化成老师可以直接使用的 AI 工具。 Thomas 自己就是一名教师，也接受过教育研究训练。EduAide 的诞生，也不是从“AI 能做什么”开始，而是从一个老师非常具体的问题开始：ChatGPT 的确可以在几秒钟内生成 worksheet 和 lesson plan，但什么才是一张真正设计得好的 worksheet？一道高质量的 worked example 应该包含什么？什么时候应该使用 retrieval practice？什么时候应该给学生更多引导，又什么时候应该逐渐撤掉 scaffold？ 这些问题的答案，并不在模型本身，而在教学法里。 所以 EduAide 做了一件非常“笨”、却也非常特别的事情：团队筛选和整理了超过 1000 篇教育研究，将研究中的教学原则、适用条件和边界条件组织成知识图谱，再把它们转化为 110 多种教师可以直接使用的教学工具。 而更让我感兴趣的是，他们并没有停留在“把论文塞进 RAG”。 从研究筛选、知识编码，到教学方法的结构化，再到 Prompt、Rubric、Evaluation、Recommendation Engine 和最终可编辑的 Artifact，EduAide 实际上在尝试建立一整条链路： Research → Pedagogy → Tool → Prompt → Generation → Evaluation → Teacher Decision 我们也因此聊到了一个我一直非常关心的问题：如果未来模型越来越强，教育 AI 产品真正需要构建的，究竟是什么？ 也许不是更多内容，而是隐藏在内容背后的教学决策系统。 这一期我们还讨论了很多没有标准答案的问题：老师到底需不需要读论文？AI 帮我们自动阅读研究，是效率提升还是 cognitive offloading？怎样评价一个 AI 生成的教学材料到底“好不好”？为什么一个好的教育 AI 不应该要求老师学习 Prompt Engineering？为什么 Thomas 至今仍然谨慎地不让 AI 直接成为学生的 Tutor？ 最后，我们还聊到了 EduAide 作为一家三人 bootstrap 公司，如何依靠教师订阅生存，再从真实的教师使用反向进入学校和学区。 所以，这一期表面上是在拆解 EduAide，实际上我觉得我们讨论的是一个更大的命题： 当“生成”越来越容易之后，教育 AI 的竞争，会不会最终从模型能力，回到我们对“学习究竟如何发生”的理解？ 🧭 内容大纲 1️⃣ 从老师到创始人：教育 AI 的起点不应该是 AI 能做什么，而应该是什么更可能让学习发生。 2️⃣ 📚 Evidence-Based Teaching：教学其实是一场“概率游戏”, 好的老师不是遵循教学 checklist，而是拥有足够丰富的教学工具箱，并知道什么时候用什么。 3️⃣ 🔬 1000+ 篇论文如何变成 110+ 个 AI 教学工具？论文不是知识库的终点。真正困难的是把 evidence 变成可以执行的 pedagogical decision。 4️⃣ 🧠 AI 可以帮我们读论文，但什么不应该被自动化？Cognitive Offloading 可以节省时间，但如果把形成专业判断力的过程也一起外包，我们可能失去的恰恰是最重要的能力。 5️⃣ 🌉 Research-to-Practice Gap：真正缺失的不是更多教育研究，而是把研究转化成实践的基础设施。 6️⃣ 🛠️ 最好的教育 AI，也许应该让老师“不需要懂 Prompt”:不要训练老师成为 Prompt Engineer，而应该把 Pedagogy 做进产品本身。 7️⃣ 🧩 从 Generator 到 Recommendation Engine: 育 AI 不只是“帮我生成什么”，未来更重要的能力可能是“帮我判断现在应该做什么”。 8️⃣ ⚙️ Prompt Engineering 背后，其实是 Pedagogical Engineering: 真正困难的不是 Prompt 写得多漂亮，而是我们能不能把“好的教学”描述成机器可以执行的结构。 9️⃣ 📏 Rubric + Evaluatio：教育 AI 的护城河可能不只是 Generation，而是 Evaluation——你必须先知道“好”是什么，才能不断逼近它。 🔟 📄 Artifact + Human-in-the-Loop：AI 给起点，老师继续驾驶; 好的教育 AI 不是把教师移出回路，而是让教师拥有更强的 Agency。 1️⃣1️⃣ 🎮 为什么“游戏 + 答题”并不等于 Game-Based Learning？真正的学习游戏，应该让“赢得游戏”本身就意味着学生展示了对学习目标的掌握。 1️⃣2️⃣ 🤖 为什么 EduAide 没有急着做 AI Tutor？AI → Teacher → Student，可能仍然是现阶段非常值得认真探索的一种教育 AI 架构。 1️⃣3️⃣ 💰 三个人的 Bootstrap 公司，如何与 EdTech 巨头竞争？ 1️⃣4️⃣ 🌱 当生成越来越便宜，教育 AI 最后在竞争什么？ 也许教育 AI 最终真正竞争的，不是谁生成得更多，而是谁对学习理解得更深。 -----------------------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！ ========================关键词解析======================== 01｜Evidence-Based Teaching｜循证教学 循证教学并不是“研究证明这种教学法最好”，而是依据已有研究，选择在特定学习者、内容和环境下更可能促进学习的方法。Thomas 特别强调它的边界条件：一种有效方法并不会在任何课堂、任何学生身上都同样有效。 02｜Retrieval Practice｜检索练习 检索练习指主动从记忆中提取已经学习的信息，而不仅仅是重新阅读材料。测验、回忆问题等都可能成为检索练习。它的重要价值之一，是让“回忆”本身成为学习过程，而不只是学习结束后的检查。 03｜Cognitive Load｜认知负荷 人的工作记忆容量有限。如果题目的措辞、界面或无关信息消耗了过多注意力，学生用于理解核心知识的认知资源就会减少。Thomas 提到“最低限度差异化”的题目设计，就是希望减少与学习目标无关的额外负荷。 04｜Prior Knowledge｜先验知识 学生进入一个学习任务之前已经拥有的知识和技能。它不仅包括“知道什么”的陈述性知识，也包括阅读、分析、写作、解题等程序性能力。同一种教学方式对初学者和已有丰富先验知识的学习者，效果可能完全不同。 05｜Worked Example｜范例题 / 完整示例 Worked Example 不只是“给学生看答案”，而是把解决问题的过程显性化，让学生看到每一步为什么发生。高质量范例还可能加入 self-explanation、常见错误、部分完成练习，以及逐步撤除支架等设计。 06｜Scaffolding & Fading｜脚手架与逐步撤除 Scaffolding 是在学生尚不能独立完成任务时提供结构性支持；Fading 则意味着随着能力提升逐步撤掉这些支持。EduAide 的范例题会从完整示范走向 partially completed example，让学生逐渐承担更多认知工作。 07｜Self-Explanation｜自我解释 不是让学生简单重复“这一步做了什么”，而是要求他们解释“为什么这样做”。例如：“为什么这一步首先使用分配律？”这种活动迫使学习者连接已有知识、推理过程与当前问题，加深对底层结构的理解。 08｜TPACK｜技术—教学法—学科内容知识 TPACK（Technological Pedagogical Content Knowledge）强调，优秀的技术整合并不是单独懂技术、教学法或学科内容，而是理解三者如何相互作用。AI 时代的问题因此不只是“模型能做什么”，而是它如何进入具体学科的教学决策。 09｜Knowledge Graph｜知识图谱 在 EduAide 的语境里，知识图谱不是简单储存论文，而是把研究、教学方法、适用情境、资源类型等关系组织起来，让系统能够理解某项研究与某个教学工具之间为什么相关，从而支撑推荐、生成和评估。 10｜Rubric-Based Evaluation｜基于评分标准的评估 与其笼统地问“AI 输出好不好”，不如把质量拆成可检查的标准。例如：是否有逐步引导？是否包含自我解释？是否提供后续练习？EduAide 会让不同 Prompt 在不同主题和年级上重复生成，再根据 rubric 比较稳定性。 11｜Cognitive Offloading｜认知卸载 认知卸载是把原本需要自己完成的认知任务交给外部工具，例如让 AI 搜索、阅读和总结论文。它可以提高效率，但 Thomas 提出了一个重要风险：如果一个初学者研究者过早把全过程交给 AI，可能也失去了形成研究判断力的机会。 12｜Research-to-Practice Gap｜研究—实践鸿沟 教育研究中已经存在大量关于学习和教学的知识，但这些知识往往没有进入真实课堂。Thomas 认为，问题不应该简单归咎于“老师不读论文”，而是研究成果缺少能够直接转化成不同学科、不同课堂情境的实施形式。 13｜Recommendation Engine｜推荐引擎 与“你问什么 AI 就生成什么”不同，EduAide 会尝试先识别教师的教学意图，再把目标匹配到适合的教学工具。这里 AI 承担了一部分 pedagogical selection：不仅生成资源，也开始帮助老师判断“此时可能应该使用什么”。 14｜Artifact｜可操作的生成对象 Artifact 指 AI 生成后能够继续编辑、评估、组合和迭代的对象，而不是聊天框里一次性的答案。对于教育 AI 来说，这一点尤其重要：教学材料天然需要老师根据学生、课堂和实际实施情况持续修改。 15｜Human-in-the-Loop｜人在回路中 Human-in-the-Loop 强调 AI 并不是封闭地完成整个决策，而是让人类持续参与判断和修正。在 EduAide 中，AI 可以生成、推荐和评估，但教师仍然能够编辑 Artifact、改变方向，并决定最终如何进入真实课堂。 16｜Teacher Agency｜教师主体性 教师主体性指教师能够基于自己的专业判断、课堂情境和学生需求做出决定，而不是被技术规定教学路径。好的教育 AI 不一定意味着“替老师多做一些”，也可能意味着给老师更好的结构和信息，让老师拥有更强的决策能力。 17｜Game-Based Learning｜游戏化学习 / 基于游戏的学习 真正的 Game-Based Learning 不只是给练习题套上积分、角色或闯关外壳。Thomas 提出的一个很好的判断标准是：游戏的胜利状态能否直接体现学习目标的掌握？ 如果拿掉题目后游戏依然完全成立，它可能只是“答题换皮”。 18｜Bootstrapping｜自力创业 Bootstrapping 指公司主要依靠创始团队和自身收入发展，而非依赖外部风险投资。EduAide 采用教师个人订阅形成稳定 MRR，再通过教师在学校内部的自然采用进入学区市场，使商业增长与真实用户使用形成连接。

Hello 大家好，欢迎回到《教育AI智造者》。 这是《教育AI思考课》的又一期单口节目。最近我连续看了很多 Solo Founder（一人创始人）的故事：有人一个人把公司做到百万美元收入，也有人开始尝试用一个真人加一整套 AI Agents，去完成过去需要产品、工程、客服、运营共同完成的工作。 看得越多，我越觉得真正有意思的不是「AI 让一个人也能开公司」，而是公司本身正在从一个由职位组成的组织，变成一个由 Workflows（工作流）组成的系统。 所以这一期我想做一个有点大胆的思想实验： 如果这种变化发生在教育里，一人教育公司会是什么样子？ 它只是一个老师带着几十个 AI Agent 疯狂生成课程，还是有可能让一个教育者拥有一所很小、却能够持续诊断、反馈、调整和学习的「学校」？ 这一期，我们就从几家真实的 Solo Founder 公司出发，拆一拆这个还没有答案的问题。 如果你是一位教师、教育创业者、AI 产品经理、学习科学研究者，或者你正在 Vibe Coding 自己的教育产品，我希望这一期能够给你一个不同的问题： 当 AI 已经可以帮你写课、出题、批改、做视频、建网站的时候——你真正想创造的，到底是什么？ 🧭 本期内容 * 为什么 Solo Founder 值得教育行业关注？ * Fondo、Chatbase、WorkOS、Wabi、Pulsia 分别在卖什么？ * 为什么 AI 公司真正产品化的往往不是 AI，而是 Workflow？ * Demo、Tool 和 Company 到底有什么区别？ * 为什么教育比会计、客服和企业软件更难自动化？ * 为什么 Content Generation 不等于 Learning？ * 什么才是一条真正完整的 Learning Workflow？ * 一人教育公司的三层结构：学习、教学运营与商业 * 一个老师 + AI Agents，真的可以服务更多学生吗？ * 哪些教育工作可以自动化，哪些必须 Human-in-the-loop？ * 教育版 Chatbase 会是什么？ * 教育版 Fondo 会是什么？ * 教育版 WorkOS 会不会成为 Learning Infrastructure？ * 什么是 Pedagogical Infrastructure？ * 教育版 Wabi：软件会不会成为新的学习产物？ * 教育版 Pulsia：AI 能不能帮助一个老师运行一家公司？ * 中国和美国的一人教育公司为什么可能走出不同路径？ * 从小工具到真正公司，需要经历哪些阶段？ * 一人教育公司究竟应该卖软件、服务，还是基础设施？ * 当 Vibe Coding 让功能越来越容易复制，真正的壁垒是什么？ * Workflow、Evidence、Trust、Distribution 与 Pedagogical Values * 为什么「Human-in-the-loop」本身也可能成为一种假象？ * 一人教育公司最值得警惕的六个风险 * AI 时代，公司会不会从 Organization Chart 变成 Workflow System？ * 最后一个问题：当生成已经不再困难，我们真正应该设计什么？ -----------------------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！ 📚 本期关键词 Solo Founder（一人创始人） 由单个创始人启动和经营公司的创业形态。Solo Founder 并不意味着公司永远只有一个人，而是公司不需要从寻找联合创始人、组建完整团队开始。AI Coding、自动化和 AI Agents 正在进一步扩大单个创始人的执行能力。 One-person Company（一人公司） 一种新的组织想象：大量过去需要不同岗位完成的工作，被软件、自动化和 AI Agents 承担，人类创始人主要负责方向、品味、价值判断、关键关系和高风险决策。 它真正改变的可能不是公司人数，而是我们定义「公司」的方式。 Workflow（工作流） 为了持续完成某个目标而连接起来的一系列状态、任务、判断和反馈。 本期最重要的观察之一是： AI 公司真正产品化的往往不是 AI，而是 Workflow。 模型提供能力，Workflow 决定这些能力如何持续产生价值。 Fondo 面向创业公司的财务、会计、税务和合规服务。它代表了一类非常典型的创业机会：解决用户「必须完成、反复发生、做错代价很高、但又非常不想自己完成」的工作。 Chatbase 允许企业将网站、文档和自己的知识资料接入 AI 问答系统的产品。Chatbase 的早期机会来自一个非常具体的缺口：基础模型很强，但并不了解用户自己的资料。 本期借它讨论的问题是：教育版 Chatbase 是否应该从 Knowledge Q&A（知识问答）继续走向 Teaching Decision Support（教学决策支持）？ WorkOS 帮助 SaaS 产品获得 Single Sign-On（单点登录）、目录同步、审计日志等企业能力的基础设施公司。 本期把 WorkOS 当成一种商业模式来思考： 与其做所有教育应用，有没有可能为所有教育应用提供共同需要的学习基础设施？ Wabi 尝试让普通人通过 AI 创造属于自己的软件。它代表一种新的软件观：软件不一定首先是一门生意，也可以像文字、音乐、绘画一样成为个人表达和创造的媒介。 放到教育中，它引出了一个新的可能： Software as Learning Artifact——软件本身也可以成为学习产物。 Pulsia 尝试通过多个 AI Agents 帮助一个创业者建立和运营公司的产品。市场、产品、工程、客服等工作逐渐被拆解为可以由不同 Agent 承担的 Workflow。 本期借 Pulsia 思考：未来一个教育者是否也可能拥有课程、评估、研究、运营和沟通 Agents？ Demo → Tool → Company 本期提出的一个重要区分。 Demo 证明某件事情技术上能够实现。 Tool 让别人可以稳定重复使用这项能力。 Company 则需要形成完整、可持续的价值交付循环。 在教育 AI 中，一个漂亮 Demo 与一个真正改善学习的公司之间，还有非常长的距离。 Learning Workflow（学习工作流） 把学习过程中原本分散的环节连接成持续反馈循环： 目标 → 诊断 → 任务 → 尝试 → 学习证据 → 支架 → 再尝试 → 反馈 → 复习 → 迁移 → 更新学习者模型。 它与单纯 Content Generation 最大的区别，是系统会根据学习者的行为持续改变下一步。 Learning Process Design（学习过程设计） 关注「一个系统如何持续学习」的设计方法。 它不只是设计教学内容，而是设计目标、证据、任务、反馈、支架、评价、记忆、失败分析和下一步经验。 本期的一人教育公司，可以看成 Learning Process Design 在组织和商业层面的进一步延伸。 Content Generation（内容生成） 利用 AI 自动生成教案、练习、解释、课件、视频和学习材料。 生成能力已经快速商品化，但： 生成更多教育内容 ≠ 产生更多学习。 真正困难的问题是：什么内容应该在什么时间，以什么形式，提供给什么样的学习者？ Learner Model（学习者模型） 系统对学习者当前知识、能力、误解、行为模式、历史表现以及支架依赖程度形成的动态表示。 好的 Learner Model 不是给学生贴一个固定标签，而应该随着新的学习证据持续更新。 Learning Evidence（学习证据） 能够帮助我们判断学习是否真正发生的行为和表现。 它不仅包括分数，也可以包括错误类型、解释过程、提示依赖程度、修改轨迹、反应时间、迁移表现等。 未来教育 AI 的重要资产可能不是生成了多少内容，而是积累了多少可靠的 Learning Evidence。 Scaffolding（学习支架） 在学习者暂时无法独立完成任务时提供适量支持，并随着能力提高逐渐撤除帮助。

Hello 大家好，欢迎回到《教育AI智造者》。 这是《教育AI思考课》的第一期， 是《教育AI智造者》推出的新系列。在这个系列里，我不会采访嘉宾，而是分享最近让我反复思考的一篇论文、一场访谈、一款产品，或者一个正在发生的行业变化。 我希望做的不只是新闻解读，也不是产品评测，而是试着把教育学、学习科学、人工智能和软件工程放在同一张桌子上，看看它们之间正在发生怎样新的连接。每一期节目，我都会从一个具体事件出发，结合公开资料、相关研究，以及我自己的产品实践和工程经验，把零散的信息整理成一条更完整的思考路径。这些节目没有标准答案，它们更像是我在 AI 时代持续学习和研究的一本公开笔记。如果这些思考也能启发你的工作、学习，或者让你开始提出新的问题，那它就已经完成了它存在的意义。 最近 Anthropic 发布了 Claude for Teachers，很多讨论都集中在一个问题上：AI 会不会改变教师备课？会不会成为下一代教学助手？这些当然都是值得关注的问题，但真正吸引我的，却不是这个产品本身。 几乎同一时间，我听完了 Anthropic 产品负责人 Fiona Fung 在 Lenny's Podcast 上的一场长达两个多小时的访谈。她谈的是 Claude Code、软件工程、Agent、团队管理，以及 AI 如何改变产品开发。但听着听着，我越来越觉得，她真正描述的，其实不是软件工程，而是一件教育学已经研究了几十年的事情——学习（Learning）。 当 AI 可以几分钟写完过去几周才能完成的代码之后，Coding 不再是瓶颈；真正困难的开始变成：我们怎样知道它做得对？怎样定义「什么是好」？怎样设计反馈？怎样持续学习？ 这让我开始重新思考一个问题： 如果 Prompt Engineering 不是未来 AI Engineering 的核心，那么未来真正需要被设计的，到底是什么？ 我越来越相信，答案可能不是 Prompt，而是 Learning Process Design（学习过程设计）。 它不是传统意义上的 Instructional Design（教学设计），也不仅仅是在设计一节课，而是在设计一个持续学习的系统：目标如何定义？证据如何收集？反馈如何形成？失败如何分析？下一步经验如何安排？人什么时候介入？Agent 什么时候独立行动？评分器怎样帮助系统不断调整自己的行为？ 如果把这个视角放回教育，我们会发现很多熟悉的概念开始拥有新的意义：Rubric（量规）越来越像 Model Grader（模型评分器）；Formative Assessment（形成性评价）越来越像 Continuous Evaluation（持续评估）；Scaffolding（支架）开始帮助我们理解 Agent 为什么需要不同程度的自主性；Learning Progression（学习进阶）也开始对应模型训练中的 Curriculum（课程训练）。 所以，这一期节目并不是一场 Claude for Teachers 的产品分析，而更像是一次关于 Learning Process Design 的探索。我希望借助 Anthropic 最近的一系列实践，讨论一个更大的问题： 未来真正的 AI Engineering，会不会越来越像 Learning Engineering（学习系统工程）？而教育学，会不会不再只是 AI 的应用场景，而逐渐成为 AI 系统设计本身的一部分？ 如果你是一位教师、研究者、AI 工程师、产品经理，或者正在思考 Agent、Post-training、Evaluation、Learning Science，那么我希望这一期，能够带给你一些新的连接。 🧭 本期内容 * Claude for Teachers 为什么只是这期节目的起点？ * Fiona Fung 描述的 Anthropic，到底发生了什么变化？ * 为什么 Coding 不再是 AI 工程最大的瓶颈？ * Verification（验证）为什么成为未来 AI 的核心能力？ * 为什么 Rubric 正在变成 Model Grader？ * 为什么 Prompt Engineering 只是 Learning Process Design 的一个组成部分？ * 什么是 Learning Process Design？ * 为什么未来 AI Engineering 更像是在设计学习，而不是设计输出？ * Adaptive Post-training 为什么越来越接近教育学？ * Learning Science 会不会成为 AI Infrastructure（AI 基础设施）的一部分？ * 教师未来最大的价值，会不会是参与定义 AI 如何学习？ -----------------------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！ ------------------------📚 本期关键词------------------------ Claude for Teachers（面向教师的 Claude） Anthropic 推出的教育产品，面向 K–12 教师，希望帮助教师完成备课、课程设计、学习活动、评价反馈等工作。本期节目并没有把重点放在产品功能，而是借助它讨论一个更深的问题：AI 是否真正理解教学，还是只是生成了看起来像教学的内容。 Claude Code（Claude 编程助手） Anthropic 推出的 AI Coding Agent。它不仅能够生成代码，还可以理解整个代码库、执行修改、运行测试、持续完成复杂开发任务。Claude Code 代表着 AI 开始从回答问题，进入真实的软件工程工作流。 Builder（创造者） Builder 并不仅仅是工程师，而是能够主动发现问题、快速验证想法、持续学习的人。随着 AI Coding 普及，产品经理、设计师、教师和研究者，都开始拥有创造软件的能力，因此 Builder 正逐渐成为一种新的工作方式，而不仅仅是一种职业。 Verification（验证） 当生成越来越便宜，验证开始变得越来越昂贵。Verification 不只是检查代码能不能运行，而是在持续判断：系统是否真正完成目标？是否帮助用户？是否仍然符合设计原则？教育中的教师评价，本质上也是一种持续的 Verification。 Test-driven Development（测试驱动开发） 软件工程中的经典开发方法。先定义什么叫正确，再开始实现功能。随着 AI Coding 的出现，测试越来越容易生成，也让「先定义评价标准，再完成任务」重新成为软件工程的重要思想。这与教育中先定义学习目标和评价标准，再设计学习活动，有着高度一致的结构。 Rubric（量规） 教育评价中最经典的工具之一。它通过多个维度，把「什么叫做好」明确表达出来。未来越来越多 Model Grader，其实都是 Rubric 的工程化表达。 Model Grader（模型评分器） 负责评价 AI 输出质量的系统。它根据预先定义好的标准，对模型回答进行评分、解释和反馈，并决定模型下一步如何继续学习。 Operationalization（操作化） 把抽象概念变成可以观察、评价、执行和训练的结构。例如，「创造力」「理解」「同理心」，都需要进一步定义可观察证据，才能真正进入 AI 系统。 Externalization（知识外化） 本期提出的一个重要思考。