教育AI智造者

大家好，欢迎回到《教育AI智造者》。过去两年，我做了很多看起来彼此分散的教育 AI 项目：帮助自己理解日语剑道视频的学习工具、论文搜索与阅读、从研究到产品需求的转换、知识图谱、数学概念可视化、互动学习页面、教学智能体、评价器，以及学习者运行记录。这些项目有的仍在继续，有的已经停止，有的只是很快做出来的原型。它们看起来并不属于同一个产品，却不断把我带回同一个问题：当人工智能已经可以非常快速、低成本地生成内容、页面和软件以后，教育产品中真正值得被认真设计的，究竟是什么？我现在的答案越来越接近四个词：目标、判断、证据和责任。我们想让谁发生什么变化？为什么选择这一步，而不是另外一步？看见了什么，我们才有资格说学习可能发生了？当系统并不确定时，它应该继续给出一个自信的答案，还是停下来寻找更多证据？EduOS 就是在我试着把这些问题写进软件以后，逐渐长出来的东西。这个名字里的 OS，是 Operating System，也就是“操作系统”。但我并不是想重新制造一个庞大的教育平台，也不是想把老师、学生、课程和人工智能全部装进同一个超级应用。相比一个所有人都必须进入的界面，我更想做的是一套教学运行环境：它可以被老师直接使用，也可以被教育科技产品放进自己的系统，还可以由更大的智能体工作框架在需要教学判断时调用。它最初被设计成一个命令行工具。模型和智能体可以提出方案，但验证、授权、执行和记录要由更稳定的系统负责。一次教学判断使用了什么证据、调用了什么能力、为什么进入下一步，都应该能够被检查和追溯。但这期节目不是一次产品发布。EduOS 做到一半，被我自己推翻了。它已经有能够运行的代码、教学图、案例、学习程序、事件记录和解释工具。也正因为它真的运行起来了，我才看见一个无法继续忽视的空缺：这套系统可以把一个教学决定执行得很规范，却没有真正回答——这个决定为什么值得产生？如果目标、评价标准、学习困难和教学动作都已经被预先写进输入，系统当然可以稳定地执行；但最困难的教学智慧，会不会早已被偷偷放进了输入？面对一个陌生的学习者、一项新的学科任务和一组很长的材料，模型怎样发现真正的学习困难？当几种教学理论彼此冲突时，它怎样保留张力，而不是从目录里挑一个听起来合适的名字？如果这些问题没有解决，那么完整的工程结构和漂亮的运行日志，也可能只是把一个未经证明的教学判断执行得更加稳定。所以，我没有发布 EduOS。但推翻一个项目，并不等于这段探索什么都没有留下。在这期节目里，我会从最早的 YouTube Sensei 讲起：为什么一个只想帮助自己听懂剑道老师的个人工具，让我开始相信软件可以围绕人的真实需要重新生长；为什么实现越来越便宜以后，选择和判断反而变得更加昂贵；以及我怎样从一个个具体应用，逐渐走向“教学基本单元”和“框架优先，应用其次”。我也会具体解释，什么是教学基本单元。它并不只是按钮、卡片、高亮或拖动组件，而是一种把教学目的、适用条件、学习者动作、学习证据和使用边界连接起来的设计结构。界面告诉我们“可以做什么”，教学基本单元还要回答“为什么在这里这样做，以及我们凭什么认为它可能帮助学习”。推翻 EduOS 以后，我又开始尝试一种“工作图”：让模型先形成一个公开、可检查、可修改的学习设计状态，再围绕局部关系继续读取材料、选择能力和生成产物。它不是模型私下的思维链，也不是一张为了展示而存在的漂亮流程图。它更像一个人和系统都能共同查看的推理工作台。这轮实验仍然没有给出一个宏大的答案。它没有证明把输出画成图以后，模型就会变得更聪明；但它让我更清楚地看到，教学设计中的关系、证据、不确定性和注意焦点，需要以什么方式变得可见。这也改变了我对开源的理解。开源不一定只发生在成功以后。没有发布的系统、走错的图结构、失败的提示词、解析规则、评价方法、开发日志，以及能够独立使用的教学基本单元，也可以成为公共材料。重要的不是把所有代码原封不动地扔出来，而是诚实标明：什么已经可以运行，什么仍然只是实验，什么已经被推翻，什么还没有证据。所以，这期节目表面上是在复盘一个没有发布的“教育操作系统”，更深处讨论的其实是：当人工智能可以生成越来越多东西以后，我们怎样让教学判断变得可见、可讨论、可修改，也保留人拒绝系统判断的权利？内容大纲- EduOS 为什么叫“教育操作系统”？它为什么不是一个把所有功能装进去的超级应用？- 从一个只想听懂日本剑道老师的个人需求出发，YouTube Sensei 如何改变了我对个性化学习工具的理解？- 软件能不能不再要求所有人进入同一个固定房间，而是让不同能力围绕真实任务临时组合？- 当生成页面和应用越来越便宜，为什么“选择什么值得做”反而成为更昂贵的能力？- 从教育研究到产品设计：什么是“操作化”？为什么“深度理解”“有效反馈”和“提供支架”不能只停留在产品介绍或提示词里？- 什么是教学基本单元？它与按钮、卡片、高亮、拖动等普通界面组件有什么区别？- 从英语长句分层到面积与周长可视化：一个教学基本单元为什么必须同时包含目的、条件、学习动作、证据和边界？- 为什么把几个优秀组件拼在一起，并不会自动得到一节好课？教学基本单元、教学流程和完整学习案例分别保存什么？- “框架优先，应用其次”到底是什么意思？为什么它不是说应用、界面和使用体验不重要？- EduOS 为什么采用命令行？老师、教育科技产品和更大的智能体工作框架，可以怎样从不同入口调用同一套教学能力？- 一个已经能够运行、测试和重建记录的系统，为什么反而被我推翻？- 当系统擅长验证、执行和记录，却不知道一个教学决定为什么值得产生，工程完成度还能代表问题已经解决吗？- 什么是工作图？它与思维链、知识图谱、课程目录和预先写死的控制流程有什么不同？- 固定拓扑、字符画和严格输出格式分别带来了什么失败？为什么机器需要稳定的关系表达，而人需要一眼能够看懂的空间视图？- 不同云端模型和本地模型在复杂指令与严格格式下表现如何？“有能力推理”和“能够被智能体安全调用”为什么是两个不同的问题？- 一张图为什么不会自动带来长期记忆或节省上下文？局部焦点、能力选择和运行权限应该怎样分层？- EduOS 没有发布以后，教学基本单元为什么仍然值得被整理、验证和开放？- 开源是否只能开放成功的完成品？失败案例、实验记录和被推翻的假设，可以怎样帮助后来的人少走一些弯路？- 真正以人为中心的软件，为什么不仅要响应人的需要，还要允许人参与定义需要、看见决定依据，并知道系统什么时候不应该越过边界？人工智能可以生成一个看起来完整的答案，但教育真正困难的部分，是判断什么变化值得发生、什么证据足以支持下一步，以及谁应该为这个决定负责。-----------------------关于伊伊子----------------------伊伊子的小红书传送门伊伊子个人网站EduAI Builders 网站EduAI Builders GitHub----------------------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交流行业动态、分享实践经验，并共同讨论人工智能将如何改变教育。期待在听友群中与您相遇，共同成长！😊请大家填写微信联系方式时，务必确认拼写完整、正确。我们遇到过几次微信 ID 无法识别的情况，谢谢大家！============关键词解析============EduOS｜教育操作系统EduOS 中的 OS 来自 Operating System，也就是“操作系统”。这里的操作系统并不是一个类似电脑桌面的巨大界面，而是一种教学运行环境：它负责组织教学能力怎样进入任务、模型可以读取什么、能够调用哪些工具、什么判断必须验证，以及一次学习过程需要留下什么记录。本期讨论的 EduOS 没有正式发布。它已经形成过可以运行的工程结构，但由于没有解决“可靠教学决定如何形成”这一核心问题，开发在中途被主动停止和重新审视。Pedagogical Runtime｜教学运行环境教学运行环境是模型真正开始处理教育任务时，安排它如何工作、允许它做什么，以及要求它留下哪些证据和记录的那一层。模型可以提出建议，但建议不应自动变成决定；能力、权限和责任必须被区分。Command Line Interface（CLI）｜命令行界面命令行不是通过网页按钮操作，而是在终端中输入明确指令，例如编译教学图、组合案例、运行活动、查看轨迹，或者询问系统为什么选择某一步。它并不是所有老师最终都要面对的界面，而是一个透明、容易组合的底层入口。老师可以直接使用，教育科技产品可以在后台调用，更大的智能体工作框架也可以把它作为教学能力的一部分。Agent Harness｜智能体工作框架智能体工作框架是承载人工智能完成复杂任务的外部系统。它可能负责文件、日程、工具调用、权限、记忆和任务状态。在 EduOS 最初的设想中，更大的工作框架可以处理一般事务，并在真正需要教学判断时调用 EduOS。Pedagogical Primitive｜教学基本单元教学基本单元不是普通界面组件，也不是“最佳教学法”清单。一个相对完整的教学基本单元至少需要说明五件事：它想达到什么教学目的、适合什么条件、学习者需要进行什么动作、什么可以成为学习证据，以及在什么情况下不应该使用。它尝试把教学意图、学习动作、表现形式、证据要求和使用边界连接起来，使一种教学能力可以被不同老师、产品和系统复用、修改与检验。Operationalization｜操作化操作化是把抽象概念转化成可以观察、执行和检验的结构。教育产品经常使用“深度理解”“有效反馈”“启发性”和“个性化”等词；如果不能继续说明它们改变了什么、产生什么证据、在什么情况下成立，这些词就很容易变成装饰。Framework First, Apps Second｜框架优先，应用其次“应用其次”并不是说应用、界面或体验不重要。这里的“优先”是指：先明确哪些教学判断、证据关系和权责边界，不应该随着某一个具体界面一起消失；再让不同应用成为检验这套框架的真实证据。框架提供方向，应用提供证据。应用并不是框架的包装，它也会通过真实使用不断暴露框架的问题。Learning Evidence｜学习证据点击、停留时间和完成率可以提供线索，但不能被直接等同于理解。更有价值的学习证据，可能来自学习者选择的理由、修改前后的变化、能否迁移到新情境，以及能否区分相似但不同的概念。当系统缺少足够证据时，更负责任的做法可能不是继续下结论，而是保留不确定性，并设计一个成本较低、能够区分不同原因的后续任务。Trace｜运行轨迹运行轨迹不是为了监控学习者的每一次点击，也不是把一个人变成一串数据。它是为了让系统能够回到真实发生过的事情：学习者提交了什么，系统引用了哪一段作为证据，依据什么标准形成了怎样的有限判断，又为什么选择下一步。Working Graph｜工作图工作图不是模型私下的思维链，也不是传统知识图谱、课程目录或预先写死的流程。它是一种公开、可以检查、可以修改和复用的学习设计推理状态。它让人能够看见：当前怎样理解学习问题，哪些关系彼此支持或限制，系统此刻关注哪里，以及这一局部为什么需要某一种教学能力。Deterministic Parser｜确定性解析器确定性解析器通过明确规则检查模型输出，而不是再请另一个模型猜测原模型想表达什么。符合协议的结果可以继续运行；可以安全修复的格式问题会被透明标明；存在歧义、无法可靠解释的内容则会被拒绝。模型说得有没有道理，与它的输出能不能被智能体安全地继续使用，是两个不同维度。Human-in-the-Loop｜人在回路中人在回路中并不只是让教师在人工智能完成工作以后按一下确认。它意味着人能够看见系统使用的证据和理由，修改目标，拒绝不恰当的判断，并决定哪些权力不能交给模型。真正以人为中心的软件，不只要能够响应人的需要，还要让人有能力参与定义需要；不只替人做决定，还要让决定的依据可见；不只越来越聪明，也要知道什么时候不应该越过边界。Open Source｜开源开源不只是公布一个成功的完成品。开发日志、失败案例、提示词实验、解析规则、评价方法和可独立使用的教学基本单元，也可以成为公共材料。负责任的开源需要说明状态：什么已经可以运行，什么仍然只是实验，什么已经被推翻，什么还缺少证据。开放的价值不在于要求所有人接受同一套框架，而在于让判断有机会被看见、争论、修改和重新组合。在小宇宙查看该单集文稿