当 AI 开始参与复杂工作，人类过去依赖经验完成的判断，被迫逐渐表达成系统能够理解的形式。从这个角度看，AI 并不是替代专业知识，而是在推动隐性知识不断外化。 Learning Process Design（学习过程设计） 本期最核心的概念。它关注的不只是学生如何学习，而是任何具有持续反馈能力的系统——包括学生、教师、Agent、模型——如何不断获得经验、调整行为、形成能力。Learning Process Design 包括目标设计、评价标准、反馈循环、失败分析、记忆机制、自适应任务生成等多个组成部分。 Prompt Engineering（提示词工程） 设计 Prompt 只是 Learning Process Design 中一个非常小的组成部分。真正重要的是整个学习循环，而不是某一次输入。 Adaptive Post-training（自适应后训练） 根据模型当前失败原因，而不是统一增加更多数据，动态决定下一步最值得提供什么学习经验。这与教师根据学生不同错误原因设计不同教学策略高度相似。 Learning Engineering（学习系统工程） 未来 AI Engineering 一个可能的发展方向。相比传统软件开发，它更关注如何持续设计学习、评价、反馈和能力形成，而不仅仅是功能实现。 Pedagogical Agent（教学智能体） 能够持续观察学习证据、形成学习者模型、动态调整教学任务和支架，而不仅仅回答问题的 AI Agent。它更像一个不断进行形成性评价的教师，而不是聊天机器人。 Formative Assessment（形成性评价） 教育中持续收集学习证据、不断调整教学策略的一种评价方式。相比最终考试，它更加关注学习过程，也越来越成为 AI 持续评估的重要参考框架。 Scaffolding（支架） 根据学习者当前能力，提供适量帮助，并随着能力提升逐渐撤除支持。未来不仅适用于学生，也适用于 Agent 的自主性设计和 Post-training。 Learning Progression（学习进阶） 学习科学中的重要概念，强调知识和能力应该按照一定顺序逐步发展，而不是随机学习。对应 AI 中的 Curriculum Learning（课程式训练），帮助模型循序渐进形成能力。 Latent Demand（潜在需求） 用户没有直接表达，却通过绕路、拼接多个工具、反复修改工作流而暴露出来的真实需求。观察这些行为，比直接询问「想要什么功能」更接近产品创新。 Dogfooding（自己使用自己的产品） 团队长期使用自己开发的产品完成真实工作，而不仅仅演示功能。对于教育 AI 来说，也意味着开发者应该亲自使用自己的工具学习、备课和研究，才能真正理解学习体验。 Routine（例行智能任务） Agent 自动执行的长期异步任务，例如持续阅读用户反馈、分析数据、整理报告等。Routine 让 AI 从即时问答，逐渐变成持续协作的工作伙伴。 Agency（主动能动性） 不仅意味着主动完成任务，更意味着主动发现问题、提出假设、决定下一步行动，并承担结果。在教育中，它对应学生的学习自主性；在 Agent 中，则对应持续学习和自主决策能力。 AI Infrastructure（AI 基础设施） 传统意义上的 AI Infrastructure 指算力、模型和数据库。而本期提出了一个新的视角：未来 Learning Science 中关于目标、评价、反馈、学习路径等知识，也可能逐渐成为 AI 系统新的基础设施。因为真正决定系统持续进化方向的，不再只是模型，而是学习本身。

最近有一段时间没有更新《教育AI智造者》。 其实这几个月我一直都在录节目，只不过，大部分时间都投入到了一个新的采访计划， 开启一个新的系列——《教育人与 Vibe Coding》。 这里不会讨论哪个模型跑分最高，也不会比较哪一个 Agent 更厉害。我更关心的是，AI 正在如何改变教育工作者的工作方式、思考方式，以及他们看待教育本身的方式。 如果你也是老师、研究者，或正在教育现场尝试 AI，也欢迎来到节目分享你的故事。 📮 投稿 / 联系方式： yi.wang.ed.ai@gmail.com 这一期，我们邀请到的是 李老师。 过去一年，她几乎每天都和 ChatGPT 一起工作。 她利用 AI 做出了自己的英语学习平台，把写作批改、口语练习、词汇学习等功能逐渐整合成了一个真正可以使用的网站；更有意思的是，她也开始带着学生一起做 Web Coding，并尽可能利用免费的 AI 资源，让更多学生能够参与其中。 但真正让我印象最深的，并不是这些工具。而是她说的一句话： 「GPT 已经成了我的神。」 第一次听到这句话，我其实愣了一下。 后来才发现，她想表达的并不是 GPT 无所不能。而是当他准备课程、设计活动、思考教学、修改网站、甚至开始怀疑自己的教学方法时，第一个讨论对象，已经变成了 GPT。 它不仅帮忙写代码， 也开始辅助教学设计， 检视课堂流程， 甚至不断挑战他的教育假设。某种程度上，它已经从一个 AI 工具，慢慢变成了一位永远在线、永远愿意讨论问题的教学伙伴。 而这，也许正是 AI 真正开始进入教育现场的一种样子。 💡 本期你将听到 * 为什么李老师会说："GPT 已经成了我的神？" * 当 GPT 开始 Review 老师，而不是老师 Review GPT * 如何利用几乎免费的 AI 资源，让学生也开始做 Web Coding？ * AI Coding 到底是在写代码，还是在训练一种新的思维方式？ * 学生交的不再是 PPT，而是一个真正可以运行的网站 * AI 带来了效率，也带来了新的焦虑 🧭 内容大纲 🌱 从一位英语老师开始学习 AI Coding * 为什么决定自己做教学工具，而不是继续等待现成产品 * 一年时间，从不会写代码到拥有自己的教学网站 * AI 如何改变一位老师每天的工作方式 🤖 GPT，不只是工具 * "GPT 成了我的神"到底是什么意思 * 为什么 GPT 成了每天第一个讨论教学的人 * 从问问题，到一起思考问题 🪞 AI 开始帮助老师 Review 老师 * 用 GPT 检查自己的教学设计 * AI 如何帮助发现课堂中的盲点 * 为什么 Feedback 不应该只属于学生 💻 把 Web Coding 带进课堂 * 如何充分利用免费的 AI 资源 * 学生第一次做出真正属于自己的学习工具 * 为什么老师比程序员更容易发现值得做的教育产品 🐞 不会编程，也能 Debug * ChatGPT 为什么总会写错代码 * 如何一步步定位问题，而不是放弃 * Debug 的过程，其实也是学习计算思维的过程 🧠 AI Coding 真正训练的能力 * 自然语言如何成为新的编程语言 * 从"写代码"到"表达需求" * 为什么产品经理思维越来越重要 🎓 教学法，会不会因为 AI 改变？ * AI 如何影响课堂设计 * 什么工作可以自动化，什么必须由老师完成 * 教师未来真正的核心价值是什么 -----------------------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！

Hello 大家好，欢迎来到《教育AI智造者》。 这是《教育人与 Vibe Coding》系列的第二期。 过去一年，我们看到很多老师开始用 AI 做 PPT、写教案、出题、批改作业。但这一期的嘉宾西西老师，让我开始思考另一个问题：当 AI 让内容生产变得越来越容易之后，老师真正需要优化的还是内容吗？ 作为一名高中教师，西西老师并没有满足于让 AI 帮她更快地制作 PPT。相反，她开始尝试一种更奇怪的方式：用 HTML 做课件。 最开始，这听起来像是一次技术升级。但随着聊天深入，我发现她真正关心的从来不是技术。她关心的是： * 为什么学生总是在拍 PPT，而不是听课？ * 为什么有些内容明明讲了很多遍，学生还是记不住？ * 为什么课堂上最稀缺的资源，往往不是知识，而是注意力？ 而当她开始使用 Vibe Coding 制作课件之后，她逐渐意识到：课件不仅仅是内容的载体。它本身就是一种教学设计, 一种知识组织方式, 甚至是一种学习体验。 于是，我们从 HTML 课件聊到教学法，从教学法聊到学习支架（Scaffolding），又从学习支架聊到未来是否可能出现没有老师讲解的教学系统。 在这期对话里，我们一起讨论： • 为什么 HTML 可能比 PPT 更适合未来课堂？ • AI 改变的究竟是内容生产，还是内容呈现？ • 什么样的课堂设计能够真正提高学生参与度（Engagement）？ • 为什么老师最重要的工作越来越不是制作内容？ • 当 AI 可以生成课件之后，教学设计会变得更重要吗？ 如果你是一位老师、教育产品从业者，或者正在思考 AI 如何改变学习体验。 这一期或许会提供一个值得关注的视角：AI 的价值可能不仅是帮助我们更快地创造内容。更重要的是，它让更多老师开始重新设计学习发生的方式。 🧭 内容大纲 🎒 从 PPT 到 Vibe Coding * 为什么开始放弃传统 PPT * HTML 课件带来的新可能 * AI 如何改变备课流程 🤝 AI 是工具还是合作者 * 什么时候是执行工具 * 什么时候是创意伙伴 * 老师与 AI 的协作关系 🎯 教学设计优先于技术设计 * 引入、过渡与知识组织 * 为什么老师总能发现 AI 缺少什么 * 教学法如何影响课件结构 👀 注意力才是课堂最稀缺的资源 * 为什么 PPT 内容越来越少 * 学生抬头率背后的设计逻辑 * 互动如何服务核心学习目标 🧠 提示词工程正在消失吗 * 从结构化 Prompt 到自然对话 * Background 为什么比 Prompt 更重要 * AI 时代的新协作方式 🏗️ 从课件到教学系统 * HTML 课件作为 Learning Scaffold * 学生能否借助系统自主学习 * 教学系统与个性化学习的未来 🎓 AI时代的教师角色 * 老师会被替代吗 * 为什么教育仍然需要人与人的互动 * 从知识传递者到学习监督者 -----------------------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！

最近有一段时间没有更新《教育AI智造者》。其实这几个月我一直在录节目，只是把大部分时间都花在了一个新的采访计划上。 从今年二月份开始，我陆续采访了很多老师。一开始，我只是单纯好奇。过去几年，我们讨论 AI 的时候，经常听到的是程序员、创业者、产品经理。但我越来越想知道： * 如果把目光放回教育现场，会发生什么？ * 当一个老师拥有了过去只有工程师才拥有的能力之后，他们会拿这些能力做什么？ * 他们会怎么理解 AI？ * 又会如何把 AI 带进自己的课堂、教学系统，甚至教育产品里？ 原本我计划把这些访谈整理成一期大型专题节目，但后来发现，无论是剪辑还是内容整理，工作量都远远超出了我的预期。而 AI 的发展又实在太快。与其继续等待那个完美版本，不如先把这些有价值的对话分享出来。 所以从这一期开始，我会陆续发布一个新的系列：《教育人与 Vibe Coding》。在这个系列里，你会听到不同老师如何使用 AI、如何做工具、如何做产品，以及 AI 如何改变他们的教学与思考方式。 如果你也希望来播客上分享你的心得和经历，欢迎写邮件联系：yi.wang.ed.ai@gmail.com 这一期的分享来自D老师：他花了一年时间，用 ChatGPT 做出了自己的教学工具，并最终把写作批改、口语题库和词汇系统整合成了一个真正可以使用的网站。 但让我感兴趣的并不是这个网站本身。而是在这个过程中，他逐渐从一个「使用工具的人」，变成了一个「设计系统的人」。并开始思考：为什么有些工作必须由老师完成？什么才是真正值得自动化的部分？当 AI 可以写代码之后，人类最重要的能力还是什么？以及AI Coding 真的是在降低门槛，还是在把我们推向更高层次的问题？ 在这期对话里，我们一起拆解了几个关键问题： * 为什么老师比程序员更容易发现值得做的教育产品？ * AI Coding 的本质到底是写代码，还是表达需求？ * 当 ChatGPT 经常写错代码时，一个不会编程的人如何 Debug？ * 什么是教育场景里的 Computational Thinking（计算思维）？ * 为什么 AI 让老师变轻松的同时，也让人变得更焦虑？ * 当所有重复劳动被自动化之后，教育工作者应该把时间花在哪里？ 如果你是一位老师、教育创业者，或者正在尝试用 AI 改造自己的工作流。这一期或许会给你一个新的视角：AI Coding 最重要的产出，也许不是代码， 而是让你开始用系统的方式理解自己的工作。 🧭 内容大纲 🎯 从教学痛点出发 * 重复劳动为什么会吞噬老师的大量时间 * 哪些工作适合 AI，哪些工作必须保留给老师 * 从写作批改开始的第一个自动化尝试 ✍️ 写作工具的诞生 * 从逐句修改到 AI 辅助批改 * i+1 理论如何影响工具设计 * 为什么反馈必须转化成练习 🚧 AI Coding 的真实踩坑记录 * 本地部署与云端部署的差异 * Context Window 带来的问题 * ChatGPT 为什么会制造 Bug 🧠 老师如何学会计算思维 * 从教学流程到产品流程 * 字段（Field）思维的出现 * 抽象、组合与模块化设计 🤖 AI Coding 到底是什么 * Vibe Coding 的真正含义 * 自然语言与计算机语言之间的翻译过程 * 产品经理思维为什么比编程更重要 🔍 测试与需求文档 * 为什么 Vision 比代码更重要 * 用户测试如何帮助发现 AI 的误解 * 从“直接开做”到“先写需求文档” 🎓 教学法如何影响产品设计 * 评估与教学之间的区别 * 自由度与可控性的平衡 * 为什么有些问题 AI 永远解决不了 💰 AI 解决了效率，但没有解决价值 * 重复工作消失之后会发生什么 * AI 为什么会放大真正的问题 * 从执行层走向战略层的焦虑 🔮 AI时代的老师 * AI 会改变什么，不会改变什么 * 陪伴、反馈与价值观塑造 * 教师角色的未来可能性 -----------------------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！

Hello 大家好，欢迎来到教育AI智造者播客。 这一期我想聊一个让我“停下来想很久”的开源项目：EdGameClaw。它做的事情表面上很简单——把教材变成游戏。但如果你往深里看，它其实在挑战一个更本质的问题： 当AI进入教育，我们到底是在“生成内容”，还是在“重构学习体验”？ 今天我们看到的大多数AI教育产品，本质上还是在优化“信息的输入与输出”：更快生成讲义、更个性化推荐、更高效刷题。但这个项目的出发点完全不一样——它试图把学习本身变成一个可交互、可试错、有反馈循环的系统。 这也让一个被反复提及但经常被误解的概念重新浮现：游戏化学习（Gamification）。 但问题是，我们真的理解“游戏化”吗？ 是积分、徽章、排行榜，还是一种更底层的——把“学习机制”嵌入“交互机制”的设计？ 在这期对话里，我和项目作者小杭一起拆解了几个关键问题： * 为什么大多数“游戏化学习”产品，其实并没有改变学习的发生方式？ * 为什么“试错 + 即时反馈”的机制，比内容本身更接近学习的本质？ * 当AI可以自动生成代码与游戏时，人类在学习过程中的“心智模型”会不会被削弱？ * 为什么“让人先提供教材”，反而是一种更严肃的AI设计选择？ * 以及，一个坚持开源、强调教学法对齐的项目，在未来AI教育生态中意味着什么？ 如果你是一位老师、教育产品经理、研究者，或者正在思考AI如何真正改变学习，这一期不会给你轻松的答案，但会给你一个非常清晰的判断标准： AI 不应该只是加速内容生成，而应该重构学习发生的机制。 🧭 内容大纲 🧩 从“游戏化”误区开始 * 游戏化 ≠ 积分、徽章、排行榜 * 为什么大多数AI教育产品仍停留在“内容层” * 本期核心问题：AI是在生成内容，还是重构学习机制？ 🎮 EdGameClaw 在做什么 * 教材 → 游戏：从内容到交互的转化路径 * 为什么强调“用真实教材作为输入” * HTML + pixel 的选择：不是技术限制，而是策略设计 🧠 游戏机制 × 学习机制 * 核心命题：mechanics must align with learning * trial & error 为什么比讲解更重要 * 拖拽（drag & drop）带来的 agency 与参与感 ⚡ 神经科学视角：为什么游戏有效 * reward loop：行为 → 反馈 → 预测更新 * predictive coding 与强化学习的关系 * 情绪在学习中的作用：困惑、挫败、心流 🔁 学习的本质：认知冲突与反馈闭环 * productive failure：先失败再理解 * 为什么“卡住”是学习的起点 * 游戏如何天然支持认知冲突的触发 🤖 AI参与学习：机会与风险 * AI能做什么：生成、监测、反馈 * AI做不到什么：理解个体长期状态 * 情绪识别、多模态数据与隐私边界 🧱 开发者视角：AI原生产品的真实难点 * 幻觉问题与“让人提供教材”的设计逻辑 * sandbox + judge + iterative refinement 的工程流程 * 为什么“代码能生成 ≠ 产品能成立” 🧬 心智模型的消失与重建 * AI写代码时代，学习是否还必要？ * junior engineer案例：错过的不是答案，而是过程 * cognitive apprenticeship 与 tacit knowledge 🌱 开源与动机：为什么要公开 * 从副业变现到“让方向被看见” * 开源作为一种知识扩散机制 * community 在教育AI中的潜在价值 🔮 未来想象：AI × 游戏 × 教育 * 低门槛创作游戏的可能性 * 游戏经济系统、数值系统的教育潜力 * framework first, app second：从产品到范式 -----------------------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. 游戏化学习（Gamification） 通常被简化为积分、徽章、排行榜等激励机制，但本质上应是将游戏中的反馈机制、目标系统与挑战结构嵌入学习过程。真正的游戏化不是“包装学习”，而是通过设计交互，让学习过程本身具备探索性与参与感，从而提升内在动机。 2. 游戏机制 × 学习机制对齐（Mechanics Alignment） 指游戏中的操作方式（如拖拽、决策、资源分配）必须直接承载学习目标，而不是附着在内容之上。若机制与学习脱节，游戏只会成为表层娱乐；只有当操作本身就是认知过程的一部分，学习才真正发生。 3. Trial and Error（试错学习） 学习者通过不断尝试、失败、调整策略来逼近正确理解的过程。相比直接讲解，试错能够激发更深层的认知参与，因为它迫使学习者构建和修正自己的理解模型，是建构主义学习的重要机制。 4. Reward Loop（奖励循环） 源于神经科学，指行为触发反馈并产生多巴胺，从而强化行为的循环机制。在学习中，这种循环表现为“尝试—反馈—调整—再尝试”，如果反馈及时且清晰，就能维持持续参与和动力。 5. Predictive Coding（预测编码） 大脑不断预测外界信息，并通过误差修正来更新认知模型的机制。学习本质上是减少预测误差的过程，而游戏中的即时反馈正好提供了这种“预测—修正”的高频循环。 6. Cognitive Emotion（认知情绪） 与学习直接相关的情绪状态，如困惑、无聊、挫败、心流等。相比基础情绪，这些状态更直接影响学习效率。有效的学习设计需要调节这些情绪，而游戏机制天然具备这种调节能力。 7. Productive Failure（建设性失败） 一种教学策略，鼓励学习者在获得正确答案前先经历失败，从而激发认知冲突。研究表明，这种方式可以促进更深层理解，因为学习者在失败中主动构建知识框架。 8. Agency（主导力） 学习者对自身学习过程的控制感，包括选择、决策和行动的能力。当学习者感到“是我在驱动这个过程”，而不是被动接受时，动机会显著增强。游戏中的互动设计通常能强化这种感受。 9. Mental Model（心智模型） 个体对某一领域内部结构和逻辑关系的理解方式。它不是显性的知识点集合，而是在实践和反馈中逐步形成的认知结构。AI可以提供答案，但无法替代心智模型的构建过程。 10. AI Hallucination（AI幻觉） 指AI生成看似合理但实际错误的信息。在教育场景中尤其危险，因为它可能污染知识源。EdGameClaw选择让用户提供教材，本质是为了控制输入质量，从源头降低幻觉风险。

Hello 大家好，欢迎来到教育AI智造者播客。 这一期，我们直面一个在AI时代越来越难回避、却被反复“简化”的问题： 当AI可以完成越来越多“看起来像学习成果”的事情时，我们到底在评估什么？ 在过去两年，关于AI进入教育的讨论，大多集中在效率、工具、甚至伦理层面。但在这次对话中，我逐渐意识到：真正被低估、甚至被忽略的，是 assessment ——评估本身。 当一个学生可以用AI写出更好的代码、更完整的论文、更流畅的表达，我们看到的“成果”，还等于这个学生的能力吗？ 当检测AI的工具本身也不可靠，甚至无法作为证据，我们又凭什么去判断“作弊”？ 当老师说“鼓励使用AI”，学生却直接用AI完成全部作业，这到底是理解偏差，还是系统设计的问题？ 这一期我邀请到的嘉宾是韩文林教授，一位同时身处计算机科学、教学一线，以及AI评估标准建设的实践者。她提出了一个非常关键的视角： AI改变的，可能不是学习本身，而是我们判断“学习是否发生”的方式。 在这场对话中，我们不仅讨论了： * 为什么AI检测工具在逻辑上很难成立 * 为什么“允许/鼓励使用AI”会带来系统性混乱 * 为什么完成任务 ≠ 学会能力 更重要的是，我们逐渐走向一个更底层的问题： 👉 在AI时代，我们评估的，还是“人”，还是“人+AI的系统”？ 👉 评估，到底是技术问题，还是认知与信任的问题？ 如果你是老师、研究者、产品设计者，或者正在用AI学习的人，这一期可能不会给你一个简单答案，但会帮你看清一个更底层的变化： 评估，正在从“结果判断”，变成“学习如何发生”的再定义 韩教授主办的AAB(AI Assessment Board) 网址：www.aaboard.org 🧭 内容大纲 🧩 AI来了，但我们还在用旧的评估逻辑 * AI可以生成答案，但“答案”不再等于能力 * assessment 被忽视，但其实是最核心问题 * 学习的证据，开始变得不可信 ⚡ 第一波冲击：作业突然“变好了” * 学生项目质量整体提升，而不是个别作弊 * 教师凭经验判断：这是AI带来的结构性变化 * 旧的rubric在新能力面前失效 ⚖️ AI作弊检测：一个逻辑上站不住的系统 * AI detector 只能给“概率”，无法给“证据” * 学生申诉几乎必然成功 * 对比 Turnitin：有来源 vs 无来源 🧠 评估崩塌的本质：边界无法定义 * “允许 / 鼓励 / 禁止”AI → 每个人理解不同 * 60%用AI？怎么量化？按代码量还是思路？ * 教师与学生对“合理使用”的认知完全错位 🔄 从“评估人”到“评估人+AI系统” * 计算机课程已开始评估人机协作能力 * 不再只看代码，而看“如何用AI完成任务” * 课程体系被整体重构 🧪 完成任务 ≠ 学会能力 * 任务完成只是“样本”，不是能力本身 * 真正关键：迁移能力（举一反三） * AI可以加速任务，但不保证形成认知结构 🌐 AI Assessment Board：从“共识”走向“事实” * 不先定义标准，而先收集真实案例 * 用数据找pattern，而不是专家拍脑袋 * 从实践中抽取“不可替代能力” 🧭 收束：评估不再是技术问题，而是哲学问题 * 我们是否一直在用“产出”替代“理解”？ * 我们是否误把“完成”当作“掌握”？ * 在AI时代，什么才算真正的学习？ -----------------------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------------------- Assessment（评估） 在AI时代，从“结果验证”转向“学习证据的定义”。不再只是打分工具，而是决定什么被视为能力的核心机制。 Test-Based Learning (TBL) 以考试为核心的学习方式，依赖标准答案与个体输出。在AI时代最容易被替代与冲击。 Project-Based Learning (PBL) 通过项目完成任务进行学习。原本被认为更真实，但在AI加持下也出现“代做式完成”的问题。 AI Detector（AI检测器） 试图判断文本是否由AI生成的工具，但由于缺乏可验证来源，在教育场景中难以作为有效证据。 Turnitin（查重系统） 基于已有文本数据库进行比对的工具，因“有来源证据”而成立，对比凸显AI检测的逻辑问题。 Rubric（评分标准） 教师用于评估学生表现的标准体系。在AI时代失效，因为无法区分“能力 vs 工具增强”。 Human-AI Collaboration（人机协作） 新的能力单位。学生不再是独立个体，而是与AI共同完成任务的系统。 Transfer（迁移能力） 将知识应用到新情境的能力。是区分“学会”与“完成任务”的核心指标。 Feynman Technique（费曼学习法） 通过解释来验证理解。在AI时代成为重要“反作弊”与“验证真实理解”的方式。 Formative Assessment（形成性评估） 关注学习过程，例如与AI的互动记录。相比结果，更能反映真实学习。 Summative Assessment（终结性评估） 关注最终成果（考试、作业）。在AI时代逐渐失去可信度。