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。但如果 AI 已经能在几分钟内写出一份项目方案、一套课程流程，项目式学习（PBL）真正困难的问题还剩下什么？这一期，我邀请到了 Xichen。她曾在中美不同的教育场景中从事项目式学习：从社会科学夏令营、机器人与 STEM 教育，到美国公立学校；如今，她也在为成人设计与真实企业问题相连的 AI 技能培训。这次对谈让我重新理解了一件事：PBL 并不是“把一节课做得更热闹”，也不是给学生一个看似开放的题目，再让他们交一份漂亮的作品。真正困难的部分，是让学习者面对一个真实、恰当、值得自己投入的问题；是让教师从内容传递者变成问题解决者和引导者；也是让学校、社区、企业与学生之间，建立起足以承载责任的信任。Xichen 提到，一个好的项目不会从一份完美课件开始，而是从 problem framing 开始：先理解真实约束——学生是谁、教师能投入多少时间、师生比如何、是否有外部组织愿意参与、最终要让学生展示什么。项目的核心也不是“没有标准答案”，而是帮助不同起点的学习者，在脚手架的支持下，找到对自己真正有意义的答案。我们也具体聊了 AI 在 PBL 中最值得进入的位置：它可以帮助小团队搭建学生数据系统，处理大量形成性评估的初步扫描，标出需要教师重点关注的学生；但最重要的里程碑、专家的隐性知识、教师对学生的理解，以及学生愿不愿意对一个问题负责，依然不能被简单自动化。所以，这期节目表面上在讨论“AI 如何帮助 PBL”，更深处讨论的其实是：当我们把越来越多教学工作交给 AI，教育里哪些东西会因此被放大？又有哪些东西，仍然必须由人与人之间的信任来发生？内容大纲- 从中国到美国、从 K12 到成人培训：为什么 Xichen 有意识地在不同学习场景中做 PBL？- PBL 与传统学科教学最大的不同是什么？“没有标准答案”为什么不等于“没有要求”？- 成人学习与儿童学习的共同点：学习者都在试图解决当下的问题，也都带着自己的经验进入课堂。- PBL 不是买一套案例、套进学科就能发生：教育者为什么必须先经历一次真正有效的项目式学习？- 从教师自己的兴趣出发：一位喜欢音乐的语文老师，如何让歌词、创作与表达自然长成一个项目？- 课程设计的第一步不是写活动，而是 problem framing：如何识别项目的约束条件（design constraints）？- 为什么“谁都可以照着上”的标准化 PBL，反而可能失去灵魂？教师培训、教师兴趣与项目运营之间如何配合？- 真实问题为什么重要？外部组织、社区与企业的参与，如何让学生的成果不只是一道“假题”？- 低年龄学生能不能做 PBL？从 Reggio Emilia 到 PBL literacy：项目的复杂度应该如何逐步增加？- AI 在项目式学习中应该做什么：学生数据追踪、形成性评估初筛、界面与工具开发；又有哪些事仍应由教师完成？- 从 backward design 到 project milestone：如何先定义要培养的能力，再找到最值得人工深度评估的关键节点？- 专家为什么仍然不可替代？观察专家如何解决模糊问题，如何帮助我们看见 AI 不容易显性的隐性知识？- AI 是 co-pilot 还是 autopilot？如果把 PBL 流程完全自动化，最容易丢掉的是什么？本期最重要的关键词：**trust**。学生愿不愿意承担责任，往往取决于是否有人真的相信他们，也是否有一个社区认真对待他们做出的成果。-----------------------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============Project-Based Learning（PBL）｜项目式学习PBL 不是“以项目为包装的活动课”。在这期对谈中，它指向的是一种以开放问题和真实产出为中心的学习方式：学习者需要在持续探索、协作和迭代中，解决一个对自己或外部世界有意义的问题。项目可以没有唯一答案，但仍然需要清晰的目标、支架与评估。Open-Ended Question｜开放性问题开放性问题不是一道“老师早就知道答案”的题，而是允许多种合理路径与成果的复杂问题。它要求学习者解释自己的判断、与同伴协作，并在不确定性中不断调整方案。PBL 的价值不只在于最终做出什么，也在于学习者如何走过这个过程。Problem Framing｜问题建构 / 问题框定拿到一个模糊需求后，课程设计并不会直接开始。设计者需要先明确学习者特征、时间、师生比、教师经验、预算、培训投入、项目运营方式等约束，再决定问题应该被设计到什么范围。好的 framing 不只是“定义题目”，更是在决定什么样的学习体验在现实中真的可行。Design Constraints｜设计约束设计约束是项目中无法忽略的现实条件，例如：有多少位教师、教师能否得到培训、学生有多少时间、是否能接触真实企业或社区。它们不是限制创意的附属信息，而是决定一个 PBL 项目能否被真实、稳定地实施的前提。Authentic Problem｜真实问题真实问题并不一定意味着“很大”或“很难”，而是有人真正关心它、学生的工作能够被真实的人看见并回应。Xichen 认为，如果只是为课堂虚构一个问题，学生往往知道那又是一道题；而与社区、企业或组织相连的问题，才更可能让学生感到自己的努力有意义。Facilitator｜学习引导者在 PBL 中，教师不只是讲授知识的人，更要帮助学生理解问题、管理协作、获得必要资源、在卡住时提供支架，并在恰当的时候退后。这个角色要求教师具备很强的判断与现场应对能力，因此 PBL 很难只靠一份固定教案被“复制”。Scaffolding｜脚手架脚手架是在学习者暂时还不能独立完成任务时，提供的结构性支持：可能是问题框架、基础技能练习、示范、检查点，也可能是一轮高质量反馈。它的目的不是替学生完成项目，而是让学生最终能够独立承担更多工作。PBL Literacy｜项目式学习素养正如玩家对游戏有不同的熟悉程度，学生对项目式学习也有不同的准备程度。一个刚开始做项目的学生，可能还不擅长设定目标、管理时间、协作或面对模糊问题；因此，项目的开放程度与复杂度需要逐步提升，而不能默认每个学生都已具备自驱与协作能力。Formative Assessment｜形成性评估形成性评估发生在学习过程当中，用来帮助学生和教师看见“现在学到了哪里、下一步需要什么”。在这期节目里，它可以是反思、同伴反馈、小组产出或阶段性作业。AI 可以协助初步浏览大量材料、标出异常或需要关注的学生，但不应替代教师对关键学习时刻的理解。Summative Assessment｜总结性评估总结性评估通常发生在一个学习阶段结束时，例如考试、最终作品或展示，用来判断学习者达到目标的程度。PBL 并不排斥总结性评估；关键是不能只在项目结束时才发现学生一路上已经偏离了方向。Backward Design｜逆向设计逆向设计是先确定希望学生最终发展出的能力与成果，再反推需要哪些学习经历、支架和评估节点。本期中，Xichen 的团队会先关注问题解决、沟通、协作与自我管理等能力，再选择最能体现这些能力的项目里程碑。Project Milestone & Showcase｜项目里程碑与成果展示里程碑是项目中少数需要被认真设计、并由教师深度关注的关键时刻。例如：学生如何界定企业的根本问题，或如何在最终展示中讲清楚解决方案、推理过程与成品。相比把所有作业都平均用力地批改，聚焦里程碑更能让有限的教师时间落在真正重要的学习上。Tacit Knowledge｜隐性知识AI 很擅长调用显性的流程、概念与答案；但专家在真实工作中形成的判断——何时追问、何时换工具、什么是“暂时不用学”的知识——往往并没有完整写在任何教材里。观察专家解决真实问题、与专家对话，是课程设计者提炼这种隐性知识的重要方法。Human-in-the-Loop｜人在回路中AI 可以成为课程设计与运行的辅助系统，但它不应把教师、专家和学习者移出决策。更好的路径是：让 AI 处理重复、规模化的信息工作，把人类的注意力留给关系、判断、反馈、意义与责任。Trust｜信任这是贯穿整期节目、也最难被产品化的概念。学校是否信任教师有空间设计项目？教师是否信任学生能承担一部分真实责任？学生是否相信自己的投入会被认真看待？如果没有这些关系，PBL 很容易只剩下一套形式；而有了信任，学生才可能真正把学习的责任扛在自己肩上。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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： [email protected]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 DebugChatGPT 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！在小宇宙查看该单集文稿

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 PPTHTML 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！在小宇宙查看该单集文稿

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：[email protected]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！在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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。在小宇宙查看该单集文稿

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 $293️⃣ 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。在小宇宙查看该单集文稿

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------------------- 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。 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。 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。 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。 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。 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。 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。 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。 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。 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。 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。 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。在小宇宙查看该单集文稿

Hello大家好，欢迎来到教育AI智造者播客~这一期《教育AI智造者》，我不想聊“成功案例”，也不想聊“失败复盘”，而是想把镜头对准一种更常见、也更难被说清楚的状态：教育AI创业的中间态——产品做出来了、用户也有了，甚至还收过钱，但就是卡在一个尴尬区间：不算失败，却很难被称为成功。我邀请到返场嘉宾高寒(第十五期嘉宾)。过去一年，他在国内一家大型教育平台的子公司做了三条相当典型的教育AI产品线：错题本、AIPPT、试卷诊断报告。它们都有真实上线、真实用户、真实付费与反馈，但也都经历了“0→-1”的现实：钱花了、动作做了、推广也跑了，最后却发现真正决定生死的，不是“需求真假”，而是商业闭环与现金流节奏。这期最刺痛、也最有价值的部分是：我们一起拆解那些被创业叙事包装过的词——“产品足够好就会成功”、“ship fast fail fast”、“找刚需就稳赢”——在真实战场里它们往往只是漂亮口号。高寒给出的结论很直接：需求大多都是真的，唯一不确定的是你怎么在商业上活下来；而“把钱花明白”，可能比“找需求”更难、更关键。我们还聊到一个非常反直觉但很当下的判断：vibe coding 对生产级产品的改变有限，但对自媒体与表达型创作者是巨大红利——它不一定让你“以一顶百做出爆款App”，但能让你以极低成本制造出“可演示的素材”，把抽象想法变成可视化作品，再反过来降低你做内容、做传播、做销售的门槛。如果你正在做教育AI工具、做老师向产品、做内容与课程、或者你也处在“要不要继续”的拉扯里，这期可能会给你一种更清醒的坐标：别急着定义成功与失败，先把节奏、现金流和情绪控制做对。🧭 内容大纲1️⃣ 引入：为什么这期不聊成功，也不聊失败？ 教育 AI 项目大量出现：有 demo、有用户、有留存，甚至有付费 但更多人卡在一种说不出口的状态：不算失败，却也走不动 本期核心问题：为什么 0→1 走完了，1→10 却如此艰难？2️⃣ 嘉宾返场：一年三条产品线的真实经历 嘉宾高寒：过去一年在大型教育平台子公司负责 AI 教育产品探索 三个项目：自动错题本，AIPPT 教学课件生成， 试卷诊断与分析报告 共通点：全部真实上线，有真实用户与付费，也都走到了 0→-1 的现实3️⃣ 从“真实需求”出发，为什么还是走不下去？ 初期决策逻辑：从身边需求出发（家长、老师、学生）， 先做出来，再看能否商业化 后来的反思：需求大多都是真的， 真正不确定的是：你能不能挣得比你花得多4️⃣ 错题本的反直觉现实：成熟场景很难被 AI 重构 错题本的核心价值不是“讲解更好”，而是错题重做 交互路径早已有最佳实践 AI 能提升效率，但很难颠覆核心体验 冲突点：AI 看起来很强， 但“创新过度”反而可能伤害体验5️⃣ AIPPT 为什么是 0→-1？ 需求是否存在？存在 问题不在产品，而在商业节奏：销售启动太晚，收款周期过长，开发与推广成本过高 关键反思：做得“很正确”，但依然不挣钱6️⃣ “打磨好产品” vs “ship fast”：其实是同一件事 两种常见创业叙事：快速试错、不断撒币VS坚定方向、重投入打磨 嘉宾判断：本质没有区别, 都是在有限时间和资金里，押一个回报节点 真正重要的不是方法，而是：你什么时候该停、该转、该收缩7️⃣ to VC 这条路：不是顺便融资，而是一种“客户选择” VC 不是“顺带拿钱”，而是一种明确的商业路径 to VC 的核心不是产品，而是：叙事能力, 节奏管理,资源配置 反思：不是所有团队都适合, 不专业去做，反而更危险8️⃣ 为什么有些“看起来伪需求”的项目能拿到大钱？ 讨论 Video Tutor 等现象级项目 技术可复现 ≠ 投资不合理 VC 投的不是技术本身，而是：技术 × 场景 × 叙事 × 成功概率 关键视角转变：不问“它为什么不行”，而问“它凭什么可能行”9️⃣ Web Coding 的真实价值：不是产品，而是表达 对生产级产品的改变有限 但对创作者、自媒体、教育表达者是巨大红利 vibe coding 的作用：把抽象想法变成可演示素材, 降低内容表达与传播成本 它更像：素材工厂，而不是造 App 神器🔟 收束：成功与失败之外，更重要的是节奏与情绪 嘉宾对“成功/失败”不给定义 但给出一个更现实的抓手：情绪控制与节奏管理 为什么选择回到职场：先稳住情绪, 再决定下一次出发 本期真正的结论： 先活下来，再谈理想；先把钱花明白，再谈愿景-----------------------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. 中间态（In-Between State）指教育 AI 创业中最常见却最少被讨论的阶段：产品已上线、有用户、有付费，但增长停滞、现金流紧张，无法明确归类为成功或失败。本期认为，这是最需要被认真复盘的真实状态。2. 0 → -1（Negative Traction）不同于“0 到 1”的正向叙事，0→-1 指项目在投入资源后，短期回报不足以覆盖成本，现金流持续为负。它不是没做成，而是“做成了也养不活自己”。3. 需求成立 vs. 商业成立（Demand vs. Viability）节目反复强调的核心区分： 需求成立＝有人觉得有用 商业成立＝能持续挣钱、回款节奏可控教育 AI 领域“需求成立”并不稀缺，真正稀缺的是商业成立。4. 成熟产品形态（Mature Product Pattern）指在某一教育场景中，核心价值与交互路径已被长期验证的产品类型，如错题本、拍照搜题等。此类场景中，AI 更可能带来效率提升，而非结构性颠覆。5. 最佳实践交互路径（Best-Practice UX）在成熟场景中，用户已经形成最低成本、最顺手的使用路径。节目指出：AI 如果不能显著缩短路径，反而容易成为“看起来高级、用起来更麻烦”的负担。6. 现金流节奏（Cashflow Tempo）不是“赚不赚钱”，而是： 多久能回款 回款是否稳定 能否覆盖持续支出节目认为，现金流节奏比产品功能更早决定项目生死。7. 资本使用纪律（Capital Discipline）指在不确定性下，是否具备及时止损、压缩成本、改变打法的能力。本期的残酷共识是：很多项目不是不努力，而是不够果断地停下来。8. 创业叙事逻辑（Startup Narrative）指“产品足够好就会成功”“ship fast, fail fast”等被高度简化的成功故事框架。节目指出：叙事可以激励行动，但一旦代替真实判断，就会误导决策。9. To VC 模式（Venture-Driven Path）把风险投资视为第一类客户的创业路径。其核心不在产品，而在： 融资节奏 叙事能力 资源配置节目强调：to VC 本身是一项专业能力，而非顺带选择。10. 技术可复现性（Technical Replicability）指某一 AI 功能在工程上是否容易被复制。节目提醒：技术是否可复现，并不直接决定它是否具备投资价值，关键在于是否嵌入了可赢的商业场景。11. 场景适配（Context Fit）技术 × 用户 × 付费机制 × 使用频率的整体匹配度。本期反复出现的判断是：很多争议项目不是“伪需求”，而是暂时没有找到合适的场景。12. Web Coding / Vibe Coding指借助 AI 快速生成网页、动画或交互原型的能力。节目给出非常明确的定位： 对生产级产品影响有限 对表达型创作者、自媒体、教育内容制作者价值极高13. 素材工厂（Demo-as-Asset）一种新的创作范式：用 web coding 把抽象想法变成可演示的“壳”，再作为视频、课程、销售与传播的素材。它解决的不是“能不能做产品”，而是有没有表达素材。14. 表达型红利（Expression Leverage）指 AI 工具显著降低“把想法讲清楚”的成本。节目认为，AI coding 带来的最大红利，不在工程效率，而在表达效率。15. 情绪控制（Emotional Regulation）在高不确定环境中保持判断力的能力。节目最后给出的现实结论是：情绪控制不一定让你成功，但能显著降低失败概率。在小宇宙查看该单集文稿

Hello大家好，欢迎来到教育AI智造者播客~ 这一期《教育AI制造者》，我邀请了一位对我来说非常重要的朋友——马君。她曾在硅谷一家大型科技公司工作，是晋升速度极快的工程经理之一，也是在所有外部条件都“看起来很顺”的时候，选择停下来问自己一个更根本问题的人： 如果接下来几年只能做一件事，什么事情值得我把时间和心力真正投进去？她最终选择的方向，并不是一个看起来更性感、更容易讲故事的 AI 赛道，而是亲子沟通。一个几乎每个家庭都会遇到、却长期被忽视，也很少被技术认真对待的问题。我们在这期对话里反复确认了一件事： 大多数亲子冲突，并不是因为父母不爱孩子，而是因为父母并不知道，自己刚才那样说、那样做，真实地给孩子带来了什么样的影响。马君正在做的这款 AI 亲子沟通产品，并不试图教孩子怎么做，也不想替代父母的角色。相反，它刻意把 AI 放在一个“退后一步”的位置：只服务父母，只做事后分析，只帮助大人看清一段真实互动中发生了什么。在这期播客中，我们深入讨论了几个并不轻松的问题： 当 AI 变得越来越会解释世界，它会不会成为新的权威？ 父母对 AI 的抗拒，究竟是在抗拒技术，还是在抗拒失去解释权？ 同理心到底是不是一种天赋，还是一项需要在日常生活中不断练习的能力？对我来说，这一集最重要的并不是产品本身，而是我们一起重新确认了一件事情： AI 真正可能带来的改变，或许不是让孩子变得更“好”，而是让大人更早意识到自己的模式，更快学会修复关系。你不需要成为一个完美的父母。 你只需要在某一次情绪已经上来的时刻，多一秒空间，去做出不同的选择。🧭 内容大纲从「一切都很顺」到「我现在不做一定会后悔」 马君离开大厂，并不是因为走不下去，而是因为走得太顺了 在升职、资源、路径都清晰的时刻，她反而更清楚：什么事情不值得再继续投入生命 AI 只是时机，不是原因；真正的原因，是她对「人和人之间的关系」长期的在意为什么是亲子沟通，而不是更“性感”的 AI 赛道？ 从云计算、系统工程、管理，到亲子关系，看似跳跃，其实是一条连贯的线 管理者、伴侣、父母，本质上都在面对同一件事：如何在不对等关系中，传递尊重与信任 越是被忽略、被视为“软问题”的领域，越缺少真正被认真设计过的工具父母的本意，和孩子真正感受到的，为什么总是对不上？ 绝大多数父母并不是不爱，而是不知道“刚才那样说”造成了什么效果 亲子沟通里最大的鸿沟，不是态度，而是认知上的不可见差距 如果这个差距一直不可见，它就会一代一代重复当 AI 变得“更会解释世界”，谁在害怕？ 家长对 AI 的抗拒，很多时候并不是技术恐惧，而是解释权被挑战的不安 当 AI 可以分析、总结、判断一段对话，父母会不会失去权威？ 问题不在 AI 会不会变强，而在我们是否把关系责任让渡给它这个产品的核心选择：AI 只服务父母，不面对孩子 AI 不是来教孩子怎么做，而是帮助父母理解发生了什么 它不在冲突当下介入，而是在事后提供诊断和反思空间 目标不是“把话说对”，而是让下一次多一秒选择同理心不是天赋，而是需要被练习的能力 没有人天生就会当父母，大多数人都是一边失败一边学 真正困难的不是“知道要共情”，而是在疲惫和情绪中还能选择理解 AI 的价值，在于成为一面不带指责的镜子技术的边界：理解可以被增强，关系不能被替代 多人语音、情绪、语调、沉默，让真实世界远比实验室复杂 即便如此，AI 在识别互动模式上的能力已经超出许多人的预期 但最终的验证，永远发生在人和人之间创业与不确定性：护城河还不清晰，但问题足够值得 她并不回避护城河的问题，也不急着给出一个漂亮答案 如果一个问题足够复杂、足够长期，就不可能被一次性复制解决 真正的护城河，往往是在长期面对同一类真实问题中慢慢长出来的一个更慢、但更真实的结尾 AI 也许改变不了亲子关系的本质 但它可能让大人更早意识到自己的模式 也让修复关系，成为一件可被练习的事---------------重要声明与使用说明-----------------关于隐私与数据使用本期节目中提到的 AI 亲子沟通产品，涉及对亲子互动场景的语音分析。需要特别说明的是，该产品在设计之初即将隐私保护与数据伦理作为核心前提。所有数据的采集均以用户明确知情与主动授权为前提，相关音频数据仅用于帮助父母理解沟通模式与互动效果，不用于任何形式的监控或持续监听。产品团队正在采用包括数据加密、最小化存储与严格访问控制在内的多重技术与流程，确保家庭沟通数据的安全性与私密性。关于 AI 的角色与边界节目中反复强调：AI 在亲子沟通中的角色是辅助者，而非权威者。AI 的分析结果并非“标准答案”，更不构成任何形式的医疗、心理或教育诊疗建议。最终的理解、选择与行动，始终由父母本人决定。关于产品阶段与能力预期目前产品仍处于早期内测（Beta）阶段。在不同年龄段、不同家庭环境下，AI 对情绪、语调与互动模式的识别能力仍在持续迭代与优化中。 亲子沟通本身是一个高度复杂、长期存在的问题，团队正在通过融合心理学与儿童发展研究框架、多模态音频理解技术，以及真实家庭场景中的持续反馈，逐步构建长期价值与差异化能力。测试版本的下载链接: https://testflight.apple.com/join/85u1yFk7如果你想加入该项目团队或者参与产品调研，请联系马君([email protected])---------------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-------------------亲子沟通里的“实际效果”很多父母在沟通中关注的是“我本来想表达什么”，但孩子真正经历的是另一种情绪现实。本期反复强调，问题不在动机，而在于话语、语气和时机带来的实际心理影响。理解这一点，是所有改变的起点。AI 作为辅助者，而不是权威者马军明确指出，AI 在亲子关系中的角色只能是辅助，而不能成为新的权威。它提供的是理解与分析，而不是裁决。一旦 AI 被当成“谁对谁错”的裁判，关系本身就会被进一步破坏。可解释权可解释权指的是“谁来解释发生了什么”。在亲子关系中，这个权力如果完全交给 AI，会引发父母的本能防御。本期讨论的核心之一，是如何让 AI 提供解释，但不剥夺父母的主体性。事后反思，而非即时介入这个产品刻意不在冲突当下介入，而是在事后提供分析。这背后的逻辑是：情绪高点时，人几乎无法学习；只有在安全的时间点，反思才有可能发生。同理心的可学习性播客里反复强调，同理心不是一种性格标签，而是可以通过观察、反思和练习逐步增长的能力。尤其在亲子关系中，大人需要承认：我也在学习中。模式识别这里的模式不是一句话，而是反复出现的互动结构。AI 的价值在于帮助父母看见这些长期存在却难以自察的沟通模式，而不是纠结某一次对话说得对不对。安全感的传递亲子沟通的长期目标不是“把事情说清楚”，而是让孩子在关系中感到安全。播客中多次提到，孩子是否感到被理解，往往比事情本身更重要。解释与验证AI 给出的理解不是终点，而是起点。真正的验证仍然发生在人与人的互动中：你可以回到孩子身边，继续问、继续确认。这种来回本身，就是关系的一部分。技术与情感的边界即使 AI 能分析语音、语调和情绪，它也无法替代真实的情感连接。本期非常清楚地划出一条线：技术只能增强连接，而不能取代连接。选择权的保留无论 AI 多么“合理”，是否采纳、采纳多少，始终是父母的选择。播客中并没有试图解决“对方不听怎么办”，而是承认：选择本身，就是人类关系的一部分。在小宇宙查看该单集文稿

Hello大家好，欢迎来到教育AI智造者播客~在这一期节目里，我想带你深入一个越来越多人正在悄悄实践、但很少有人真正讲清楚的主题——一人公司（Solo Business）。不是“斜杠青年”的浪漫想象，也不是那种“只要发帖就能变现”的伪方法论，而是一套在教育与AI浪潮下快速成型的、真实可行的个人创业模式。我邀请到的嘉宾是 Karen ——过去14个月里，她在线下举办 90 场工作坊、亲自陪伴超过 1500 位一人公司创业者。他既是实践者，也是真实市场的一线观察者。在这场访谈中，我们一起讨论： 为什么“一人公司”会成为这一代教育、内容与AI创业者的现实选择？ 为什么有人越做越轻盈，有人却越做越累？ 什么样的人适合走“一人公司”的路径？又有哪些结构性误区？ 在教育 x AI 的交叉场景里，个人如何构建属于自己的“产品线”？ 如何判断你应该坚持、迭代，还是干脆换一条打法？这一期节目很特别，因为它不仅讨论方法，更讨论人与工作的关系、个人能力的产品化、如何在教育和AI的加速周期中稳住自己的节奏。无论你是老师、内容创作者、教育从业者、AI工具开发者，还是正在考虑做副业、做个人品牌、做咨询或开一个小型教育产品工作室，这期节目都可能会成为你的路径指南， 也欢迎把节目分享给正在“独立探索职业道路”的朋友。🧭 内容大纲1️⃣ 引入：为什么“一人公司”突然变得重要？ 真实听众困境：副业做到一半放弃、兴趣转移、被现实拖住 教育人、内容人、AI研究者，都在被同一个问题困扰：如何持续？2️⃣ 嘉宾背景：1500位样本中的真实趋势 Karen 在 14 个月中做了 90 场线下活动、陪伴超 1500 位创业者 她既是“一人公司”的创作者，也是大规模样本的观察者。3️⃣ 一人公司的三阶段：从卖时间到卖结构 阶段 1：卖时间（自由职业） 阶段 2：卖产品（个体能力产品化） 阶段 3：卖结构（方法论、课程、工具、系统化能力）4️⃣ 一人公司“四象限模型”：找到你的位置基于两条轴：线上/线下 × 虚拟/实体： 线上×虚拟：最友好的赛道（个人IP、AI工具、服务皆可） 线上×实体：供应链挑战明显 线下×虚拟：强信任、高客单 线下×实体：综合能力要求高5️⃣ 为什么“执行力”比想法重要？ 主持人提到：一个人像一个团队一样行动 执行力来自什么？源于动机，而不是性格。6️⃣ 创业的动机与持续力：为什么有人能坚持？ 一人公司不是“兴趣驱动”，而是动能驱动 动能来自：价值感、样本反馈、结构化路径感7️⃣ 能力模型：什么样的人更适合一人公司？节目提出的关键词：Agency（主导力） 对人生、想法、行动保持主导，而非被动等待 主动建构自己的产品线而非被流量牵着走8️⃣ 误区：为什么大家都“做着做着就累了”？ 误区 1：把副业当“逃避机制” 误区 2：掉进“短期流量幻觉” 误区 3：缺乏结构 → 难以持续 误区 4：只做内容、不做产品9️⃣ AI时代的“一人公司”机会点节目中隐含的方向： AI降低了产品化、工具化的门槛 个体能把“教育+AI+个人经验”组合成真正可交付的价值 学习、咨询、产品、知识工具都能进入“一人公司产品线”🔟 收束：轻盈创业 vs. 消耗式创业 一人公司不是卷自己，而是找到可持续的节奏 未来属于“既能教学、又能设计、也能使用AI工具的人”---------------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. 一人公司（Solo Business）指由个体主导、集产品、营销、交付于一身的小型可持续业务形态。它依托个人专长，将“经验—方法—产品”进行结构化输出，在教育与AI结合的时代尤其适合教学者、自由职业者、内容创作者等低组织成本创业者。2. 个人能力产品化（Personal Productization）把个人经验、技能或洞察打包为可复制产品，如课程、工具、服务。相比“卖时间”，产品化具有可规模化特性，是一人公司从初级到成熟的关键跳跃。3. 主导力（Agency）指个体对自己的工作节奏、方向与价值保持主控的能力。在一人公司路径中，比技能更重要，因为缺乏主导力的人容易被情绪、流量与外部声音牵着走，难以持续。4. 四象限模型（Business Quadrants）以“线上／线下”、“虚拟／实体”为维度，将一人公司的产品路径分成四种类型。不同象限要求完全不同的能力（如供应链、信任建立、内容能力），帮助创业者找到适合自己的切入点。5. 动能（Driving Energy）区别于短暂兴趣的内在推动力。动能来自反馈循环、价值感、节奏感，是让一人公司持续前进的关键心理与结构来源。6. 卖时间（Time-for-Money）一人公司最初级阶段，如接案、咨询、做任务。虽然门槛最低，但不可规模化，最终必须过渡到卖产品或卖结构，否则难以持续增长。7. 卖结构（Selling Systems）高级阶段输出方法论、工具、框架或流程，如课程体系、知识库、AI工作流等。属于可复用结构，是一人公司真正具备护城河的核心。8. 教育 x AI 创业（EdAI Solo Entrepreneurship）指教师、研究者、教练、内容创作者等以教育经验为核心，用AI工具提升内容生产、课程设计或学生支持，从而构建高质量的个人产品线。9. 高客单价信任业务（High-Trust Service）线下咨询、留学服务、训练营等，需要长期信任关系。节目指出此类业务对个人能力模型要求最高，门槛不是内容，而是“关系管理与交付能力”。10. 可持续创业节奏（Sustainable Pace）区别于消耗式爆发，通过长期结构、清晰定位与稳定产品线，实现低焦虑、高复购的个人创业模式。节目核心主张：一人公司不是“更拼”，而是“更稳”。在小宇宙查看该单集文稿

Hello大家好，这里是《教育AI智造者》。停更三个月之后，终于来更新啦！！！在这一期节目中，我想带你把“AI进课堂”从工具清单拉回到教育本质——去看教师如何发展AI素养，并把它变成可落地、可持续的教学实践。我们的嘉宾是Xiaoxue Du博士（跨教育研究、产业与一线培训的实践者）。她的路径很特别：从学术研究、课程设计到教师培训，再到与学校/产品团队共创，她不仅提出“AI三重角色：观察者—协作者—反思之镜”，还把这些理念变成可教、可评、可扩散的课堂行动与教师成长路径。这不是纸上谈兵，而是一次从“教育理念 → 课堂设计 → 教师社群”的真实行动。节目里我们聊到： 在教学现场，AI应该“无处不在”还是“点到为止”？ 当学生的学习动力与评价体系冲突时，老师如何抉择？ 教师在AI时代，是否需要同时具备学术视野与“产品经理思维”？ 如果AI的介入让学生失去思考欲望，该怎么调整？更重要的是，杜博士在设计“AI×学科”的历程中，也一直在反问自己：AI到底是“教学加速器”，还是“教学放大镜”？教师的价值，能否在AI辅助的时代被重新定义？这期节目适合很多人： 一线教师：你会看到AI如何以教学法为锚进入课堂，而不只是“贴上AI标签”； 教育产品开发者/PM：你会理解如何将学科思路转译成任务链、工具模块与提示词； 正在寻找落地方法的人：你会感受到“真实课堂”的复杂性与创造力。我们不是在讨论“未来教育”，而是在现场实践它。听完节目，欢迎在 show notes 加入我们的听友群，一起探讨AI如何为教育带来持续的生命力与人味。🧭 内容大纲1️⃣ 从跨界到一线：路径与动机 研究→实践→培训的迁移：把模型语言翻译成课堂语言 不同学校生态下的角色切换与落差适应 从“工具导向”转向“问题与证据导向”的动机2️⃣ 真实课堂里的AI探索 AI三重角色：观察者（学习轨迹）/协作者（增能教师）/反思之镜（公平与偏差） 典型任务链：信息取证→草案生成→证据对齐→同伴互评→复改 工具与流程：备课助手、生成式平台、过程性评价面板的协同3️⃣ 学生反馈与现实阻力 GPA与兴趣的拉扯：高阶认知训练在中学的挑战 “AI代劳/轻松化”的倾向与课堂调节 让学生“愿学会想”的激励：从结果评价转向过程性证据4️⃣ 教师角色的再定义 教学领导力×学习领导力：何时介入、如何放手 老师从“知识传授者”到“冲突制造者、共创主持人” 把个人专长与社会观察融进课程设计5️⃣ 社群建设与规模化 教师×创业者×家长×程序员的跨界共创社群 社群如何在信息筛选、方案试验与落地复用中发挥价值 从“可移植”到“可适配”的扩散路径与治理6️⃣ 未来趋势与教育想象 游戏化学习与多模态交互 人文学科的AI赋能与“知识审美” 情绪调节与价值引导：让兴趣与热爱成为长效驱动力---------------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）Play by Design不等“完美教案”，先搭建真实情境与角色，让学生在任务中用AI做决策、犯错与修正；教师据此反思与再设计，课堂由剧本转为迭代系统，促使“知识接受者→知识建构者”的角色迁移。2）游戏化学习以可交互界面与规则驱动学习，学生在多轮选择中承担后果与优化方案；过程嵌入数学与科学概念，形成“做中学”的证据链，帮助教师用具体反馈理解AI介入对课堂价值的放大与边界。3）场景化/真实性从“先设目标”转为“先建场景”，如AI记者、气候数据分析师等职业化任务；在真实约束下用AI解题，提升意义感与投入度，同时让教师从“全知者”转为共学者，接住学生多样路径。4）学生作为知识建构者课堂不再把学生当“吸收者”，而是在角色与任务中生成观点、产出作品、接受后果；AI提供工具性支持但不替代理解，学习轨迹因此可被观察、诊断与复改，形成可追溯成长证据。5）利益相关方与权衡（trade-off）任务把“谁受影响、如何取舍”显性化；学生需在多方诉求间做出决定并承担成本，借AI完成计算、检索与模拟，最后用证据解释方案，训练价值判断与公共理性，而非仅追求“唯一正确”。6）学习轨迹指学生随时间展开的行为与产出序列；在场景化与游戏化任务中，轨迹记录选择—结果—修正的链路，便于教师做形成性评价与目标微调，也为AI“协作者”定位提供可操作的观测面。7）AI作为协作者把AI当“时间与思维伙伴”，协助批改、信息组织与目标调整，但决策与伦理边界保持在人手中；教师依过程证据进行干预，避免“AI代劳”，确保技术服务于学习而非替代学习。8）AI作为反思镜以数据与过程回看课堂：标准是否公平、资源是否倾斜、评价是否失真；教师据此修订任务与量规，让技术暴露问题而非掩盖问题，使“效率提升”与“价值引导”在同一框架内并存。9）终身学习的循环学习重点不在记忆量，而在“连接—应用—反思”的生命周期；AI加速跨域创新，但真正有效的是把经验结构化并回灌到新的任务中，形成可迁移的方法论与自我更新的能力结构。10）Day of AI（AI日）与“找人—找资源—守初心”推广依赖三类资源：课程资源、学校网络与资金支持；同时以“初心”维持长期动能，让不同地区教师获得可用材料并改善课堂体验，面对挑战仍能稳步扩展与迭代。11）共识 vs 先行示范一派主张先建共识再落地，另一派强调由先驱者率先做出样板、用效果带动追随；在学校这一复杂系统中，往往需在治理与试点间寻找动态平衡，结合证据形成可复制路径。12）创新扩散（创新—早期采用者—主流）把校内AI实践放入扩散曲线理解：先由创新者试点、早期采用者跟进，再走向主流；据此设计分阶段目标与评价，避免“一步到位”的幻想，允许在小范围中快速试错—验证—扩展。在小宇宙查看该单集文稿