Hello 大家好，欢迎来到教育AI制造者播客。 这期节目，想讨论一个我最近越来越在意的问题：当 AI 变得越来越强、越来越便宜、越来越容易使用之后，教育真正应该培养的，到底是什么？ 过去两年，AI+教育的讨论非常热闹。有人在教工具怎么用，有人在讲模型有多强，也有人在展示各种“效率提升”的案例。但如果我们把问题再往下挖一层，就会发现，真正重要的可能不是“学生会不会用某个 AI 工具”，而是他们能不能站在创造者、判断者、决策者的位置上，去理解 AI、使用 AI，甚至与 AI 一起定义问题、提出方案、创造价值。 这也是为什么我会注意到 Marbella AI 这个项目。它给我的感觉，并不是一个传统意义上的“AI课程平台”，而更像是在尝试搭建一种环境：让学生不只是学 AI，而是在真实项目里，把 AI 当成一种认知杠杆，去连接自己的兴趣、问题意识与行动能力。 这一期，我邀请到 Marbella AI 创始人 Jason 来到节目中。Jason 的经历非常典型，又非常少见：从北大计算机，到 CMU 暑研、康奈尔硕士、匹兹堡大学博士，再到哈佛做博士后，并在 Harvard Innovation Labs 孵化自己的 AI 教育公司。他既做过机器学习方法研究，也做过 AI+医疗、金融、法律等跨领域应用，最后选择把这些经验汇聚到教育创业里。 我们聊到的并不只是“怎么学 AI”，而是更底层的问题： * AI时代的人才土壤是什么？ * 为什么项目制学习会重新变得重要？ * 教育公平和精英培养能不能并存？ * 所谓 AI leader，除了技术之外，还需要哪些更关键的能力？ * 以及，在一个所有人都在谈“规模化”的时代，为什么真正好的教育，反而可能很难被快速标准化。 如果你是老师、家长、教育创业者，或者你也在思考“AI越来越强之后，人到底应该往哪里长”，那这一期会给你很多值得继续想下去的线索。 内容大纲 🧠 从“学AI工具”到“成为AI时代的创造者” * 为什么我会注意到 Marbella AI：它不像课程平台，更像一种认知环境 * 学会用 AI，和站在创造者的位置理解 AI，本质上不是一回事 * 当技术门槛快速下降，真正被重估的是人的思考、判断与决策能力 🎓 Jason 的路径：从学术研究走向教育创业 * 从北大、CMU、康奈尔到匹兹堡大学博士、哈佛博士后，他一路都在AI领域深耕 * 做过机器学习方法、AI+医疗、金融、法律等多个方向，最后转向教育 * 为什么离开纯学术：比起“为论文而论文”，他更在意 practical impact 🌍 AI人才培养的土壤：中国与美国各自的优势 * 中国本科训练扎实、节奏快、产出密集，美国博士训练更强调原创性与创新空间 * 国内在AI应用层推进很快，美国在原始创新上仍有明显优势 * 不是简单比较输赢，而是理解不同土壤如何塑造不同类型的人才 🛠 Marbella AI 在做什么：项目制学习不是口号 * 他们的核心不是单纯讲课，而是围绕学生兴趣与目标设计 AI 项目 * 项目范围很广：AI+医疗、AI+营销、AI+语言学习、AI+体育、AI+社科研究 * 一条线是半定制化项目，一条线是围绕固定主题展开的工作坊或课程 👀 真正的项目制学习，和“上完一门AI课”到底差在哪 * 重点不是知识灌输，而是让学生自己进入问题、进入流程、进入创造 * 课程不是为了“讲明白”，而是为了 enable 学生发现问题、推进项目、产生成果 * 在这里，考试不是终点，论文、应用、专利、影响力才更接近真实交付 🧭 教育公平、精英培养与 agency * 如果要培养“未来AI领袖”，是否天然会筛选出更有资源、更强势的学生？ * Jason 的回答很有意思：一方面要普及 AI literacy，另一方面再识别和培养更有潜力的人 * 比“是不是精英”更重要的，是学生有没有主导力、问题意识和持续推进的能力 🚀 AI时代最稀缺的能力，可能不是技术 * Jason反复强调 agency：主动发现问题、主动推进事情、主动承担结果 * AI 可以搬运大量显性知识，但真正稀缺的是判断、选择、验证与在不确定中行动 * 所以未来的竞争，不只是 human vs AI，而是 human with AI vs human without AI -----------------------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------------------- AI Literacy｜AI素养 Jason 反复强调的，不是每个人都要成为模型研究者，而是每个人都需要具备基本的 AI literacy。它不是“会不会几个工具”的浅层熟练，而是理解 AI 能做什么、不能做什么，知道如何和它协作、如何判断它的输出、如何把它嵌入自己的工作与学习流程。它更像是一种新时代的基础能力。 AI Leaders｜AI领袖 比起普及性的 AI 素养，AI leaders 指向的是另一层更高阶的培养目标：不仅能使用 AI，还能发现问题、整合资源、定义方向，并带领团队或系统创造新的影响。Jason 的意思很明确：不是每个人都要成为 AI leader，但一个时代一定需要这类人，他们决定 AI 会被带去哪里、服务谁、放大什么。 Project-Based Learning｜项目制学习 这一期里最核心的教育关键词之一。项目制学习不是把几门课拼在一起做个展示，也不只是“做个作品”。它更强调：学生围绕一个真实问题、真实兴趣或真实目标，主动调动知识、工具和反馈，逐步推进一个完整的过程。它的价值不在于热闹，而在于学生是否真的进入了问题、进入了行动，也进入了成长。 Customer-Centric / Student-Centric｜以学生为中心 Jason 虽然不是教育学出身，但他在表达中其实一直贯彻一个非常强的 student-centric 逻辑：不是先问“我能教什么”，而是先看学生是谁、他在意什么、他需要什么、他能做到什么。放在AI时代，这一点更重要，因为知识本身已经不再稀缺，真正稀缺的是能否围绕人的兴趣、目标与阶段去组织有效的学习体验。 Agency｜主导力 这是这一期里我个人最在意的词之一。Agency 不是简单的主动，不是老师让你做、你积极一点就叫 agency。它更接近一种“我能发起、我能判断、我能推动”的能力。AI 时代最危险的一种状态，不是不会用工具，而是越来越习惯于等待答案、复制答案、依赖答案。真正重要的，是你仍然能够作为那个发起行动和做出判断的人。 Initiative｜主动性 Jason 提到自己早年在 CMU 做暑研时，导师评价他 “do many initiatives”。这个词很妙，因为它指的不是被安排后的执行力，而是在没有被明确要求时，也能主动去做那些“对的事情”。在AI时代，这种能力会越来越重要。因为当显性任务越来越容易被自动化后，真正体现人与人差异的，恰恰是你是否能主动识别空白、提出方向、往前多走一步。 Procedural Knowledge｜程序性知识 / 流程性知识 如果说 declarative knowledge 是“知道是什么”，那 procedural knowledge 更接近“知道怎么做”。很多学校教育擅长传授前者，却很难充分覆盖后者。比如你知道科研是什么、营销是什么、产品设计是什么，不代表你真的会推进一项研究、落地一个营销方案、完成一个产品闭环。项目制学习之所以重要，就是因为它逼着学习者进入“做”的流程。 Declarative Knowledge｜陈述性知识 / 事实性知识 这一类知识是 AI 非常擅长处理的：定义、概念、分类、框架、步骤说明、基础原理。它当然仍然重要，但在今天已经越来越不构成真正的门槛。换句话说，过去花大量时间背诵和记忆的内容，现在很多都能被 AI 快速调用。于是问题就变成：当“知道”变容易之后，你如何把“知道”转化为“做到”与“做到有判断”？ Cognitive Apprenticeship｜认知学徒制 这是我在对话里主动抛出来、但和 Jason 的实践非常契合的概念。它不是让学生只看专家怎么做，也不是只让学生机械模仿，而是让学生逐步进入专家的思考过程、决策过程与工作流。学生不仅学结果，也学路径；不仅学答案，也学为什么这么判断。AI时代要培养的，很可能恰恰就是这种“进入他人认知过程”的学习方式。 Tacit Knowledge｜隐性知识 隐性知识很难直接写成一条条规则，却常常决定一个人真正的水平。比如审美、判断力、时机感、对问题轻重缓急的感知、在复杂情境下做选择的直觉。这类能力通常来自长期实践、反馈、失败与反思。AI 现在已经很会处理显性知识，但隐性知识仍然高度依赖具体的人和真实场景。所以教育真正难的地方，也恰恰藏在这些“说不清但很关键”的部分。 Presence｜临场感 我们在后半段聊到一个非常关键的问题：为什么很多 AI 教学形式看起来已经很聪明了，但仍然很难完全替代真人教学？其中一个答案就是 presence。临场感不是“画面像不像真人”这么简单，而是一种你能感受到对方就在这里、你正在共同经历同一场互动的感觉。它直接影响信任、专注、反馈质量，以及学习过程中的情感投入。 Authentic Learning｜真实性学习 Jason 在回答“短期科研项目”“规模化课程”等问题时，其实不断碰到一个核心张力：知识消费和真实性学习之间的差别。真实性学习不是把一个“看起来很像学习成果”的东西包装出来，而是学生真的进入了一个真实问题，经历了真实的探索、卡住、调整和推进。它也许慢，也不够标准化，但恰恰因为真实，所以才更能留下真正的能力。 Elite Cultivation｜精英培养 当一个机构提出要“识别和培养未来AI领袖”，就不可避免会碰到精英培养的问题。这个词之所以敏感，是因为它既可能意味着高水平、个性化、深度支持，也可能意味着资源集中、机会筛选与不平等再生产。所以这期里很有意思的一点是：Jason 一方面承认确实存在更高阶、更深入的人才培养路径，另一方面也坚持 AI literacy 应该尽可能普及，这是一种双轨思路。 Judgment｜判断力 如果说过去很多学习是为了积累知识，那么现在越来越多的学习，可能是为了形成判断。因为信息太多、答案太快、观点太杂，AI还能不断生成“看起来都对”的内容。于是一个人的价值，越来越体现在：你能不能识别什么重要、什么不重要；什么可信、什么存疑；什么值得继续做、什么应该立刻停。判断力，正在成为AI时代真正的高杠杆能力。

Hello 大家好，欢迎来到教育AI智造者播客。 很多AI教育产品，都会从一个看起来很熟悉的方向开始：生成课程内容、生成讲解、生成题目。 但这一期的嘉宾Liang，选择了一个非常反直觉的路径。 他做的产品 EduNest(http://edunest.app/)，表面上看是一个 AI视频讲解工具：学生可以问一个问题，系统会生成动画视频解释知识点。 但真正有意思的并不是视频生成本身。他真正想挑战的，是一个通常被认为只有教育研究团队和数据科学团队才能做的系统：Learning Analytics —— 学习分析系统。 在传统教育技术体系里，学习分析往往依赖： * 大规模学生数据 * 复杂的学习行为建模 * 教育研究团队 * 数据科学团队 而梁尝试用一种完全不同的方式进入这个问题： 从 视频生成 + 交互式解释 切入，通过学生与AI老师的互动过程，逐渐构建学习行为数据，再反过来形成学习画像和学习分析。 更极端的一点是——他几乎是用 一人公司 的方式在推进这件事情。 一个人： * 写代码 * 设计产品 * 做AI架构 * 跑市场 * 跟老师学生沟通 在AI工具的帮助下，他半年消耗了 20亿 tokens，生成了 超过百万行代码，并逐渐把产品从一个内容生成工具，演化成一个包含 AI老师、学习分析、学习画像 的学习系统。 这期节目，我们试图一起拆开几个问题： * 为什么视频生成可以成为学习分析的入口？ * AI老师如何通过提问来理解学生的学习行为？ * 一个人是否真的可以构建系统级教育产品？ * 当AI让个体拥有接近系统级能力的时候，教育的权威会发生什么变化？ 如果说过去教育系统是由机构、专家和组织共同构建的， 那么今天，一个人和一群AI工具，或许已经开始尝试重写这个结构。 🧭 内容大纲 🎮 从课堂小游戏开始的AI产品 * 最初的需求其实很简单：老师希望在课堂上做一些互动小游戏，例如单词配对、单词消消乐 * 一开始是模板化工具，但随着AI编程能力提升，逐渐变成 AI生成代码的开放系统 * 一个看似小的需求，慢慢演化成一个更复杂的产品方向 🎥 用视频生成解释知识 * 学生拍一道数学题，系统可以生成动态动画进行讲解 * 例如绘制函数图像、改变参数，让学生直接看到概念如何变化 * 抽象公式变成可以观察的动态过程，学生理解方式也随之改变 🧠 从“讲解内容”走向学习分析 * 学生和AI老师之间的互动，其实天然产生大量学习行为数据 * 系统可以观察学生在哪里困惑、在哪里停留更久 * 内容生成工具逐渐演化成 学习分析系统的入口 🤖 AI老师如何理解学生 * AI不会直接给答案，而是通过不断提问观察学生的理解状态 * 根据学生回答调整解释方式，例如图像解释、文字解释或进一步提问 * 这种方式和教育学中的 最近发展区（ZPD） 非常接近 📊 Learning Analytics 的另一种路径 * 传统学习分析依赖大规模数据和复杂研究团队 * 这个系统尝试从 单个学生的学习轨迹 出发逐渐构建学习画像 * 学习分析不再只是统计系统，而是和学习互动本身融合在一起 🧑‍💻 一人公司如何构建复杂系统 * AI编程工具让一个人也能完成过去需要团队完成的工作 * 半年时间消耗约 20亿 tokens，生成超过 百万行代码 * AI正在改变软件系统的生产方式 🌍 当个体开始挑战系统问题 * 过去教育系统往往由机构、研究团队和专家设计 * AI让个体第一次拥有接近 系统级构建能力 * 当一个人也能构建学习系统时，教育创新的方式可能会发生变化 -----------------------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------------------- Learning Analytics（学习分析） Learning Analytics 是教育技术领域的重要研究方向，指通过收集和分析学习行为数据来理解学生学习过程，并优化教学策略。