Hello大家好，这里是《教育AI智造者》。 终于来更新啦！！！在这一期节目中，我想带你走进北京的一线课堂——去看一位老师如何在真实的中学教学环境中，把AI从“概念”变成可落地、可持续的课堂实践。我们的嘉宾是北京十一学校经开区分校的历史教师陈继宏老师。他的故事很特别：从复旦大学历史学研究，到教育政策与跨学科探究，再到一线课堂，他不仅设计了“AI+故宫”这样任务驱动的跨学科课程，还在课外自发组建了一个活跃的AI教育跨界社群，连接老师、创业者、程序员与家长。这不是纸上谈兵的畅想，而是一场从“教育理念 → 课堂设计 → 教师社群”的真实行动。节目里我们聊到： 在教学现场，AI应该“无处不在”还是“点到即止”？ 当学生的学习动力与评价体系冲突时，老师如何抉择？ 教师在AI时代，是否需要同时具备学术视野与产品经理思维？ 如果AI的介入让学生失去思考欲望，该怎么调整？更重要的是，陈老师在设计AI课程的过程中，也一直在反问自己：AI到底是“教学加速器”，还是“教学放大镜”？教师的价值，能否在AI辅助的时代被重新定义？这一期适合很多人： 如果你是一线教师，它会让你看到AI如何以教学法为锚进入课堂，而不只是“贴上AI的标签”； 如果你是教育产品开发者，它会让你理解如何将学科思路转译成任务链、工具模块和提示词； 如果你正在思考AI与教育结合的落地方法，它会让你感受到“真实课堂”的复杂性与创造力。我们不是在讨论“未来教育”，而是在现场实践它。听完节目，欢迎在 show notes 加入我们的听友群，一起探讨AI如何为教育带来持续的生命力与人味。🧭 内容大纲1️⃣ 从学术到一线：跨界背景与转型动机 宗教史、古典学、教育政策的研究经历 进入十一学校，遇到教育改革文化 从学术研究到中学课堂的落差与适应2️⃣ 真实课堂里的AI探索 “AI+故宫”课程结构：绘本创作、文物鉴定、3D建模 大单元设计与真实问题驱动 工具选择：国内外生成式平台与备课工具3️⃣ 学生反馈与现实阻力 GPA与学习兴趣的拉扯 高阶认知训练在中学的挑战 如何应对学生“轻松化”与“AI代劳”的倾向4️⃣ 教师角色的再定义 教学领导力与学习领导力的关系 从知识传授者到冲突制造者、共创主持人 融合个人兴趣与社会观察的课程设计5️⃣ 社群建设与跨界合作 发起AI教育跨界社群的初衷 如何连接老师、创业者、家长、程序员 社群在信息筛选、工具落地上的价值6️⃣ 未来趋势与教育想象 游戏化学习与课堂参与度提升 AI赋能人文学科与知识审美 兴趣与热爱作为长效驱动力---------------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. 大单元设计大单元设计是近年来课程改革中的一个核心理念，它强调打破章节化、碎片化的教学结构，把知识以主题或问题为中心重新组织。在历史学科中，大单元可能意味着将战争、宗教、社会变革等内容跨章节串联起来，让学生在更完整的叙事框架中理解知识。陈继宏老师在“AI+故宫”课程中，就将课本中零散的与故宫相关的内容提炼出来，形成独立的大单元，并通过AI工具进行绘本创作、文物鉴定和3D建模等活动。这种方法让学生跳出“背知识点”的局限，更像是在进入一个综合的探究场域。2. 任务驱动型课程任务驱动型课程（Task-Based Learning）强调以真实的学习任务为中心，让学生在完成任务的过程中掌握知识和技能，而不是以单纯的知识讲解为目标。例如，在“AI+故宫”项目中，学生需要完成文物鉴定报告或创作一部小型微电影，这些任务既包含知识的理解，又需要实际操作与创造。AI在其中的作用不是提供现成答案，而是作为辅助工具，帮助学生更快找到资料、生成初稿或建模。这类课程更贴近真实世界的学习场景，能够提升学生的主动性和解决问题的能力。3. 教学领导力教学领导力指教师在课堂中不仅是“传授者”，更是学习方向和氛围的引领者。它包含了学术视野、宏观思考和课堂组织三方面能力。在AI进入课堂的背景下，教师需要决定AI出现的时机和方式——是在课前用作预习辅助，还是在课堂上触发认知冲突，抑或在课后进行反馈？陈老师将其称为教师的“教学领导力”，因为它要求教师在众多技术可能性中做选择，保证学习的核心始终围绕思维发展和价值引导，而不是单纯依赖工具。4. 学习领导力学习领导力是与“教学领导力”相对应的学生能力，指学生在学习过程中形成的主动掌控意识与综合判断力。在AI工具触手可及的环境中，学生很容易用AI代替思考，比如拍照搜题、自动生成作业。但如果具备学习领导力，他们会更倾向于利用AI来拓展信息来源、引发新问题，而不是停留在复制答案。陈老师希望通过课堂设计，让学生在使用AI的过程中养成“整合、比较、质疑”的习惯，从而逐步建立起一种属于自己的“学习领导力”。5. Agency（自主意识）Agency通常被译为“自主意识”或“行动力”，指个体能主动决定自己行为与学习路径的能力。在教育情境中，有Agency的学生不会完全依赖老师或AI工具，而是能自我驱动，主动寻找方法和资源。例如，一个对历史感兴趣的学生，在遇到学习困惑时，不是等待老师解答，而是会用AI工具搜集不同文明的材料，进行对比和分析。这种自主意识在AI时代尤其重要，因为只有具备Agency的学生，才能避免被工具牵着走，而是把AI当成助力，放大自身的学习目标和创造力。6. 跨学科融合跨学科融合（Interdisciplinary Learning）是指将不同学科的知识、方法和视角结合起来解决复杂问题。传统教育往往强调学科壁垒，历史课就是历史，地理课就是地理。但在十一学校这样的创新校，教师被鼓励跨界合作：历史课可以由地理老师来讲，政治课可以和文学课联合。陈老师的“AI+丝绸之路微电影”就是一个典型案例：它不仅涉及历史内容，还融合了地理、艺术、技术等多维度元素。这样的课堂更贴近真实世界的问题结构，也为AI工具的应用提供了天然场景。7. AI教育跨界社群AI教育跨界社群是一种由教师、创业者、程序员、家长、研究者等多角色组成的开放性网络。它的价值在于打破传统教育系统的封闭性，为一线教师提供新的灵感和资源。陈老师在小红书和微信群自发组织的社群，就活跃着来自不同背景的成员，大家会分享AI教学的案例、工具体验和课程设计。这样的社群不仅帮助老师解决实际问题，还形成了教育与产业之间的桥梁，让不同角色能在第一时间理解彼此的语言和需求，共同推动AI在教育中的落地。8. 游戏化学习游戏化学习（Gamification of Learning）是将游戏的机制与元素引入课堂，提高学习动机和参与度。在这种模式下，学生不是被动听讲，而是像玩家一样参与探索、解谜和竞争。陈老师与同事们就讨论过，未来的课堂可能会越来越接近游戏：例如像玩《刺客信条》一样学习法语，或通过模拟辩论来理解古代历史。AI在其中可以充当“游戏主持人”，实时生成任务和反馈。游戏化的价值不仅在于好玩，更在于通过互动和挑战，让学生在情境中自然地产生学习欲望。9. 批判性信息素养批判性信息素养不仅仅是分辨真假，而是更进一步，要求学习者能识别信息背后的立场、权力关系、利益驱动和算法偏见。在AI时代，学生获取信息的渠道更广，但信息混杂与失真的风险也更高。学生常常会把任务直接交给AI完成，而忽视了思考过程。因此在课堂中，陈老师尝试用“侦探式学习”方法，让学生像侦探一样去追踪信息的来源和逻辑。这不仅锻炼了他们的判断力，也让他们更清楚地意识到：学习的价值不在于答案，而在于质疑和推理。10. 自动化与异化自动化是AI的强项，它能显著提高效率，帮助人完成重复性任务。但在教育场景里，过度自动化可能导致“学习异化”——学生失去主体性，只剩下结果的机械生产。例如，学生用AI自动生成PPT或作文，虽然任务完成了，但他们并没有经历真正的思考。陈老师观察到，这种倾向在部分学生中越来越明显。教育的目标本应是激发理解与价值感，而非单纯追求效率。因此，他强调AI在课堂中必须“点到为止”，保留那些不可被自动化替代的学习瞬间，如师生对话中的“惊讶时刻”和思想冲突。这些才是教育的核心价值。在小宇宙查看该单集文稿

Hello，这里是《教育AI智造者》。在这期节目里，我想带你走进一个对我来说非常特别的实践过程：我们如何把一门跨文化、融合AI素养与信息甄别能力的气候变化课程，变成一整套可落地、可互动、可部署的AI教学工具。 网站在此。这不是一次抽象的想象，也不是那种PPT式的畅想，而是一次从“教育理念 → 教学设计 → 工具打造”的真实协作。我和Jade老师——一位拥有联合国项目背景、长年从事跨文化教育的老师——一起把他亲手打磨的课程结构，通过AI生成式技术，逐步“产品化”为一个网站原型。过程中我们不断问自己这些问题： AI是不是应该“无处不在”？还是它应该“点到即止”？ 一个好老师的价值，在AI时代还剩下什么？ 自动化真的值得追求到极致吗？有没有一些“不能被省略”的学习时刻？ 如果你想训练的是判断力，而不是单纯的知识点——AI帮得上忙吗？更重要的是，我自己作为一个全职程序员、教育学博士，在做这个项目的过程中，也在反思一个更深层的问题：教学法如何真正指导AI工具设计？而不是让AI“贴标签”式地伪装成教育。这一期节目非常特别，因为它不仅复盘了一门AI教学工具如何被打造的全过程，也完整展示了一种真正“以教育为本”的AI产品开发范式。我相信它适合很多人： 如果你是一线老师，它能帮你看清楚AI到底该如何以教学法为锚点地进入课堂； 如果你是教育产品开发者，它能帮你理解一个教学法如何被转译成rag、component、prompt结构； 如果你正在构思自己的AI应用或课程，它或许能让你意识到什么才是“真实场景”的复杂性与创造力； 如果你关心AI对人类学习的影响，它将带来一些对抗“自动化幻觉”的真实思考。我们不是在讨论“未来教育”，而是在尝试打造它。欢迎你听完节目后，到我们的show notes中试用这个原型课程网站，或者把这集播客转发给你身边也在思考AI与教育结合的人。如果你相信教育不是标准化输出，而是一次次独立思考的训练，那么，这期播客值得你花时间听完。 课程介绍页信息素养工具包"专家"聊天机器人视频学习🧭内容大纲1️⃣ 从理念到原型：课程开发的起点 Jade 的全球教育经验与课程动机 从气候变化到AI素养：三重认知挑战 我看到的课程第一反应：信息密集，但真的能教吗？2️⃣ 高阶认知的教学法实验 为什么我们不讲“知识点”，而是训练判断力？ CRAP信息甄别模型的课堂实践 “你就像在玩柯南”：侦探式课堂引爆学生好奇3️⃣ 人工智能的“介入点”怎么选？ 不是无处不在，而是点到为止 我们怎么划分AI该在课前、课中、课后出现 “生成式AI不是答案器，而是问题放大器”4️⃣ 教师角色的重新定义 教师不是讲解机器，是冲突制造者、共创主持人 学生的思维转变不是“听懂了”，而是“惊讶了” 有些瞬间，AI永远无法模仿老师的aha moment5️⃣ 技术与教学的“共语失败” 教育人和技术人如何“翻译彼此”？ 我做为“中间人”的角色：用教学法写系统提示词 从rag调用到in-context learning：怎么设计AI反应逻辑6️⃣ 自动化的边界与伦理思考 🌪 “学生不是用来被自动化的对象” 教育不是为了效率，而是为了价值与理解 为什么越模糊、越反直觉，反而越值得保留？7️⃣ 学生反馈与实际使用：从混乱到创造 Video Detective 工具如何激发提问 专家观点对话如何引发讨论与辩驳 Canvas 与mind map的启发：AI + 教学法的视觉外化8️⃣ 展望与邀请：让更多老师成为AI共创者 💡 AI工具应该成为老师的“延申手臂”，而非“替代者” 教学法到产品，需要真实扎根现场 邀请听众试用网站、参与讨论，探索教学的更多可能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EP38"，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. 生成式AI（Generative AI）指能基于输入生成内容（如文字、图像、音频等）的人工智能技术。在教育中，生成式AI常用于内容创作、信息重组和语言交互，但关键在于其是否能遵循教学逻辑与思维发展路径，而不仅仅是“给答案”。2. 项目式学习（Project-Based Learning, PBL）一种以真实问题为中心的教学方法，学生通过完成项目任务来进行知识建构与能力训练。本播客中，该课程通过“气候变化+信息素养”议题，引导学生批判性思考、跨文化沟通与学术表达。3. CRAP模型信息判断四维标准：Currency（时效性）、Relevance（相关性）、Authority（权威性）、Purpose/Accuracy（目的与准确性）。常用于教学生甄别真假信息，理解背后的信源与话语意图。4. 批判性信息素养（Critical Media Literacy）不只是分辨真假，更包括识别叙事立场、话语权力、背后利益与算法偏见。本课程通过“侦探式阅读”与专家追踪，训练学生发现信息背后的结构性偏见与复杂动因。5. AI教学工具原型（AI-Powered Pedagogical Prototype）指将教学理念与AI能力融合，打造出的交互式网页或工具。不是“为了用AI而用AI”，而是在教学流程中，嵌入AI用于提问、反馈、对话与认知冲突的触发。6. 认知冲突（Cognitive Conflict）学习理论中激发深度理解的重要机制。通过提出与原有认知相矛盾的信息或情境，迫使学习者重建理解。本课程设计多处“真假信息混杂”的节点，引发学生推理与判断。7. 社会建构主义（Social Constructivism）认为知识不是由教师单向传授，而是师生共同协作，在具体情境中“构建”出来的过程。播客中强调教师不直接灌输立场，而是引导学生建立自己的叙事和立场。8. RAG（Retrieval-Augmented Generation）一种结合知识检索与生成式模型的AI技术流程。系统先从资料库中检索相关内容，再生成文本回应。在教学工具中，RAG可用于个性化对话、专家观点模拟与证据链追踪。9. Dual Coding Theory（双重编码理论）心理学理论，指学习时若同时使用视觉与语言两种通道（如图文并茂），能更好促进记忆与理解。本课程的mind map与canvas设计，即体现此理论在教育工具设计中的应用。10. 自动化与异化（Automation & Alienation）在教育场景中，AI自动化若仅追求效率，容易剥夺学生的主导性与思考力，造成“学习异化”现象。播客提醒我们：AI应赋能思维，而非替代思维。在小宇宙查看该单集文稿

你是否想象过：在看 YouTube 学习视频时，AI 能在恰到好处的时间暂停视频、提出关键问题、引导思考，甚至像私人导师一样为你生成个性化练习和提示？这不是未来，而是正在发生的现实。在本期《教育AI智造者》中，我邀请到两位从 MIT 毕业、刚从 Y Combinator 毕业的创业者——Tyrone Davis 和 Guang Sui，他们是 Miyagi Labs 的联合创始人。Miyagi 的愿景是：让每一位内容创作者都能像教师一样，用 AI 将 YouTube 等平台上的视频转化为完整、可交互的课程。在对话中，我们聊到： 为什么他们从华尔街辞职，转而投身教育科技； 他们如何将自己作为学习者和助教的经验转化为产品逻辑； Miyagi 如何解决“视频被动观看”与“高效深度学习”之间的断层； 他们如何看待 ChatGPT、Cursor、Notion 等产品的体验设计，及其对教育工具的启发； AI 如何重构教育的可达性、个性化与动机问题； 创业的艰难与兴奋，从产品构建到商业拓展的“十项全能”日常。如果你是教育科技的创业者、产品经理、研究者或内容创作者，这期内容将为你带来极大的启发。欢迎收听并留言交流！🗂内容大纲创始人背景与学习经验 两位创始人都来自MIT，后进入华尔街，最终回归教育初心 深刻理解“自学者”的需求，催生Miyagi Labs 的核心理念视频学习的痛点与AI的介入 传统视频学习：被动、难以练习、无法提问 AI介入后：视频中嵌入互动题目、练习与个性化提示 从“看懂视频”变为“真正掌握知识”教学逻辑如何转化为产品逻辑 Tyrone的重复练习法启发“多轮题目生成”机制 Guan强调一对一引导体验，设计AI提示时以“老师的思维”进行模拟 将“老师如何引导学生”的经验输入AI中学习科学理论在产品中的落地 参考布鲁姆“两西格玛问题”：AI模仿个性化一对一教学 引入间隔重复（Spaced Repetition）机制提升记忆效果 整合课程进度追踪、反馈机制、结构化切片（chunking）品牌命名与“教育Shopify”的定位 “Miyagi”致敬电影中导师角色，强调教学引导 目标是赋能创作者，把零散视频内容转化为系统课程 创作者无需技术门槛即可上线互动课程，扩展影响力与变现能力如何处理内容推荐与组织结构 支持创作者的课程结构（如3Blue1Brown） 也支持跨视频、跨频道整合学习路径 增加“补充链接”机制：帮助学生换角度理解难点技术实现策略分享 基于视频字幕进行切块处理（chunking）+问题生成 每道题精准映射到视频片段，方便回看 整个课程构建过程涉及数百到千次LLM调用 正在研发图像内容与PDF处理的能力用户体验设计的关键：上下文交互 核心优势：上下文无缝指向（如Cursor） Lexi AI 导师可直接接收选中视频内容并回应问题 降低用户切换成本，提高注意力集中度激励机制与学习动机支持 面向高动机学习者，也关注企业培训和终身学习者 设计微激励机制：任务打卡、徽章、每日提醒 “提升学习成效”而非“改变动机”——主打可感知成效的增量Miyagi 团队的日常运营与多工切换 两人团队，兼顾产品、开发、商务、创作者对接等多项任务 靠轮转机制保持节奏：编码累了就转去做用户访谈 创业的“十项全能”节奏以用户为导向的优先级排序策略 不追热点，优先响应真实需求 典型语录：“有四个用户提出一个功能，我们就做”创业初期的“不规模化”努力 每封邮件亲自回复，50+用户1v1访谈 实地调研象棋俱乐部、发传单了解大学学习场景 构建产品直觉的“慢工”是否扩展到中文市场与多平台 目前以YouTube为主，但已测试小红书，计划对接B站 邀请华语创作者共建内容生态，覆盖全球华人学习群体对AI教育未来的想象与责任 在发展中地区，AI能提供顶级教学资源、翻译能力、低成本高质量内容 教师不一定是教授，只要“真的懂”就能教 Miyagi希望承担“教育平权”的一部分责任给教育创业者的建议 不要从功能开始，而是从“教学目标”与“学习理论”出发 找到真实的学习需求和被低估的细分市场 不一定做学术，也能做语言、技能、兴趣等领域 享受打磨过程，把产品做好，让学习者“真的学到”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EP37"，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-------------------教育版 ShopifyMiyagi Labs 称自己为“教育版的 Shopify”，不是一句营销口号，而是明确的产品定位：就像 Shopify 降低了开店门槛，让人人都能当店主，Miyagi 也希望赋能每一位视频创作者（无论是否是老师）都能构建高质量的在线课程。它的目标是把“教学设计”这件事，变成像拖拽搭建电商网站一样简单。布鲁姆两西格玛问题（Bloom’s Two Sigma Problem）这个经典研究指出：接受一对一个性化教学的学生，表现可以比普通课堂学生提升两个标准差（即打败98%同龄人）。这正是 Miyagi 的AI设计蓝本——用AI模拟老师“因材施教”的能力，把个性化教学效果带给所有学生。间隔重复（Spaced Repetition）这是记忆心理学中最有效的技巧之一。通过不断递增时间间隔来复习旧知识，可以显著提升记忆效率。Miyagi 在课程中嵌入了记忆卡片和刷新机制，帮助用户在正确的时间复习，打破“看过就忘”的学习陷阱。Chunking（切块）与上下文指向在处理超长视频或讲座时，最难的是“从哪学起”。Miyagi 通过将视频切成逻辑片段（chunking），并对每段生成练习题，让学生能“跳着学”“跟着练”，真正打通了内容结构与练习路径。而 Lexi AI 导师则能识别你“正在看哪段”，为你提供上下文贴合的反馈。Lexi AI 导师的独特体验与一般的 ChatGPT 机器人不同，Lexi 可以和视频内容、练习题高度结合。当你在某段内容卡住，只需标记那一段，Lexi 就能读取其上下文，精准回应。这种“无缝交互”的体验，参考了代码工具 Cursor 的设计哲学：让你不必跳出页面、不用复制粘贴，专注于当下的学习问题。微激励机制（Micro-Incentives）Miyagi 采用 Duolingo 式的策略：让学习变得有成就感。有每日学习提醒、任务完成反馈（比如绿色勾勾、积分）、课程目标设定等。这些不是游戏化的“糖果”，而是推动用户产生正向学习循环的心理设计。做无法规模化的事（Do Things That Don’t Scale）Miyagi 在早期与每位创作者、用户深聊，发传单、观察象棋俱乐部的学习过程。虽然这些方式无法规模化，但它们建立了对用户需求的深度直觉——这是所有AI产品早期不可替代的经验积累。学习动机与“成效差值”视角Miyagi 并不奢望改变每个人的内在动机，而是关注这样一件事：在他们的平台上，用户是否比在别的平台“学得更好”？只要提升这一差值，就是成功。他们认为，只要体验更贴合、反馈更即时、结构更清晰，学习动机会被自然激发。在小宇宙查看该单集文稿

本期是一场特别的独白，也是一份记录——我刚刚完成了教育学博士学位的毕业典礼，在博士旅程收官之际，我想和你们聊聊这几年的心路历程、技术探索与角色转变。在这集中，你将听到： 🎓 我的博士研究如何从“项目制学习”转向“生成式AI与教学法对齐”； 👩‍💻 我如何在完成论文之后，独立从零开发出教学AI产品 Pedacode； 🔄 自媒体创作者、开发者、研究者三重身份之间的张力与整合； 🧠 AI如何帮助我建立元认知：反思工具依赖、重塑判断力； 🪄 从 paper 到 product，教学理念如何落地成具体功能和逻辑结构； 🧭 教育技术的“对齐能力”，为什么比“推荐能力”更重要； 🔔 以及 Pedacode 即将开启 beta 测试，欢迎感兴趣的听众加入听友群参与试用！这不只是一期工具介绍，更是一份关于“我是谁、我从哪里来、我要往哪里去”的深刻自我整理。希望我的路径能为你带来一些陪伴与启发。----------------伊伊子开发的一些工具----------------- 图片文字互转可视化Omniverse-note:  Youtube sensei (Immersive Language Learning Tools)   AI coach, 包含教练端和个人端Guidewise:  AI课程Generator CurioLearn AI语音写作 Verso AI报告生成器 reportwhiz beta 版----------------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！在小宇宙查看该单集文稿

大家好，欢迎收听《教育AI智造者》。这一集的嘉宾，是我在博士阶段最敬佩的老师之一——James Diamond 博士。他是教育游戏与形成性评估的顶尖研究者，也是约翰霍普金斯大学推动AI教育改革的重要实践者。这集节目，我们从“什么是技术的可供性”谈起，一路聊到AI生成式评估系统、游戏中学习的真实性、设计型研究的落地实践，直到他最近主导的“教育科技×社会创业”MOOC课程。你将听到：🔍 为什么说学习不是技术能不能用的问题，而是“是否真的触发了学习者的主动性”？🎮 如何设计“持久运行的AI游戏世界”，把生成式AI作为教师的“评估教练”？🔁 设计型研究如何帮助你持续迭代产品、避免陷入“AI炫技陷阱”？📊 一个好产品不是功能越多越好，而是“是否真的支撑了你要实现的教学目标”？🧠 如何操作化抽象的学习目标，设计教学任务与评估指标？🚀 为什么教育科技创业，不能只是“做工具的人”，而是要成为“带使命的社会设计者”？这一集，让我感触最深的是Diamond博士说的这句话：“如果你不能真实观察用户做了什么，就无法知道你的工具是否起了作用。”——在AI产品疯狂涌现的今天，很多人都在追“能力边界”，但他反复提醒我们，教育AI不是做出一个能生成的产品，而是一个真正“被教师和学生愿意使用”的教学伙伴。对于正在开发、运营教育AI产品的朋友们来说，这集内容会非常“落地”也非常“进阶”。你会学到： 如何用设计型研究（DBR）推进产品从理念到迭代； 如何将形成性评估嵌入生成式AI； 如何构建“教学法一致性+学生主动性+教师工作流”的三重模型； 以及，在教育科技创业中，如何将“研究”作为你的底层操作系统，而非装饰性的PDF。🎁推荐收听对象： 教育科技创业者 正在设计AI辅助教学产品的产品经理、工程师 教育研究者与教学法设计师 想深入理解AI工具在课堂中真实作用的教师与学校管理者🗂内容大纲开场介绍Diamond博士的背景与研究重点：游戏、AI、评估、DBR、教育社会创业技术的“可供性”与“效力性”什么是技术让人“想用”的关键？不仅是功能，而是情境下的感知主动性 agency：AI不是代替，而是激发行动AI越强，越需要教师理解“谁在学？怎么学？学到了什么？”AI×游戏的形成性评估幻想未来的游戏世界里，AI实时观察学习行为并生成对齐的评估任务Playing with Data：评估型游戏+教师仪表盘设计实践如何帮助教师真正“看懂”学生在游戏中是否在学习？生成式AI作为“教学教练”AI如何参与到教学决策中？不是替代，而是提供理解与建议游戏≠不严肃：深度学习的“真实性”如何构建？批判“游戏不等于学习”的刻板印象，强调设计与支持的关键性设计型研究（DBR）的方法论拆解从随机对照实验到持续迭代的现实研究，DBR如何结合技术与教学法“操作化”的技术指南如何将“历史思维”“批判性”“共情”等抽象目标具体化为可观察行为？如何在AI产品中设计符合教学目标的游戏机制与评估路径？教育科技 × 社会创业：使命导向的产品开发思维教育创业者的第一步不是功能，而是价值——你的工具解决了谁的痛？用了什么学习理论？能否证明它有效？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EP35"，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-------------------可供性（Affordance）这是技术与用户之间关系的起点。可供性指的是用户在特定情境中“感知到的可以做的事情”。比如一张椅子可以坐、可以踩，也可以当门挡。技术本身的功能不等于用户会使用它，关键是用户感受到它对自己是否“有用”。效力性（Effectivity）可供性是“我觉得可以用”，效力性是“我真的用了之后，效果怎么样”。在教育技术中，一个工具不仅要被使用，还要能实际产生教学成效，这种“效果判断”就是效力性的范畴。学习者主动性（Learner Agency）主动性是学习的原动力。学生是否愿意去提问、探索、尝试解决问题，决定了他们能学到多少。当AI能够快速给出答案时，更需要教师设计能激发学生“参与感”的学习路径。设计型研究（Design-Based Research, DBR）一种强调“真实情境”“用户共创”“持续迭代”的教育研究方法。它不像传统教育研究那样只关注实验与控制变量，而是聚焦在解决实际问题中不断调整干预策略。特别适用于教育科技产品的开发过程。形成性评估（Formative Assessment）贯穿于学习过程的实时反馈机制，不是为了打分，而是为了让学生和教师都能及时调整学习策略。AI可以在这里大显身手——即时生成任务、检测薄弱点、提出微型干预。数据仪表盘（Dashboard）不是炫酷图表，而是教师用来理解学生学习状态的“辅助眼睛”。当游戏等活动产生大量数据时，如何将数据转化为教师能用的判断依据？这正是仪表盘的核心价值。教学法一致性（Pedagogical Alignment）AI产品如果没有与教学目标、课程标准、评估路径对齐，就很容易“漂浮在教学之外”。一个有效的教育工具，必须是教学逻辑中的一环，而不是另起炉灶的“外挂系统”。操作化（Operationalization）这是将抽象的学习目标（如历史思维、批判性思考）变成可观察、可评估行为的过程。如果你说学生在“共情”历史人物，那他们要表现出什么行为才能证明？这个过程就是操作化。学习进阶（Learning Progression）描述学生从初学者到熟练者的成长路径。比如，从只会重复知识，到能够迁移应用，再到创新表达。它帮助设计者制定阶段性目标，并据此构建教学活动与评估工具。提示工程（Prompt Engineering）生成式AI时代的新技能。不是乱问问题，而是精准设计提示词，引导AI生成对齐目标的内容。特别是在教学场景中，好的prompt不仅要能“对答如流”，还要能引发学生反思、理解与表达。教育型课程材料（Educative Curriculum Materials）不仅服务学生，也服务教师成长。一套好的教材、游戏或AI工具，应该能够“教会教师怎么教”，而不只是“告诉教师怎么用”。它是教师发展的隐形助力器。AI教学教练（AI Teaching Coach）与其说AI是教师的替代，不如说它是身边的助理或教练。当它能分析学生行为、对照教学目标、生成策略建议时，教师可以专注于判断与引导，而不是陷入繁杂的数据处理。反向设计（Backward Design）先确定“学生应该学会什么”，再设计活动与评估。这是课程设计中最重要的逻辑顺序，也是操作化的基础。没有明确目标的AI产品，很难设计出有效的交互路径。社会创业（Social Entrepreneurship）在教育科技领域，创业不是为了炫酷功能，而是为了真正改善人的学习、成长和发展。社会创业者以使命为起点，利润为手段，而不是相反。他们构建的工具是“有温度的”。研究—实践合作（Research-Practice Partnerships）研究不是象牙塔的工作，实践也不能闭门造车。真正落地有效的教育创新，往往是研究者与一线教师、产品设计者共同完成的长期协作。这种伙伴关系，是未来EdTech成功的基础设施。在小宇宙查看该单集文稿