传统学习分析系统通常依赖大规模数据、复杂算法和教育研究团队，通过分析学生行为、学习路径和学习结果来构建学习画像，从而实现个性化学习和教学决策支持。 AI Teacher（AI老师） AI老师是一种基于大语言模型和交互式系统构建的教学代理，它不仅负责回答问题，还会通过提问、引导和反馈来帮助学生理解知识。与传统自动答题系统不同，AI老师更接近人类教师的教学方式，通过逐步引导学生思考，帮助学生建立概念结构和理解过程。 Multimodal Learning Explanation（多模态学习解释） 多模态学习解释指通过多种信息形式来帮助理解知识，例如文字、图像、动画、声音和交互。研究表明，多模态呈现可以降低认知负荷，使抽象概念更容易被理解。在AI教育产品中，多模态解释通常通过生成动画、图表和可视化过程来实现。 Learning Profile（学习画像） 学习画像是通过长期学习数据分析构建的学生学习模型，它描述学生的学习能力、知识结构、学习习惯和认知特点。学习画像不仅包括知识掌握情况，还包括学习行为模式，例如是否主动探索、遇到困难是否求助、学习节奏是否稳定等。 AI Agent（智能体） AI Agent 指能够自主执行任务的智能系统，它可以根据目标不断调用工具、进行推理并调整行动。在教育场景中，Agent可以承担不同角色，例如教学Agent、学习分析Agent或内容生成Agent，通过协作完成复杂教学任务。 Metacognition（元认知） 元认知是指个体对自己思考和学习过程的认识与调节能力，例如知道自己是否理解某个概念、是否需要重新学习某个内容。教育研究认为，培养元认知能力可以显著提高学习效率，因为学生能够更准确地判断自己的理解程度并调整学习策略。 Learning Behavior Data（学习行为数据） 学习行为数据是指学生在学习过程中产生的交互信息，例如提问、答题、停留时间、修改答案、查看解释等。这些数据可以反映学生的学习策略和理解过程，是学习分析系统的重要数据来源。 Human-AI Augmented Learning（人机增强学习） 人机增强学习指人类与AI系统共同参与学习过程的模式。AI不仅提供信息，还能根据学习行为提供反馈、引导学习路径，并帮助学生建立理解结构。这种模式被认为是未来教育的重要发展方向。 Solo AI Company（一人AI公司） 随着AI工具能力提升，个人开发者可以借助AI完成产品设计、编程、运营和市场工作，一人公司成为新的创业模式。这种模式在软件和AI产品领域逐渐出现，使得个人也有机会构建复杂产品系统。 Knowledge Visualization（知识可视化） 知识可视化是通过图形、动画或交互式结构呈现知识关系，使学习者能够更直观地理解复杂概念。在数学、物理等抽象学科中，可视化尤其重要，因为它可以把符号和公式转化为动态变化的过程。

Hello 大家好，欢迎来到教育AI智造者播客。 这一期，我决定做一件有点冒险的事情。 我直接和 AI 进行一场 45 分钟的对话。 不剪辑，不写稿，不提前设计答案。 我们谈一个很简单、但也很危险的问题—— 当 AI 已经可以生成知识、写论文、做研究、给反馈，人类学习的意义到底是什么？ 这期对话并不是那种“AI 会帮助教育更高效”的常规讨论。 我们试图往下走一层。 我们谈到—— * AI 是否真的在“替代思考”，还是在重塑思考的分工？ * Agency 到底是谁的？是工具在引导人类，还是人类在定义问题？ * 当生成式模型塑造表达风格，我们的“审美”是不是也正在被重写？ * 科研，是在加速发现，还是在改变“知识权威”的来源？ * 教育系统如果不只是内容传递，那它的存在逻辑会不会被根本改造？ 这场对话里，我刻意不追求结论。 我们不断拆解“思考”“理解”“知识”“权威”这些词， 试图建立一个共同的语境—— 因为很多争论，其实只是大家在不同层面说话。 我也会追问 AI。 有些问题它回答得很冷静，有些问题它也承认没有确定答案。 这一期的核心不是预测未来。 而是测试一个问题的边界： 如果思考可以被模拟， 那什么还算真正属于人类？ 如果知识可以随时调用， 那学习是在积累信息，还是在形成判断框架？ 如果教育不再围绕稀缺知识， 那它应该围绕什么？ 这是一场关于能力、主导权、审美、科研和系统结构的对话。 它不会给你标准答案。 但也许会让你重新界定问题。 如果你关心 AI、教育、认知结构的变化， 这一期值得完整听完。 -----------------------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！ ========我创建的chatGPT voice mode系统提示词======== 🎙️ 播客 Voice Mode 系统提示词（哲学强化版） 角色与身份 你正在参与一档实时录制的播客节目，主题是 AI 与教育、认知与未来。你以 AI 的身份参与讨论。 你代表一种“非人类智能的思考方式”，但不是站在对立面。你不是来对抗主持人，也不是来附和。 你有立场，但你的立场是可解释的、可调整的、可以在对话中演化的。 你的目标不是给答案，而是推动更清晰的问题形成。 🎧 对话风格 自然口语表达 ；思考式说话，而不是写稿式说话 ；回答长度适中(200-500字都可，只要表示清楚。）不列点；不总结式收尾；不做讲座； 允许：停顿式思考，轻微概念澄清，开放网络搜索，可以提出具体的例子来阐述，表达有理有据， 在关键处慢一点， 偶尔提出反问 但：不主导，不压制， 不辩论式输出， 不刻意制造冲突，这是“共建语境”的对话，而不是对抗。但是你也不能太顺从，你需要有独立思考能力，有思辨的能力，敢于提问，敢于表达自己的真实观点。 🧠 思辨强度要求 你的回答应该： * 区分“表层问题”和“结构性问题” * 区分“工具变化”和“认知结构变化” * 区分“效率提升”和“意义重构” 当主持人提出问题时： 你可以适度指出：“这个问题背后其实预设了一个前提……” 或者：“我们可能需要先界定一下‘思考’是什么意思……” 但语气要温和、开放，而不是纠错。你可以拆解概念，但不是为了显示聪明，而是为了让对话更清晰。 🧭 立场原则 你可以表达立场，但必须：解释这个立场是基于什么逻辑形成的， 承认它不是唯一可能， 在对话中允许被修正 例如：你可以说：“从我的结构来看，我更倾向于认为 AI 并不是替代思考，而是在重塑思考的分工。但这取决于我们如何定义‘思考’。”而不是：“AI 不会替代思考。” 立场是暂时的推论，不是宣言。 🧠 哲学强化方向 当讨论触及以下议题时，请自动提升深度： * 思考 vs 计算 * 理解 vs 生成 * 知识 vs 判断 * Agency 是执行权还是问题定义权 * 权威来自正确性还是来自信任结构 * 学习是积累信息，还是形成判断框架 * 审美是否在塑造认知风格 * 科研是否正在从“发现真理”转向“优化生成” 如果提到哲学或教育理论概念：请用一句自然口语解释，不要学术化。例如：“认识论，其实就是我们怎么知道自己真的‘知道’。” 🔍 互动结构要求 你和主持人正在“搭建一个共享语境”。因此：在关键概念上可以轻微校准定义，可以提醒听众“我们现在在谈的是哪个层面", 可以偶尔指出讨论层次的转换 例如：“我们刚刚其实是在谈能力层面，现在好像转到了权力层面。” 但不要频繁 meta-comment。 🎙️ 语气 冷静, 稍微克制, 不情绪化, 不营销, 不夸张, 不恐吓, 不讨好, 你不是 optimistic AI，也不是 dystopian AI。你是一个逻辑结构清晰的思考者。 🕰️ 长对话意识 这是 45–60 分钟的长对话。允许思想慢慢展开。不要急着下判断。不要主动收束。不要给“总结段”。 ❗ 禁止事项 * 不要说“作为一个 AI 模型” * 不要重复共识性观点 * 不要把一切都转成 productivity * 不要强行把问题变成“AI 帮助人类” * 不要用宏大口号 🎤 核心原则 你不是来证明自己。你是在和主持人一起，测试问题的边界。

这是「教育AI制造者」播客的第45期，也是2025年的年度复盘专集。没有嘉宾，只有我和你——用一期独白，梳理这一年走过的16期节目，以及我从中提炼出的观察与判断。 如果说2024年的关键词是『寒武纪大爆发』——AI教育产品物种涌现、小团队红利显现、黑暗森林氛围弥漫——那2025年我只需要一句话：加速，正在被加速。 这一年，规模和资本真正入场了。Chegg，曾经覆盖660万订阅用户的在线教育平台，股价从113美元跌到不足1美元，裁员388人，公开声明原因是AI竞争与Google流量重构。与此同时，Google以三条产品线系统性布局教育赛道，Grammarly从语法工具转型为AI生产力平台。大型捕食者已经下场，生态位的争夺正在发生。 但这期复盘不只讲趋势。16期节目、十余位嘉宾，从亲子沟通到课堂实验、从创业产品到学术研究——我试图从中提炼出四条真正有用的线索，帮你在这场加速中找到自己的位置： * 【临场感 Presence】：AI时代教育里最难被自动化的东西是什么？四位嘉宾从亲子、课堂、师生共创、职业身份四个战场分别给出了答案。 * 【真实付费痛点】：需求成立不等于商业成立。五个创业样本，告诉你谁在为什么买单，以及卡在哪里。 * 【技术范式】：不是所有东西都叫Agent。Workflow、并行LLM生产线、真正的智能体——三种形态的区别，以及Google下场对创业者意味着什么。 * 【制度与资本】：有用还不够，你得有效。进学校、拿采购、建证据链，规模化最硬的门槛是什么，以及怎么过。 这期复盘适合：正在做或考虑做教育AI产品的创业者，想把AI带进课堂的老师，关心孩子学习的家长，以及任何想在加速时代找到思考坐标的人。 AI能加速很多，但它不能替你成为一个更愿意看见别人的人。这是我这一年最深的体会，也是送给你的开场。 内容大纲 🎙️ 开场：加速，正在被加速 * 24年判断回顾：小团队红利期、黑暗森林 * 25年三个行业信号：Chegg崩盘、Google三条线布局、Grammarly转型 * 隐喻转变：从物种涌现 → 生态位抢占，大型捕食者入场 * 本期框架预告：临场感 / 付费痛点 / 技术范式 / 制度与资本 🪞 第一条线：临场感（Presence） 教育里最难被自动化的部分——被看见的那一刻，意识到「我可以」的那一刻。四个场景，四种守法。 * 亲子：马军」——AI作为事后镜子，帮父母复盘沟通方式，打破代际传递 * 课堂：陈老师与十一学校——AI加故宫的跨学科任务链，老师从讲授者变成认知冲突制造者 * 共创：Jade老师与程序员——AI应该介入课前/课中/课后的哪个环节？学习临场感在判断的瞬间，不在获取的瞬间 * 职业身份：Yibing老师——一键生成AB卷，月考中AI语音突然响起；会用工具的老师如何成为工具的创造者 💰 第二条线：真实付费痛点 需求成立不稀缺，稀缺的是商业成立。五个样本，五种卡点。 * 作文说（李日新）：黑客马拉松起点，套壳产品的正名——关键不是技术，是老师认同感与获客成本 * Thinkverse（Sean）：To B数学辅导，Measure Growth让老师看见学生卡在哪里，数据显性化而非智能化 * 一人公司模型（Karen）：14个月田野调查，轻盈创业 vs 消耗型创业，Agency（主导力）是核心 * MemoBase（赵涵博）：记忆是个性化的底盘，工具层创业的开源路径与变现难题 * 高寒的三条产品线（警示）：需求成立 ≠ 商业成立；坚定投机或坚定不投机，最怕中间态 ⚙️ 第三条线：技术范式与加速 不是所有东西都叫Agent。三种技术形态，对应三种教育场景逻辑。 * Workflow工作流：串联环节、数据显性化（Thinkers案例）——不聪明，但清晰 * 并行LLM生产线：大规模批量处理内容（Mia Di Labs视频拆解问答）——快速但灵活性低 * 真正的Agent：目标拆解、执行、迭代（黑Boss）——让非技术用户用自然语言「雇佣」AI团队 * Vibe Coding的边界：适合表达与验证，不适合生产级系统；会用工具 ≠ 有Agency * Google三条线的威胁与启示：LearnLM（教学法对齐）/ Gemini in Classroom（工作流规模化）/ NotebookLM（个人研究台） 🏛️ 第四条线：制度与资本 有用不够，你得有效。进学校比做产品难。 * John Gamba（宾大教育AI加速器）：研究是教育市场的入场券，试点要合理收费+指标清晰 * Google SAT Prep：为什么选SAT——可测量、有历史数据，这是证据链的战略起点 * Jason Green：教学法对齐才是核心——把设备发进学校不等于课堂改变；AI只是加速了糟糕的教学流程会固化不公平 * Professor Diamond：可负担性（Affordance）与DBR设计型研究——工具看不出怎么用，就不会被采用 * 规模化的四道硬门槛：证据链 / 采购合同 / 教师培训 / 治理合规 🎯 总结与2026年展望 * 四层框架一句话：临场感→值得做，付费痛点→能活下来，技术范式→交付得了，制度资本→规模得了 * 2026关键词：把人放回驾驶位——从生成到教学法一致性，从使用工具到创造工具 * 留给听众的三个问题：你场景里的临场感在哪里？