大家好，欢迎收听《教育AI智造者》。这一集的嘉宾，是我在博士阶段最敬佩的老师之一——James Diamond 博士。他是教育游戏与形成性评估的顶尖研究者，也是约翰霍普金斯大学推动AI教育改革的重要实践者。这集节目，我们从“什么是技术的可供性”谈起，一路聊到AI生成式评估系统、游戏中学习的真实性、设计型研究的落地实践，直到他最近主导的“教育科技×社会创业”MOOC课程。你将听到：🔍 为什么说学习不是技术能不能用的问题，而是“是否真的触发了学习者的主动性”？🎮 如何设计“持久运行的AI游戏世界”，把生成式AI作为教师的“评估教练”？🔁 设计型研究如何帮助你持续迭代产品、避免陷入“AI炫技陷阱”？📊 一个好产品不是功能越多越好，而是“是否真的支撑了你要实现的教学目标”？🧠 如何操作化抽象的学习目标，设计教学任务与评估指标？🚀 为什么教育科技创业，不能只是“做工具的人”，而是要成为“带使命的社会设计者”？这一集，让我感触最深的是Diamond博士说的这句话：“如果你不能真实观察用户做了什么，就无法知道你的工具是否起了作用。”——在AI产品疯狂涌现的今天，很多人都在追“能力边界”，但他反复提醒我们，教育AI不是做出一个能生成的产品，而是一个真正“被教师和学生愿意使用”的教学伙伴。对于正在开发、运营教育AI产品的朋友们来说，这集内容会非常“落地”也非常“进阶”。你会学到： 如何用设计型研究（DBR）推进产品从理念到迭代； 如何将形成性评估嵌入生成式AI； 如何构建“教学法一致性+学生主动性+教师工作流”的三重模型； 以及，在教育科技创业中，如何将“研究”作为你的底层操作系统，而非装饰性的PDF。🎁推荐收听对象： 教育科技创业者 正在设计AI辅助教学产品的产品经理、工程师 教育研究者与教学法设计师 想深入理解AI工具在课堂中真实作用的教师与学校管理者🗂内容大纲开场介绍Diamond博士的背景与研究重点：游戏、AI、评估、DBR、教育社会创业技术的“可供性”与“效力性”什么是技术让人“想用”的关键？不仅是功能，而是情境下的感知主动性 agency：AI不是代替，而是激发行动AI越强，越需要教师理解“谁在学？怎么学？学到了什么？”AI×游戏的形成性评估幻想未来的游戏世界里，AI实时观察学习行为并生成对齐的评估任务Playing with Data：评估型游戏+教师仪表盘设计实践如何帮助教师真正“看懂”学生在游戏中是否在学习？生成式AI作为“教学教练”AI如何参与到教学决策中？不是替代，而是提供理解与建议游戏≠不严肃：深度学习的“真实性”如何构建？批判“游戏不等于学习”的刻板印象，强调设计与支持的关键性设计型研究（DBR）的方法论拆解从随机对照实验到持续迭代的现实研究，DBR如何结合技术与教学法“操作化”的技术指南如何将“历史思维”“批判性”“共情”等抽象目标具体化为可观察行为？如何在AI产品中设计符合教学目标的游戏机制与评估路径？教育科技 × 社会创业：使命导向的产品开发思维教育创业者的第一步不是功能，而是价值——你的工具解决了谁的痛？用了什么学习理论？能否证明它有效？---------------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-------------------可供性（Affordance）这是技术与用户之间关系的起点。可供性指的是用户在特定情境中“感知到的可以做的事情”。比如一张椅子可以坐、可以踩，也可以当门挡。技术本身的功能不等于用户会使用它，关键是用户感受到它对自己是否“有用”。效力性（Effectivity）可供性是“我觉得可以用”，效力性是“我真的用了之后，效果怎么样”。在教育技术中，一个工具不仅要被使用，还要能实际产生教学成效，这种“效果判断”就是效力性的范畴。学习者主动性（Learner Agency）主动性是学习的原动力。学生是否愿意去提问、探索、尝试解决问题，决定了他们能学到多少。当AI能够快速给出答案时，更需要教师设计能激发学生“参与感”的学习路径。设计型研究（Design-Based Research, DBR）一种强调“真实情境”“用户共创”“持续迭代”的教育研究方法。它不像传统教育研究那样只关注实验与控制变量，而是聚焦在解决实际问题中不断调整干预策略。特别适用于教育科技产品的开发过程。形成性评估（Formative Assessment）贯穿于学习过程的实时反馈机制，不是为了打分，而是为了让学生和教师都能及时调整学习策略。AI可以在这里大显身手——即时生成任务、检测薄弱点、提出微型干预。数据仪表盘（Dashboard）不是炫酷图表，而是教师用来理解学生学习状态的“辅助眼睛”。当游戏等活动产生大量数据时，如何将数据转化为教师能用的判断依据？这正是仪表盘的核心价值。教学法一致性（Pedagogical Alignment）AI产品如果没有与教学目标、课程标准、评估路径对齐，就很容易“漂浮在教学之外”。一个有效的教育工具，必须是教学逻辑中的一环，而不是另起炉灶的“外挂系统”。操作化（Operationalization）这是将抽象的学习目标（如历史思维、批判性思考）变成可观察、可评估行为的过程。如果你说学生在“共情”历史人物，那他们要表现出什么行为才能证明？这个过程就是操作化。学习进阶（Learning Progression）描述学生从初学者到熟练者的成长路径。比如，从只会重复知识，到能够迁移应用，再到创新表达。它帮助设计者制定阶段性目标，并据此构建教学活动与评估工具。提示工程（Prompt Engineering）生成式AI时代的新技能。不是乱问问题，而是精准设计提示词，引导AI生成对齐目标的内容。特别是在教学场景中，好的prompt不仅要能“对答如流”，还要能引发学生反思、理解与表达。教育型课程材料（Educative Curriculum Materials）不仅服务学生，也服务教师成长。一套好的教材、游戏或AI工具，应该能够“教会教师怎么教”，而不只是“告诉教师怎么用”。它是教师发展的隐形助力器。AI教学教练（AI Teaching Coach）与其说AI是教师的替代，不如说它是身边的助理或教练。当它能分析学生行为、对照教学目标、生成策略建议时，教师可以专注于判断与引导，而不是陷入繁杂的数据处理。反向设计（Backward Design）先确定“学生应该学会什么”，再设计活动与评估。这是课程设计中最重要的逻辑顺序，也是操作化的基础。没有明确目标的AI产品，很难设计出有效的交互路径。社会创业（Social Entrepreneurship）在教育科技领域，创业不是为了炫酷功能，而是为了真正改善人的学习、成长和发展。社会创业者以使命为起点，利润为手段，而不是相反。他们构建的工具是“有温度的”。研究—实践合作（Research-Practice Partnerships）研究不是象牙塔的工作，实践也不能闭门造车。真正落地有效的教育创新，往往是研究者与一线教师、产品设计者共同完成的长期协作。这种伙伴关系，是未来EdTech成功的基础设施。在小宇宙查看该单集文稿

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”。在小宇宙查看该单集文稿

大家好，欢迎收听《教育AI智造者》。 这一集的嘉宾是我非常尊敬的一位教育科技引路人——John Gamba。他既是当年通过语音家校沟通平台Pace实现1.8亿美元退出的连续创业者，也是如今宾夕法尼亚大学Catapult加速器的总监，致力于支持全球教育创业者走得更深、更远。我们从他的创业起点聊起，一直到他如何帮助数千位来自50+国家的创业者实现“从点子到影响”的转化。最打动我的是，他不是用大词堆砌愿景，而是一次次强调一句非常朴素却被忽视的话：“你说你的产品能提升学习效果——那你有证据吗？”这句话给我极大的提醒。作为一个做教育AI工具的人，我们常常沉浸在技术迭代与产品上线的节奏里，却容易忘记——教育的核心从来不是功能，而是有效性。是否真的教会了？是否真的改善了学生或老师的状况？是否真的可以规模化地持续生效？John详细拆解了教育科技产品要想走得远，必须跨过的三个门槛：一是学生是否真的愿意用（用户参与度），二是产品是否和教学目标对齐（教学法一致性），三是是否可以融入学校已有的技术体系（整合性）。这三个门槛，如果你只过了其中之一，也许可以短期获客；但只有三者兼备，产品才真正“有牙齿”。对我个人而言，这场对话让我重新看待“研究”在创业中的作用。以前我觉得research只是为了写PPT、获得资助、提升说服力；现在我更清晰地意识到：research其实是决策的基准线，是帮助我们理解教育场景、预判产品边界、设计评估机制的“底层架构”。它不是锦上添花，而是避免你走入死胡同的方向盘。在这一集中你会听到非常多案例，包括如何在危机中建立Pace语音通知系统、如何将澳洲的教师韧性研究模型引入美国并发展为联邦项目、以及如何用AI搭配逻辑模型为教育创业者设计评估方案。我非常希望，这期内容能让更多在做教育产品的朋友们意识到：不是所有功能都是价值，只有那些能带来可被评估的真实改变，才是值得长期投入的产品方向。如果你已经在做EdTech项目，建议你： 回头看看你的产品是否真正教学对齐； 是否设计了一个逻辑模型、评估路径； 有没有想过把研究者请进团队，哪怕是咨询性质； 有没有定义你自己的“护城河”，并用用户成功去强化它。研究驱动，不是多写几页引用文献，而是——你有没有办法让结果被信任。🗂内容大纲开场介绍 Gamba的多重身份：连续创业者、教育导师、Catapult加速器负责人 从被Blackboard收购的Pace平台讲起：如何用语音家校沟通系统服务百万家庭💥 高光瞬间：危机中的教育科技 从科伦拜枪击案到911：产品如何在关键时刻展现价值？ 什么是真正的系统兼容性与影响评估？从成本中心到价值创造研究驱动的产品设计 教育创业不能靠感觉，要用数据与逻辑模型说话 日本“家长代上课”案例：如何启发Pace的家校参与设计Catapult的诞生与三类创业者 初创者：要什么学习资源？ 有MVP团队：如何进行一线试点？ 已营收的团队：如何从100万到1500万？🎯 产品设计的三大黄金标准 高度用户参与感 教学法对齐（Desmos/i-Ready/Reading Science） 易于整合进教育系统（LMS、SIS等）📊 教育创业者的“成长门槛”系统 什么是Waypoint评估点？ 如何在融资PPT里加入研究文献？ NRR比ARR更重要：教育产品的真正生命力在哪里？✨ 案例讲解：澳洲PeopleBench如何将研究变600万联邦项目？ Catherine McEwen量表实践、跨文化调整与数据反馈闭环AI与加速器如何结合？ AI不能替代导师，但能放大辅导系统的效率 用AI校对Lean Canvas、自动检测教学对齐、建议融资策略🧠 金句爆发：创始人的成功悖论 “谦逊与意志力的悖论”：可教又能执行的人最有可能走得远 从Swift Score聊起：只有你对齐教学标准，你的AI产品才“有牙齿”🧩 创业团队如何搭建？ 教师+技术+设计 = 1+1=5 的团队结构 为什么跨职能团队远胜Solo创业者？🚀 商业模式、融资与护城河 教育产品适合风投吗？耐心资本是“绿灯” 如何用客户体验筑起真正的护城河？ 《Seven Powers》：每个创始人都该读的护城河圣经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EP33"，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-------------------教学法对齐（Pedagogical Alignment）教育AI产品最常被忽视的一点就是是否真正符合课程目标、教师评估标准与学生认知路径。John特别强调，如若没有教学逻辑支撑，即使产品“看起来很AI”，也会在落地时被老师拒绝。成长门槛 WaypointsCatapult 为创业者设置的“关键通关点”，比如：是否定义了用户画像？是否验证了逻辑模型？是否将产品目标与数据评估方式对齐？它是帮助团队自我校正的一套路线图。NRR（净经常性收入）相比ARR，NRR更能反映教育产品的真实生命力。如果学校用了你一年后不续约，那你只有收入没有价值。续费率、使用频率、推广意愿，才是真正的增长指标。逻辑模型（Logic Model）产品背后的理论与结构图谱——输入、活动、输出与短中长期目标之间的因果关系。如果一个教育产品没有逻辑模型，就像没有路线图的旅程，很容易失焦。护城河 Moat不仅是技术壁垒、算法独创，更可能是教学影响路径、数据闭环、客户体验的复利。教育产品的护城河，往往不是“代码难度”，而是“信任成本”。耐心资本（Patient Capital）不是所有投资人都追着5年内IPO，也有一批人愿意陪教育产品走一个缓慢但扎实的路径。这类“慢钱”反而可能成就真正长期的影响。在小宇宙查看该单集文稿

大家好，欢迎收听《教育AI智造者》。 【本期由AI做翻译和文字转语音，把英文音频做成了中文音频发布。Gamba先生的部分有AI配音完成。音频中还有不太清楚的部分，请见谅！】这一集的嘉宾是我非常尊敬的一位教育科技引路人——John Gamba。他既是当年通过语音家校沟通平台Pace实现1.8亿美元退出的连续创业者，也是如今宾夕法尼亚大学Catapult加速器的总监，致力于支持全球教育创业者走得更深、更远。我们从他的创业起点聊起，一直到他如何帮助数千位来自50+国家的创业者实现“从点子到影响”的转化。最打动我的是，他不是用大词堆砌愿景，而是一次次强调一句非常朴素却被忽视的话：“你说你的产品能提升学习效果——那你有证据吗？”这句话给我极大的提醒。作为一个做教育AI工具的人，我们常常沉浸在技术迭代与产品上线的节奏里，却容易忘记——教育的核心从来不是功能，而是有效性。是否真的教会了？是否真的改善了学生或老师的状况？是否真的可以规模化地持续生效？John详细拆解了教育科技产品要想走得远，必须跨过的三个门槛：一是学生是否真的愿意用（用户参与度），二是产品是否和教学目标对齐（教学法一致性），三是是否可以融入学校已有的技术体系（整合性）。这三个门槛，如果你只过了其中之一，也许可以短期获客；但只有三者兼备，产品才真正“有牙齿”。对我个人而言，这场对话让我重新看待“研究”在创业中的作用。以前我觉得research只是为了写PPT、获得资助、提升说服力；现在我更清晰地意识到：research其实是决策的基准线，是帮助我们理解教育场景、预判产品边界、设计评估机制的“底层架构”。它不是锦上添花，而是避免你走入死胡同的方向盘。在这一集中你会听到非常多案例，包括如何在危机中建立Pace语音通知系统、如何将澳洲的教师韧性研究模型引入美国并发展为联邦项目、以及如何用AI搭配逻辑模型为教育创业者设计评估方案。我非常希望，这期内容能让更多在做教育产品的朋友们意识到：不是所有功能都是价值，只有那些能带来可被评估的真实改变，才是值得长期投入的产品方向。如果你已经在做EdTech项目，建议你： 回头看看你的产品是否真正教学对齐； 是否设计了一个逻辑模型、评估路径； 有没有想过把研究者请进团队，哪怕是咨询性质； 有没有定义你自己的“护城河”，并用用户成功去强化它。研究驱动，不是多写几页引用文献，而是——你有没有办法让结果被信任。🗂内容大纲开场介绍 Gamba的多重身份：连续创业者、教育导师、Catapult加速器负责人 从被Blackboard收购的Pace平台讲起：如何用语音家校沟通系统服务百万家庭💥 高光瞬间：危机中的教育科技 从科伦拜枪击案到911：产品如何在关键时刻展现价值？ 什么是真正的系统兼容性与影响评估？从成本中心到价值创造研究驱动的产品设计 教育创业不能靠感觉，要用数据与逻辑模型说话 日本“家长代上课”案例：如何启发Pace的家校参与设计Catapult的诞生与三类创业者 初创者：要什么学习资源？ 有MVP团队：如何进行一线试点？ 已营收的团队：如何从100万到1500万？🎯 产品设计的三大黄金标准 高度用户参与感 教学法对齐（Desmos/i-Ready/Reading Science） 易于整合进教育系统（LMS、SIS等）📊 教育创业者的“成长门槛”系统 什么是Waypoint评估点？ 如何在融资PPT里加入研究文献？ NRR比ARR更重要：教育产品的真正生命力在哪里？✨ 案例讲解：澳洲PeopleBench如何将研究变600万联邦项目？ Catherine McEwen量表实践、跨文化调整与数据反馈闭环AI与加速器如何结合？ AI不能替代导师，但能放大辅导系统的效率 用AI校对Lean Canvas、自动检测教学对齐、建议融资策略🧠 金句爆发：创始人的成功悖论 “谦逊与意志力的悖论”：可教又能执行的人最有可能走得远 从Swift Score聊起：只有你对齐教学标准，你的AI产品才“有牙齿”🧩 创业团队如何搭建？ 教师+技术+设计 = 1+1=5 的团队结构 为什么跨职能团队远胜Solo创业者？🚀 商业模式、融资与护城河 教育产品适合风投吗？耐心资本是“绿灯” 如何用客户体验筑起真正的护城河？ 《Seven Powers》：每个创始人都该读的护城河圣经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EP33"，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-------------------教学法对齐（Pedagogical Alignment）教育AI产品最常被忽视的一点就是是否真正符合课程目标、教师评估标准与学生认知路径。John特别强调，如若没有教学逻辑支撑，即使产品“看起来很AI”，也会在落地时被老师拒绝。成长门槛 WaypointsCatapult 为创业者设置的“关键通关点”，比如：是否定义了用户画像？是否验证了逻辑模型？是否将产品目标与数据评估方式对齐？它是帮助团队自我校正的一套路线图。NRR（净经常性收入）相比ARR，NRR更能反映教育产品的真实生命力。如果学校用了你一年后不续约，那你只有收入没有价值。续费率、使用频率、推广意愿，才是真正的增长指标。逻辑模型（Logic Model）产品背后的理论与结构图谱——输入、活动、输出与短中长期目标之间的因果关系。如果一个教育产品没有逻辑模型，就像没有路线图的旅程，很容易失焦。护城河 Moat不仅是技术壁垒、算法独创，更可能是教学影响路径、数据闭环、客户体验的复利。教育产品的护城河，往往不是“代码难度”，而是“信任成本”。耐心资本（Patient Capital）不是所有投资人都追着5年内IPO，也有一批人愿意陪教育产品走一个缓慢但扎实的路径。这类“慢钱”反而可能成就真正长期的影响。在小宇宙查看该单集文稿

大家好，欢迎收听「教育AI智造者」播客！今天我对话了一位身份多元的技术探索者——既是大厂前端工程师，又是深受欢迎的LangChain教育者，更是拥有十万月活的开源项目创造者KK（个人网站：kaiyi.cool).在这场近两小时的深度对话中，我们从他的成名作品「Qwerty Learner」切入，一路探索了AI时代下创作者的身份蜕变之路。KK坦言在大厂舒适区中感受到的"意义真空"，以及如何通过个人项目找回那种即时反馈与存在感的电流。当他描述自己如何在前端岗位上主动拥抱AI转型时，那种"既恐惧又兴奋"的矛盾心态，恐怕是当下无数技术人的真实写照。最引人深思的部分是KK对"Vibe Coding Trap"的犀利剖析——那种只关注AI生成结果而忽视底层逻辑的开发方式，如何让程序员从创造者逐渐沦为检查者。"当你习惯让AI写代码，却不理解它的架构时，你已经在走下坡路了"——这句话点醒了多少依赖Copilot的开发者。谈到他开发的英语学习工具时，KK热情洋溢地分享了如何将打游戏的肌肉记忆原理应用到语言学习中，以及项目如何从自用工具意外成长为拥有庞大用户群的开源社区。在商业化的多重诱惑下，他毅然坚持开源之路的理由令人动容："我更看重作品而非产品，看重表达而非利益"。本集最精彩的金句莫过于KK对未来劳动力的重新定义："在Agent时代，衡量一个人效率的标准不再是'投入多少时间'，而是'能同时调动多少智能体协作'的能力"。这一洞见彻底重构了我们对职业竞争力的理解。无论你是正在技术转型路上挣扎的开发者，还是思考如何在AI浪潮中保持创造力的内容创作者，或只是对"未来我们如何与AI共事"感兴趣的探索者，这场对话都将为你提供难得的前沿视角与实战经验。一场关于技术、教育、自我实现，以及在算法时代重新寻找人类价值的深刻对话，不容错过。🗂内容大纲开场介绍与嘉宾登场 KK的多重身份：前端工程师、开源作者、AI课程开发者 为什么他是「既动脑又动手」的代表人物？驱动力：大厂稳定之下为何坚持做独立项目？ 找不到“意义”的打工困境 ✨ 高光：个人项目如何带来即时反馈与存在感Copilot时代的程序员困境与自我反思 前端“被取代”的焦虑是真是假？ Debug开始变难，是不是AI的错？ 🤯 冲突时刻：从创造者沦为检查者，Web Coding 的诱惑与陷阱SaaS与Web基础设施的简化如何重塑创作门槛？ 技术不再是壁垒，idea才是 ✨ 高光：程序员的杠杆不再是代码，而是“能调动多少Agent”探讨教育系统与职业路径的错位 通识教育 vs 个体特长 AI带来的范式转换：不再重用代码，而是即时生成、即时抛弃教程开发背后的学习哲学 用LangChain开发课程是如何“逼迫”学习？ ✨ 高光：什么是AI做不到的？“有灵性的讲解”仍然属于人类 课程开发的价值判断 割韭菜？还是陪伴成长？ 🧩 认知冲突：真正缺的不是入门课，而是“过渡期”课程Quarter Learner背后的故事 打字也能学英语？灵感来源竟然是打游戏 + 肌肉记忆 意外的用户画像：雅思考生 vs 技术人 ✨ 高光：从自用工具变成十万月活的开源项目为什么坚持开源？产品与作品的分界线在哪里？ 商业化诱惑 vs 创作者自我：我选择作品 🤯 冲突时刻：抗拒旧作，追求表达“当下真实的自己”自我时间管理与AI时代的战略思考 AI产品化的红海：何时入场，何时沉淀 从“被需要”中跳脱出来，重新理解「作品型人生」教育的终极命题：成为更完整的人 教育不该阶段化，而应是人生化 ✨ 高光：如何在被AI放大的时代中，反而找回“人的尺度”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EP32"，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，可以扫码加入相应的讨论群；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-------------------Vibe Coding AI主导编程新范式，提供了"无门槛创造"的诱惑，但同时带来了代码理解的表层化问题。这种"看结果不看过程"的开发方式，虽然大幅提升了速度，却可能导致开发者与代码架构的疏离，最终在复杂项目中付出更高的维护成本。Qwerty Learner (https://qwerty.kaiyi.cool/) KK打造的创新英语学习工具，通过将键盘敲击与单词记忆融合，创造了一种"做中学"的学习体验。其独特价值在于将枯燥的记忆转化为肌肉层面的自然反应，结合艾宾浩斯遗忘曲线和多源词典支持，成功吸引了从考研学生到技术人在内的多元用户群体。Copilot / Cursor 代表AI辅助编程新时代的工具，不仅是简单的代码补全，而是通过深度语境理解重塑了"人机协作编程"的工作流。这些工具最大的价值不在于替代编码，而在于将开发者从重复性工作中解放，提升到更高层次的架构设计与问题解决层面。Vibe Coding TrapAI编程中的认知陷阱，表现为过度依赖生成结果而忽视底层逻辑。这不仅是技术问题，更是心智模式的危机——当开发者习惯于"拿来主义"后，逐渐丧失对系统整体的把控能力，最终可能沦为AI的"校对员"而非创造者。Scaling of Labor（劳动力扩展定律） Agent时代的核心竞争力重定义：从个人生产力扩展为"调度与整合能力"。这一概念反映了知识工作者角色的根本转变——未来的高效能人士不再以个人产出为衡量标准，而是以"多大规模的智能网络可被一人有效管理"为新指标。费曼学习法 通过"教授他人"倒逼自我理解深化的方法，在KK的实践中体现为从源码解读到实际应用的闭环。这种学习模式特别适合于复杂概念的内化，因为解释过程会自然暴露知识盲点，促使学习者不断填补认知漏洞，最终达到真正的掌握。作品 vs 产品 两种截然不同的创造哲学：作品以创作者表达为核心，追求独特性与完整性；产品以市场需求为导向，强调复制性与规模效应。在AI时代，这一区分变得更为关键——真正的"作品"蕴含着不可替代的人类特质，而纯功能性"产品"则面临着被算法取代的风险。教育的人生化 教育应超越阶段性学习，成为个体生命全程的伴随过程。这一理念挑战了传统的"学校-工作"二元分离模式，主张学习应嵌入生活各个维度，始终围绕"成为更完整的人"这一核心目标展开，尤其在AI重构知识结构的时代更显重要。认知鸿沟（Knowledge Gap） 学习路径中的"中段失联"现象，指从入门到精通之间缺失的系统性过渡内容。这种鸿沟导致许多学习者停滞在"会用但不懂原理"的阶段，无法实现知识的真正内化与创造性应用，是当前教育产品最需要填补的空白区域。AI增强的自我表达 AI工具重塑创作流程，将创作者从技术限制中解放出来，转而聚焦于独特风格与个人洞见的表达。在这个范式中，AI扮演"能力放大器"而非替代品，真正珍贵的仍是人类的创意火花、情感张力与表达的独特性。Anti-Fragile Work (反脆弱作品) 超越商业逻辑的自足型创造，这类作品不依赖外部验证与市场反馈，而是通过内在价值与创作者自身成长形成良性循环。它们往往不追求短期爆款效应，却能在长时间尺度上展现出超越功利的持久影响力，就像经典艺术作品一般具有自我证成的力量。深度专注 vs 表面多元 对比真正的多领域专长与表面的任务并行，强调在AI辅助下，人类更应该培养少数几项真正的深度专长。这一原则提醒我们，尽管AI让并行工作变得容易，但创造性思维与深度洞察仍需要长期专注投入，否则只会产出批量化的平庸结果。在小宇宙查看该单集文稿

大家好，欢迎收听「教育AI智造者」播客！ 这一期我邀请到的是“洒洒水”播客的主持人之一，Yibing老师(小红书)——一位来自上海国际学校的AI实践者和深度思考者。她不仅在教学中亲手开发AI工具（比如一键生成AB卷的小程序），还在自我探索中反思AI与教育的深层关系。 我们一起讨论了AI落地教学的那些「难言之隐」和「技术幻觉」。这期播客，我们聊得非常尽兴。从“AI能否真正提高学习效果？”到“老师的隐性需求如何被激发？”，再到“生成式AI是否正在改变学生的写作风格？”，我们深入探讨了AI、教学、学生心理、教学法转型等一系列话题。这一集不只是在说AI能不能帮老师写评语、点名、改作业，而是直击几个核心问题： 学生为什么用AI作弊？是因为偷懒，还是「信心缺失」？ 老师明明最了解教学痛点，为什么却很难提出清晰的需求？ AI工具是不是正在吞噬学生的语言风格和个体感受力？ 在赛课、备课、教学评估全流程中，AI到底是装饰品还是真刚需？我们也聊到了Yibing用Python自制AB卷工具背后的故事、老师们使用AI时的种种微妙心理，以及学生面对AI时的「无助」与「依赖」。如果你是老师、教育工作者，或是对教育未来感兴趣的人，这期播客绝对不能错过。它不仅是关于AI工具的使用，更是一次关于教学本质与教育情怀的深度交流。这是一集适合慢慢听的播客，愿你听完后，也愿意像AI那样——学会倾听、反馈、照见彼此。 🧭 内容大纲（Topic Outline）AI教学工具的实践探索 Yibing开发的“一键生成AB卷”程序的由来与使用场景 国内教师使用DeepSeek的不同方式（点名、评语生成、小工具）、作弊与AI介入下的评估新挑战 学生如何借助AI作弊？引发的教育伦理与评估反思 引用沃顿商学院研究：AI使用方式如何影响学习效果？老师的隐性需求与产品思维 为什么老师往往难以明确表达需求？ 从题目顺序调整到答案排序变化的误解案例AI工具的结构化优势与教师工作流 哪些工作更容易被AI加速：重复劳动 vs 情感连接 MagicSchool等工具在评语生成和题目初稿上的应用文化、教材、系统差异对AI落地的影响 中美教育系统的结构化差异 中国教学环境的复杂性和教师个人自由度AI的情绪价值与教师反思 AI如何帮助学生建立学习信心 AI作为“镜子”：促进教师反思和情感表达的工具生成式AI对学生写作风格的影响 学生越来越“像AI”的写作趋势 诗歌教学如何解放语言与感受教育结构、灵活性与技术落地的关键 PBL、教学法老师（pedagogy coach）等机制的作用 新加坡模式：系统性教师支持网络的启示未来教育与AI时代的角色再定义 AI如何打破知识的神秘性，激发创造的可能 教育的情感面与个体认知的觉察力的重要性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EP31"，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，可以扫码加入相应的讨论群；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-------------------ABCD卷（多版本试卷）是为减少学生考试期间抄袭行为而设计的策略。老师会出多套题，或将题目顺序和选项顺序打乱，确保学生即使对答案，也无法复制成功。重点在于“答案互斥”，即某道题在A卷中正确选项是A，则在B、C卷中该题选项必须变化，增加作弊成本。教学法培训（Pedagogical Training）指的是对老师进行系统性教学理论与方法的培训。常见内容包括PBL（项目式学习）、评估设计、课堂引导策略等，强调从“教内容”转向“教思维”。优质的教学法培训不仅提升教学效果，也影响教师的信心和专业认同感，是教育变革的隐形推手。MagicSchool（AI教师助手工具）美国一款流行的AI教师工具集，内含“课堂小测题生成”“个性化评语撰写”等模块。虽然不是自动部署AI教学系统，但它切中教师“效率焦虑”的痛点，尤其在重复性劳动如出题、改作业、写总结等环节发挥价值，也在一定程度上激发了教师的AI使用想象力。构建主义（Constructivism）一种强调“学生主动建构知识”的学习理论。它认为知识并非被教师灌输，而是学习者通过经验、自我探索与他人交流中构建而成。AI介入教育如果无法促进个体认知结构的建立，而只是提供“现成答案”，则容易违背构建主义的本意，因此如何借助AI促进理解，而非削弱思考，是构建主义时代的重要课题。Notion 教案数据库管理Notion 是一个用于组织信息与笔记的数字工具，越来越多老师用它来建立多层级备课资料库。比如，一节课的教学目标、讲义、视频链接、学生反馈等，都可存于同一个页面中。这种结构化信息管理帮助教师打破“孤岛式记忆”，提高重复教学的质量与效率，也为AI接入教学内容提供清晰的语料基础。在小宇宙查看该单集文稿