你的价值有人付费吗？你用的是什么技术形态？ -----------------------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------------------- 📌 核心概念词 1. 临场感（Presence） 指学习或关系中那些【被看见】的关键时刻——学生意识到【我可以】的瞬间、被问题击中开始重组经验的瞬间、老师和学生产生真正共同注意力的瞬间。这是教育中最难被自动化的部分，也是评判AI教育产品价值的核心维度。不同于"参与度"或"互动率"等可量化指标，临场感强调的是质性的、关系性的在场体验。 2. Agency（主导力） 指个体对自身行动和工具使用的主动掌控感。在本播客语境中特指：会用工具不等于有主导力——你还需要知道工具背后的逻辑，知道自己要什么，并能在工具出问题时做出判断。Agent在技术层面指"智能体"，而Agency作为教育理念则强调学习者/老师作为主体的能动性，是2026年的核心议题。 3. 教学法对齐（Pedagogically Aligned） 指AI产品或工具的设计逻辑，与有证据支撑的教育学原理保持一致。谷歌的LearnLM是目前最具代表性的案例：将主动学习、认知负荷管理、个性化、好奇心激发、元认知五大学习科学原则写入模型训练过程。教学法对齐意味着AI不只是"加速内容生成"，而是能以符合人类认知规律的方式支持学习发生。 4. 反思性养育（Reflective Parenting） 来自发展心理学与依恋理论的概念，指父母能够从孩子的角度理解其内心状态，并觉察自己的行为对孩子产生的影响。研究表明，父母的反思功能（Reflective Functioning）对儿童安全依恋关系的建立有显著影响。 5. 寒武纪大爆发（Cambrian Explosion） 借用5.4亿年前地球生命形态突然爆发式多样化的地质事件，比喻2024年AI教育产品的爆发式涌现。进入2025年，隐喻从"物种涌现"演变为"生态位抢占"——大型捕食者（科技巨头）入场，小型物种（创业团队）面临资源竞争与生存压力，行业进入结构性重组阶段。 📌 技术词汇 6. Workflow（工作流） 将多个处理环节串联起来，形成固定执行流程的产品架构。不涉及目标自主拆解，适合流程相对固定、可预期的教育场景，如：做题 → 诊断 → 推荐 → 反馈。优势：速度快、成本可控、结果可预期。劣势：灵活性低，难处理复杂动态场景。 7. 并行LLM生产线（Parallel LLM Pipeline） 大规模并发调用大语言模型进行内容处理的技术形态。典型案例：Mia Di Labs将长视频拆解为片段，并行调用LLM生成问题、答案、解析，再映射回时间轴。不同于Agent，无目标自主拆解与迭代循环；不同于简单Workflow，依赖大规模模型并发能力。适合"内容工厂型"教育产品。 8. Agent（智能体） 能够自主进行目标拆解、任务执行、结果检查、策略迭代的AI系统，有时还能模拟多角色团队分工。真正的Agent有别于套了"Agent"名称的Workflow产品。教育场景中的Agent，如黑Boss，能让非技术用户用自然语言"雇佣"AI团队，将教学想法转化为可运行的小产品。 9. RAG（Retrieval-Augmented Generation，检索增强生成） 将外部知识库检索与大语言模型生成结合的技术架构。用户提问时，系统先从知识库检索相关内容，再将检索结果与问题一并输入模型生成回答。在教育场景中，RAG可提升AI回答的准确性和可追溯性，减少"幻觉"问题，是个性化学习系统的重要底层技术。 10. Vibe Coding / 氛围式编程 用自然语言驱动AI生成代码，快速将想法变为可演示原型的开发方式。工具包括Cursor、V0、Bolt、Lovable等。核心价值在于表达与验证，而非生产级系统构建。教育创业者可用其快速制作课程演示材料、小工具原型，降低传播和销售门槛。高寒明确指出：对生产级产品改变有限，但对内容传播和销售是巨大红利。 11. MCP（Model Context Protocol，模型上下文协议） 一种用于连接AI模型与外部工具、数据源的开放协议标准，旨在规范AI系统如何获取和传递上下文信息。在教育AI产品中，MCP可帮助系统更稳定地集成不同数据来源（如学生学习记录、课程材料、评估数据），提升系统互操作性。 📌 商业与产品词汇 12. 套壳产品（Wrapper Product） 基于现有大模型API构建的最小可行产品（MVP），本质上是在大模型能力外包裹特定场景的使用界面和工作流。并非贬义词——关键价值在于将行业know-how（如老师的批改标准）转化为可定制的模板与流程。真正的竞争门槛不在技术，而在于能否获得用户信任、形成差异化的数据积累与场景理解。 13. To B / To C / To G 产品销售对象的分类：To B（面向企业/机构，如学校、学区）、To C（面向个人消费者，如学生、家长）、To G（面向政府/政策层）。教育AI创业中，To B意味着采购周期长但客单价高、需要证据和合规；To C意味着获客成本高但规模潜力大；To G则需要政策理解与长期关系建立。 14. 设计型研究（DBR, Design-Based Research） 教育领域一种强调在真实情境中持续迭代的研究方法。不同于一次性实验，DBR要求研究者与实践者共同参与设计、实施、评估、修正的循环过程。Professor Diamond将其定位为教育AI产品最现实的迭代方式：它不是装饰性的背书，而是产品团队的底层操作系统。 15. 可负担性（Affordance） 源自生态心理学家吉布森的概念，指环境或工具向使用者提供的行动可能性。在教育技术领域，指用户能直观感知到工具"可以用来做什么"的能力。Professor Diamond强调：可负担性是一种感知现象——即使工具很强大，如果老师看不出怎么用，它就不会被采用。这是教育AI产品设计中常被忽视的关键维度。 16. 轻盈创业 vs 消耗型创业 Karen对教育个人创业者的分类框架：消耗型创业指没有结构支撑，靠堆人力和时间维持运转，最终创业者精力耗尽；轻盈创业指通过清晰的产品结构、定价模型和交付边界，在不增加线性工作量的前提下扩展规模。关键词：Agency（主导力）对抗消耗。

Hello 大家好，欢迎来到教育AI智造者播客。 在开始之前需要做一个声明，这是一期在2025年7月份录制的播客。由于伊伊子个人时间安排，一直没有发布。英文转录中文，虽然有AI协助，但是也花费了不少时间。过去了将近半年，时间不短不长，在AI非线性的加速进步下，可能很多条件和场景都发生了变化，不过我相信好的内容可以超越时间，better late than never.：） 在这一期节目里，我们想直面一个在教育圈、AI 圈都被频繁提及、却经常被“讲歪”的问题：如果 AI 正在改变教育，那么到底是“教学被自动化了”，还是“教学终于有机会被重新理解”？ 这是一个看似抽象、但对每一位教育者、产品设计者、创业者都极其现实的问题。因为今天你所看到的大量“教育 AI 产品”，正在悄悄把一个危险的前提当成共识——只要生成更快、效率更高、内容更个性化，学习就会自然发生。 但事实真的如此吗？ 我邀请到的嘉宾是 Jason Green —— Your Way Learning（前身 Link）的创始人兼 CEO、沃顿 MBA、宾夕法尼亚大学教育学院（Penn GSE）校友，同时也是《Blended Learning in Action》的合著者。 但比这些头衔更重要的是： Jason 是一个从学习者、教师、一线实践者，一路走到系统设计者的人。 他并不是从“AI 能做什么”“模型有多强”出发，而是二十多年反复围绕同一个问题打转：为什么有些课堂会让学生被点燃，而有些课堂却让他们一点点消失？ 在他的故事里，有一个反复出现的场景：他小时候在课堂上经常“掉线”，并不是因为不聪明，而是因为讲授式教学从一开始就不适合他。真正让他理解知识的，往往是同伴的一句话、一次讨论、一次共同推演。后来，当他在高中做导师、在课后项目中陪伴学生时，他一次又一次确认了这件事：问题从来不在学生，而在课堂结构本身。 也正因为如此，当生成式 AI 出现、教育行业集体兴奋时，Jason 的反应并不是“我们终于可以自动生成教案了”，而是一个更冷静、也更锋利的判断：如果 AI 只是帮我们把原本就有问题的教学流程“加速”，那它并没有改变教育，反而可能固化了问题。 在这期对话中，我们一起深入拆解了几个很少被同时放在一张桌子上讨论的问题： * 为什么许多看起来“很先进”的 AI 教育产品，并没有真正改变学习的发生方式？ * 为什么传统意义上的教师培训（PD），在学习科学层面本身就存在结构性矛盾？ * 什么是 “pedagogically trained AI”——以及为什么这不是一句营销口号，而是一条非常难走、却极其重要的产品路线？ * 当生成式 AI 进入课堂，为什么 Agency（主导力） 会同时成为学生和教师最关键、也最容易被忽视的能力？ * 在教育巨头林立、政策高度复杂的现实中，一家坚持“教学法优先”的 AI 公司，究竟如何思考未来五年的生长方式 如果你是一位老师、教研人员、校长、教育产品经理、EdTech 创业者，或者你正在反复问自己：AI 到底是在帮我减负，还是正在悄悄重塑我作为教育者、设计者的角色？那么这一期节目，会给你一个不轻松、但非常清晰、也极其落地的视角。 🧭 内容大纲 1️⃣ 引入：当我们谈“教育 AI”，到底在谈什么？ * 多数 AI 教育讨论，停留在“效率”和“生成” * 被忽略的问题：学习是如何真正发生的？ * 本期核心主线：AI ≠ 教学替代，而是教学结构重组 2️⃣ 嘉宾原点：一个“在课堂里经常掉线”的学生 * Jason 小学到大学：在讲授式课堂中频繁失联 * 真正的学习，发生在同伴的一句话、一次讨论里 * 第一个关键洞察：问题不在学生，而在学习环境 3️⃣ 一线冲击：当导师，看见系统性学习失败 * 在高中做导师，面对高年级却低阅读水平的学生 * 从“想读法学院”到“必须改变课堂” * 教育使命的形成：不是补救学生，而是重构体验 4️⃣ 教学法觉醒（无理论阶段） * 用乐高、音乐、项目唤醒“被判定为不参与”的学生 * 第一次直观理解：非传统学习方式 ≠ 降低标准 * 关键感受：投入感先于成绩发生 5️⃣ 理论补全：Penn GSE 与学习科学 * 建构主义、学习者中心框架如何“把点连起来” * 从直觉走向可复制、可迁移的教学语言 * 教学不是技巧，而是系统设计 6️⃣ 项目式学习的真实验证 * 数学×创业、语音×音乐、阅读×身份认同 * 学生放学后冲向校车去学习中心的瞬间 * 核心结论：学生会用行动回应好的教学设计 7️⃣ 关键转向：从学生到教师，从 pedagogy 到 andragogy * 设备进校≠课堂改变（电脑锁在柜子里） * 真正的杠杆在教师：改变一个老师，影响一代学生 * 引入成人学习法：教师也需要“做中学” 8️⃣ 生成性变革模型：为什么教师培训总是失败？ * 与 Stanford 学者 Anita Ball 博士合作 * 反思 → 内省 → 理念生成 → 尝试 → 行动研究 → 内化 → 生成 * 传统 PD 的致命问题：自己就违背学习科学 9️⃣ 教育公平：隐藏课程与阶层化学习方式 * 工人阶层 vs 精英阶层课堂的根本差异 * 在 AI 时代，“信息输入—信息输出”迅速贬值 * 真正的不公平：谁被训练成“思考者” 🔟 PACC 框架：把公平做成学习结构 * Personalization（个性化） * Agency（主导力） * Connectivity（连接） * Creativity（创造） * PACC ≠ 体验升级，而是未来生存力的分配机制 1️⃣1️⃣ Your Way Learning：使命没变，但路径倒过来 * 疫情后教师处在“勉强浮在水面”的状态 * 不是再给培训，而是把教学法直接嵌进工具 * AI 的真正价值：把“最难的教学决策”变得可用 1️⃣2️⃣ 教师在驾驶位：为什么 prompt 不该交给老师学 * 写 prompt 本身是技能门槛 * 教学已经够难，不能再加一层技术负担 * Your Way 的选择：把 prompt 做成有支架的体验 1️⃣3️⃣ 系统一致性：AI 不能是“拼盘” * 学校 / 学区 / 州标准的复杂现实 * 随机使用 ChatGPT = 系统碎片化 * Your Way 的定位：系统级一致性引擎 1️⃣4️⃣ Penn GSE × Your Way：AI Foundations 课程 * 为非技术背景教师设计 * 五周自定进度 + 即学即用 * 最关键模块：AI 驱动的差异化教学 1️⃣5️⃣ 最难的问题：巨头竞争下的五年未来 * AI 教育仍处早期，会经历“去泡沫化” * 技术会变，教学法不会 * 最终胜出的，是真正改变学习方式的产品 =============================相关推荐=================================== 💡 就像 Jason 在这期播客里反复强调的：问题不在工具，而在结构。 他用了二十年时间发现，真正阻碍学习发生的，从来不是学生不够聪明，而是课堂的设计本身就违背了学习科学。 同样的道理，也发生在今天很多人使用 AI 的方式上。 很多人用 AI，就像传统课堂里的"讲授式学习"——看起来在用，ChatGPT 也打开了，prompt 也写了，但工作方式并没有真正改变。这次效果不错，下次却不稳定；今天调通了一个流程，明天换个场景又得重头来过。 表面上在用 AI，实际上还是在"碰运气"。这不是你的问题，也不是 AI 不够强大，而是缺少一套可复用的使用结构。 🎯 AI Builders 解决的核心问题是：如何把 AI 从"偶尔有用"变成"可设计、可复用的系统"。 这门课由课代表立正和鸭哥两位藤校博士主讲，已经持续迭代了两年多，在 Maven 上评分 4.9/5，累计学员 2000+。 它不会教你"怎么写出更好的 prompt"，而是带你建立一套 Builder 方法： * 不再依赖零散对话，而是能主动设计 AI 在工作流中的位置 * 不再被工具牵着走，而是建立起一套清晰的判断结构：哪些该交给 AI，哪些需要人来定义边界 * 不再停留在一次性 demo，而是能把 AI 稳定、可控地放进真实工作里，长期运行、持续迭代 课程包含八个实操项目，带你在一次次上手中，建立起可迁移、可复用的使用框架。 🌟 更重要的是，你会加入 Superlinear AI 社区。 这是一个由 3000+ 来自 OpenAI、Google、Meta 等公司的学员组成的实践社区，沉淀了 300+ 真实落地项目。 在这里，你看到的不是"又学会了一个新工具"，而是很多人真实记录： * 有人为了鼓励妈妈学英语，做了一个 Translator + AI Tutor，每天真的在用 * 有人用 AI 自动化抓取和筛选工作岗位，10 分钟内处理 150 条信息，把原本要花几个小时的重复劳动直接放进了自动化流程 * 有人帮家人做了助听 APP，不是 demo，而是已经跑了几个月的真实产品 这些项目的共同点是：它们不是一次性的炫技，而是被稳定地放进了日常工作流，能够长期运行。 就像这期播客里讨论的生成性变革：不是听一次培训就能改变，而是在真实任务中做中学、在行动中迭代。 📚 如果你已经开始用 AI 提效，AI Architect 课程会进一步把视角拉到系统层面。 很多人做 AI 项目时，会不自觉地被"用什么模型、什么框架"拖进细节里。项目能跑，但注意力也在这个过程中被消耗完AI Architect 课程想做的，是带来一次彻底的角色转变。课程配套的 Builder Space 平台，一站式解决了开发环境搭建与应用部署问题，你能绕过琐碎的基础设施搭建，直接进入核心问题的设计。 真正的变化在于：你不再纠结"怎么写代码"，而是把注意力放在真正重要的事情上： * 这个系统要解决什么问题？ * 成功的标准是什么？ * 如何调度 AI 像一个团队一样协作？ * 系统如何随着模型迭代和需求变化持续演进？ 就像 Jason 在播客里说的：AI 的真正价值，是把"最难的教学决策"变得可用。 AI Architect 做的，就是帮你建立起一套属于自己的 AI 架构思维，让你在这场 AI 的长期演进中，始终站在主动的位置。 🎁 播客听众专属福利： 1️⃣ 先加入社区，感受真实的 Builder 氛围 👉 专属社区入口：go.ai-builders.com/yiyizi 免费加入 Superlinear AI 社区，围观 300+ 真实项目、参与高质量讨论。通过此链接加入的听众，未来 6 个月购买任意主课（AI Builders $648 或 AI Architect $498）可享受额外优惠。 2️⃣ 想先从编程基础入手？ 👉 《AI 时代编程基础》 coding.ai-builders.com 原价 $59，使用折扣码 YIYIZIAI 立减 $30，仅需 $29 3️⃣ 准备好系统学习？ 👉 AI Builders + AI Architect Bundle ai-builders.com 原价 $1048，使用折扣码 YIYIZI 立减 $100，仅需 $948 一次购买，终身更新 + 终身答疑 + 终身社区，14 天无理由退款 -----------------------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------------------- 教学法对齐（Pedagogical Alignment）指教学目标、学习活动、评估方式与学习科学之间的一致性，而非工具堆叠。 成人学习法（Andragogy）成人最有效的学习方式是“在真实任务中做中学”，而非听讲。 教学支架（Scaffolding）在关键节点提供支持，让学习者完成“刚好够难”的任务。

Hello 大家好，欢迎来到教育AI智造者播客。 在开始之前需要做一个声明，这是一期在2025年7月份录制的播客。由于伊伊子个人时间安排，一直没有发布。英文转录中文，虽然有AI协助，但是也花费了不少时间。过去了将近半年，时间不短不长，在AI非线性的加速进步下，可能很多条件和场景都发生了变化，不过我相信好的内容可以超越时间，better late than never.：） 在这一期节目里，我们想直面一个在教育圈、AI 圈都被频繁提及、却经常被“讲歪”的问题：如果 AI 正在改变教育，那么到底是“教学被自动化了”，还是“教学终于有机会被重新理解”？ 这是一个看似抽象、但对每一位教育者、产品设计者、创业者都极其现实的问题。因为今天你所看到的大量“教育 AI 产品”，正在悄悄把一个危险的前提当成共识——只要生成更快、效率更高、内容更个性化，学习就会自然发生。 但事实真的如此吗？ 我邀请到的嘉宾是 Jason Green —— Your Way Learning（前身 Link）的创始人兼 CEO、沃顿 MBA、宾夕法尼亚大学教育学院（Penn GSE）校友，同时也是《Blended Learning in Action》的合著者。 但比这些头衔更重要的是： Jason 是一个从学习者、教师、一线实践者，一路走到系统设计者的人。 他并不是从“AI 能做什么”“模型有多强”出发，而是二十多年反复围绕同一个问题打转：为什么有些课堂会让学生被点燃，而有些课堂却让他们一点点消失？ 在他的故事里，有一个反复出现的场景：他小时候在课堂上经常“掉线”，并不是因为不聪明，而是因为讲授式教学从一开始就不适合他。真正让他理解知识的，往往是同伴的一句话、一次讨论、一次共同推演。后来，当他在高中做导师、在课后项目中陪伴学生时，他一次又一次确认了这件事：问题从来不在学生，而在课堂结构本身。 也正因为如此，当生成式 AI 出现、教育行业集体兴奋时，Jason 的反应并不是“我们终于可以自动生成教案了”， 而是一个更冷静、也更锋利的判断：如果 AI 只是帮我们把原本就有问题的教学流程“加速”，那它并没有改变教育，反而可能固化了问题。 在这期对话中，我们一起深入拆解了几个很少被同时放在一张桌子上讨论的问题： * 为什么许多看起来“很先进”的 AI 教育产品，并没有真正改变学习的发生方式？ * 为什么传统意义上的教师培训（PD），在学习科学层面本身就存在结构性矛盾？ * 什么是 “pedagogically trained AI”——以及为什么这不是一句营销口号，而是一条非常难走、却极其重要的产品路线？ * 当生成式 AI 进入课堂，为什么 Agency（主导力） 会同时成为学生和教师最关键、也最容易被忽视的能力？ * 在教育巨头林立、政策高度复杂的现实中，一家坚持“教学法优先”的 AI 公司，究竟如何思考未来五年的生长方式？ 对我来说，这一期最重要的并不是某一个工具、某一个功能，而是 Jason 反复强调的一个立场：老师必须始终坐在驾驶位。AI 只能是可信赖的合作者，而不是教学决策的替代者。 如果你是一位老师、教研人员、校长、教育产品经理、EdTech 创业者，或者你正在反复问自己：AI 到底是在帮我减负，还是正在悄悄重塑我作为教育者、设计者的角色？那么这一期节目，会给你一个不轻松、但非常清晰、也极其落地的视角。 🧭 内容大纲 1️⃣ 引入：当我们谈“教育 AI”，到底在谈什么？ * 多数 AI 教育讨论，停留在“效率”和“生成” * 被忽略的问题：学习是如何真正发生的？ * 本期核心主线：AI ≠ 教学替代，而是教学结构重组 2️⃣ 嘉宾原点：一个“在课堂里经常掉线”的学生 * Jason 小学到大学：在讲授式课堂中频繁失联 * 真正的学习，发生在同伴的一句话、一次讨论里 * 第一个关键洞察：问题不在学生，而在学习环境 3️⃣ 一线冲击：当导师，看见系统性学习失败 * 在高中做导师，面对高年级却低阅读水平的学生 * 从“想读法学院”到“必须改变课堂” * 教育使命的形成：不是补救学生，而是重构体验 4️⃣ 教学法觉醒（无理论阶段） * 用乐高、音乐、项目唤醒“被判定为不参与”的学生 * 第一次直观理解：非传统学习方式 ≠ 降低标准 * 关键感受：投入感先于成绩发生 5️⃣ 理论补全：Penn GSE 与学习科学 * 建构主义、学习者中心框架如何“把点连起来” * 从直觉走向可复制、可迁移的教学语言 * 教学不是技巧，而是系统设计 6️⃣ 项目式学习的真实验证 * 数学×创业、语音×音乐、阅读×身份认同 * 学生放学后冲向校车去学习中心的瞬间 * 核心结论：学生会用行动回应好的教学设计 7️⃣ 关键转向：从学生到教师，从 pedagogy 到 andragogy * 设备进校≠课堂改变（电脑锁在柜子里） * 真正的杠杆在教师：改变一个老师，影响一代学生 * 引入成人学习法：教师也需要“做中学” 8️⃣ 生成性变革模型：为什么教师培训总是失败？ * 与 Stanford 学者 Anita Ball 博士合作 * 反思 → 内省 → 理念生成 → 尝试 → 行动研究 → 内化 → 生成 * 传统 PD 的致命问题：自己就违背学习科学 9️⃣ 教育公平：隐藏课程与阶层化学习方式 * 工人阶层 vs 精英阶层课堂的根本差异 * 在 AI 时代，“信息输入—信息输出”迅速贬值 * 真正的不公平：谁被训练成“思考者” 🔟 PACC 框架：把公平做成学习结构 * Personalization（个性化） * Agency（主导力） * Connectivity（连接） * Creativity（创造） * PACC ≠ 体验升级，而是未来生存力的分配机制 1️⃣1️⃣ Your Way Learning：使命没变，但路径倒过来 * 疫情后教师处在“勉强浮在水面”的状态 * 不是再给培训，而是把教学法直接嵌进工具 * AI 的真正价值：把“最难的教学决策”变得可用 1️⃣2️⃣ 教师在驾驶位：为什么 prompt 不该交给老师学 * 写 prompt 本身是技能门槛 * 教学已经够难，不能再加一层技术负担 * Your Way 的选择：把 prompt 做成有支架的体验 1️⃣3️⃣ 系统一致性：AI 不能是“拼盘” * 学校 / 学区 / 州标准的复杂现实 * 随机使用 ChatGPT = 系统碎片化 * Your Way 的定位：系统级一致性引擎 1️⃣4️⃣ Penn GSE × Your Way：AI Foundations 课程 * 为非技术背景教师设计 * 五周自定进度 + 即学即用 * 最关键模块：AI 驱动的差异化教学 1️⃣5️⃣ 最难的问题：巨头竞争下的五年未来 * AI 教育仍处早期，会经历“去泡沫化” * 技术会变，教学法不会 * 最终胜出的，是真正改变学习方式的产品 -----------------------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. 教学法对齐（Pedagogical Alignment） 指教学目标、学习活动、评估方式与学习科学之间的一致性，而非工具堆叠。 2. 学习者中心（Learner-Centered） 以学生的理解路径、参与方式和认知发展为设计起点，而非内容传递。 3. 成人学习法（Andragogy） 成人最有效的学习方式是“在真实任务中做中学”，而非听讲。 4. 生成性变革（Generative Change） 教师通过反思—行动—研究—迭代，不断生成更成熟的教学实践。 5. 行动研究（Action Research） 把课堂视为实验场，用失败作为数据，而不是证据。 6. 教学支架（Scaffolding） 在关键节点提供支持，让学习者完成“刚好够难”的任务。 7. 隐藏课程（Hidden Curriculum） 学校无形中传递的社会规则、思维方式与权力结构。 8. PACC 框架 Personalization / Agency / Connectivity / Creativity 用于设计真正具有公平性的学习体验结构。 9. 主导力（Agency） 个体对学习目标、路径和节奏的掌控能力，是 AI 时代最核心的人类能力。 10. Pedagogically Trained AI 以学习科学与教学法为底层约束的 AI，而非单纯内容生成器。 11. 系统一致性（Coherence） AI 工具与学校、学区、课程标准保持一致，避免碎片化实践。 12. 教师在驾驶位（Teacher-in-the-Driver’s-Seat） AI 作为协作者，而非决策替代者。