大家好，欢迎收听「教育AI智造者」播客！在本期节目中，我们以圆桌形式，邀请到了「爱宝AI」的两位联合创始人：技术负责人佐宁与市场负责人叶子，一起深度探讨了如何面向5-12岁儿童设计并推广AI通识教育产品。「艾宝AI」聚焦互动式学习，兼顾趣味与知识深度，帮助孩子通过项目制体验、掌握AI提示词工程（Prompt Engineering），并进一步学习大模型背后的原理。产品背后既有专业的AI技术架构加持，也融入了对教育平权、个性化学习和家长需求的真诚思考。本期节目，你将听到： 「艾宝AI」如何定位5-12岁儿童的AI启蒙课程 AI老师与项目式学习相结合，如何兼顾孩子的趣味性与学习效果 在技术端，如何利用大模型与多模态交互实现“AI助教” 游戏化机制与家庭教育角度，如何帮助孩子建立学习动机与反思能力 面对市场上形形色色的“AI学习”产品，该如何甄别并找到真正适合孩子的课程如果你是家长、教育从业者或正思考如何利用AI为孩子打开更广阔的未来视野，这期节目会为你带来全新的思考与启发。让我们一起走进孩子的“AI初体验”世界，见证技术与教育碰撞下的种种可能！来自佐宁+叶子欢迎大家使用我们的产品，直接访问我们的网站agi4kids.cn注册用户既可以免费体验6节课。 如果想购买我们的产品，请找我们的客服老师（微信：L1581735108），记得说明您是伊伊子的朋友，我们为您准备了惊喜特价。内容大纲为什么要做“AI＋教育”？ 佐宁：AI大模型的崛起与早期嗅到的风口自身为家长的焦虑与期待：如何帮下一代在AI时代中找到定位AI老师可能带来的教育平权与供给侧变革 叶子：在头部在线教育机构的工作体验人工智能在教育行业的未来前景与价值观驱动爱宝AI的产品定位与特色 教什么？：从AI体验到提示词工程再到大模型原理 如何教？：基于项目制学习，低门槛、交互化与多模态结合 解决的核心痛点：师资短缺、孩子时间碎片化、家长希望孩子提早接触AI课程设计与教学策略 让孩子掌握Prompt Engineering的基本技巧 从孩子日常生活与兴趣出发：文本接龙、创意菜谱、音乐绘本等丰富项目 针对低龄孩子如何简化大模型原理的教学：游戏化、动画、可视化操作 家长视角：如何把握好“使用AI”和“防止懒惰思维”之间的度？产品实践与用户反馈 核心功能：AI老师可语音互动、分级内容、项目式学习成果可分享 用户案例分享：孩子的惊喜创作、来自三四线城市家庭的“教育平权”感言 游戏化机制与学习动机：如何维持孩子的自驱力和成就感？市场推广与定价思考 教育产品的高成本与信息不对称：如何在保证质量的同时平价让利？ KOL模式与渠道困境：为什么有些产品定价惊人？ 艾宝AI如何在0-1阶段寻找突破与口碑积累？质疑与展望：AI通识课会“割韭菜”吗？ 为什么要教AI通识？是否人人都能自学？ 艾宝AI的理想与困境：既要面向普罗大众，也要兼顾行业商业化的现实 未来规划：分龄化升级、AI老师迭代、反思与创作环节的进一步打磨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EP30"，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，可以扫码加入相应的讨论群；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------------------- Prompt Engineering（提示词工程）通过设计或优化输入指令，引导大模型（如ChatGPT）输出更准确、有针对性或更富创造力的内容。在低龄段教学中，可将提示词拆分为有趣的角色对话或图文任务，帮助孩子理解和运用。 多模态交互（Multimodal Interaction）不止文字输入，还可借助语音、图像、视频等方式与AI互动，尤其适合尚未熟练键盘输入的儿童，让他们能“说话”或“画画”就能触发AI的回应。 AI幻觉（Hallucination）大模型有时会生成人类无法理解的错误或虚假信息，因此在教育场景中，需要对关键知识点添加知识库或经过二次验证，避免误导孩子。 教育平权（Educational Equity）倡导让不同区域、不同社会经济背景的孩子都能享有同等教育资源。借助AI的规模化与低成本特征，有望缩小教学质量差异。 游戏化机制（Gamification）在学习中融入积分、闯关、收集元素，以提升儿童参与度与专注力。但要把握好趣味与难度的平衡，避免“为了奖励而学”。 元认知（Metacognition）指对自身思维过程的觉察与调节。在AI生成作品后，让孩子进行二次评价、纠错或改进，是培养元认知的重要方式。 建构主义（Constructivism）一种学习理论，强调学习者通过自身经验与社会互动来“建构”知识。AI项目制学习中，也提倡孩子亲自参与、动手实验，再通过AI反馈进一步修正理解。 ZPD（Zone of Proximal Development）近侧发展区由维果斯基提出，表示“孩子自己做不到，但在有辅助的情况下可以完成”的学习区间。AI老师或家长适度引导，可提升孩子对更高难度知识的掌握。 Cognitive Load（认知负荷）学习者在完成任务或理解知识时所需要处理的信息量。对低龄孩子来说，设计合理的UI交互与简洁的项目流程能有效减轻“过载”，提升理解效率。 Differentiated Instruction（差异化教学）通过调整教学内容、形式或进度，满足不同孩子的学习需求。AI可在此提供自动化评估与个性化生成，从而让每个孩子都学得更适合、走得更远。 Bloom’s Taxonomy（布鲁姆分类学）将学习目标从记忆、理解、应用、分析、评价到创造六个层次不断递进。AI生成内容后，若能引导孩子进行自我反思或作品改进，就更贴近高阶思维层次。 Pipeline工作流（Workflow）将AI处理拆解为多步：如输入—识别—生成—校验等，每一步都可进行逻辑控制或人工干预，以保证输出的准确性和一致性，更适合K12教学对严谨度的需求。 Agent智能体（AI Agent）能进行多轮对话与自我规划，调用外部工具完成复杂操作。但在低龄教学中，需在稳定性与实时性之间做好平衡，避免孩子等待过长或生成答案跑偏。在小宇宙查看该单集文稿

大家好，欢迎收听「教育AI智造者」播客！在本期播客中，我们邀请到了「Thinkverse」的联合创始人Sean，深入剖析AI在数学教学领域的应用。Sean来自Google与字节跳动的工程与架构团队，有着丰富的大模型与数据处理经验。节目中，他分享了「Thinkverse」如何利用AI Tutor（家教）和AI Teaching Assistant（助教）两种角色，为师生分别提供个性化辅导与教学支持，不仅显著减轻了老师“改卷+备课”的负担，也为学生在练习时提供了及时且精细的反馈。在深入探讨「Measure Growth Mode」功能时，Sean提到，他们通过课前、课后的小范围测验，为师生带来前后对比的显性效果，引导学生产生自信心的正向循环；同时也让老师获得更直观、可视化的数据反馈，一眼洞察班级整体学习情况。他更进一步解释了他们在大语言模型的选择与微调（finetuning）与工作流建立上，如何平衡准确度、成本与产品迭代效率，并且强调了技术并非核心护城河，真正打动教师与学校的是“对教学场景的深度契合”。如果你对如何用AI实现“个性化+高效”的数学教学感兴趣，或正思考通过数据可视化及AI教学工具让课堂“教”“学”兼优，那么这集内容会给你带来启示。无论你是正寻找自动化升级方案的学校管理者，还是想要提升课堂效率与学生参与度的一线教师，亦或是关注“下一波AI赋能教育”趋势的行业观察者，都能从本期分享中收获实用思考与鲜活案例，一同见证AI如何为数学学习打开更多可能性。内容大纲嘉宾与产品背景 个人经历：从Google到字节跳动再到「Thinkverse」的创业故事 公司产品定位：数学教学场景下的AI Tutor与AI Teaching Assistant两大角色：AI Tutor & Teaching Assistant 定义与差异：家教模式如何一对一答疑，助教模式又如何为教师提供批阅与数据分析 在教室（同步时空）与课后（异步时空）两大教学场景中的应用核心功能：Measure Growth Mode 课前测验与课后测验的闭环设计 如何通过“前后对比”来提升学生自信、增加老师对课堂成果的把握 数据分析与可视化，为老师提供哪些精确指导AI技术落地：模型选择与Prompt Engineering 为什么大多数场景使用Prompt优于深度微调 Pipeline工作流 vs. Agent智能体：在教育场景中如何保证稳定性与即时反馈 老师与教学专家加入题目设计与解题过程，把苏格拉底式的问答落实到AI对话商业化策略：To B的路径 面向美国公校、学区合作的市场推广与落地难点 为什么“痛点最深”的学校反而更急需AI解决方案 与传统工具平台或竞品的差异化：迭代速度与长期价值未来展望：平台化与教育变革 当AI在后台，人与人之间的互动价值如何被进一步放大 数学教育之外的潜能：从图表到其他学科的可行性探讨 兼顾技术发展与教育初心，如何让AI真正赋能更多师生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EP29"，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，可以扫码加入相应的讨论群；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-------------------AI Tutor（家教模式）指在学生个体化练习过程中，为其提供实时答疑与步骤引导的AI角色。此模式常在学生独立作业或课后练习时使用，通过对学生提问的理解与互动式解答，帮助其及时纠正错误、巩固知识点并形成独立思考的习惯。AI Teaching Assistant（助教模式）面向教师或教学管理的AI支持系统，重点在于为老师批改作业、汇总学习数据、生成课堂报告等，简化琐碎操作环节。老师可基于此快速了解全班常见问题及难点，提高教学效率与班级整体学习成效。Measure Growth（能力增长测量）通过课前与课后各设置若干题目，小范围检测学生对知识点的掌握度，并对比两次测验结果。此方法不仅让学生获得即时“进步感”，也给老师提供客观数据，以精准定位知识漏洞并针对性复习或辅导。Prompt Engineering（提示词工程）旨在通过精心设计的提示词、角色设定及上下文示例，引导大语言模型产出更符合教育场景需求的答案或反馈。其本质在于运用语言和背景信息，让模型在有限的调用下亦能紧扣教学目标，避免跑题或生成无效内容。Pipeline工作流指将AI功能拆分为若干可控步骤，每一步各有明确的输入与输出，最终串成整个解题或辅导过程。这种方式能保证在关键节点进行人工审核或固定逻辑处理，提升系统的可靠性与一致性，适合K12数学等对准确度要求高的场景。Agent智能体一种能执行持续多轮对话及内在“自我规划”的AI系统。它可先观测环境，再进行内部推理与分解任务，并调用外部工具完成复杂操作。虽然灵活性高，但在实时性要求较高的课堂场景中，可能出现响应延迟与教学目标偏移的问题。To B（企业/机构级）合作一种商业化模式，主要面向学校、学区或培训机构等进行批量采购或大型部署。此模式通常需求明确、客单价高，但拓展周期较长，需要与教育行政部门或校方管理层多方协调，是教育AI公司实现规模化的重要路径。苏格拉底式问答（Socratic Method）一种追问式教学策略，教师不直接给出答案，而是通过层层引导与反问，让学生亲自推理出正确步骤或结论。在AI辅助下，可以让模型先提出启发性问题，再鼓励学生自主思考，提高学习者对数学解题过程的理解深度与批判思维。在小宇宙查看该单集文稿

大家好，欢迎收听「教育AI智造者」播客！本期节目，我想和大家分享一个带给我很多思考的教育+AI的创业故事。我的嘉宾是「作文说」的创始人——李日新(小红书)，他在AI教育领域默默耕耘，却用一款看似“简单”的作文批改产品，为老师和学生们带来了不可思议的价值。起初，我只是好奇他如何通过OCR、提示词工程等技术，为老师解决挑灯夜改作文的难题；但随着对谈的深入，我发现他更加在意的是教育公平和教学深度：在偏远山区的孩子，是否也能获得优质的作文点评？老师在批改之外，是否还有更多精力做真正的教学和陪伴？节目中，我们深入探讨了「作文说」产品的技术逻辑，也探讨了李日新在一片“AI作文批改竞品丛林”中的生存之道。从选择性价比更优的大模型，到“定制化批改模板”如何让老师真正感到舒心与专业，再到对教育初心的坚守，每一处都能体现一个教育创业者的责任与理想。如果你关心人工智能对教学场景的真实赋能，或正在思考如何把“简单的小想法”做出真正的社会价值，这期节目一定会为你带来新思路！让我们一同踏上这场“技术×教育×初心”交融的探索之旅，见证AI如何让更多孩子拥有“像老师一样”的作文批改体验吧！欢迎大家体验 "作文说"， 在这里找到体验码，说明是伊伊子播客来的，可以获得体验优惠劵内容大纲节目缘起与嘉宾背景 嘉宾日新：从黑客马拉松中的灵感闪现，到组建团队推出“作文说” “AI作文批改”项目的初衷与第一版产品雏形快速原型：用API和提示词打磨MVP 如何借助现有大模型API及OCR技术，快速打造可用的测试产品 对“工程难度与成本权衡”的看法：技术门槛虽低，但要抓住需求与痛点 初期用户获取与反馈：自然流量、市场验证与问题暴露聚焦老师：定制化批改模板的价值 不同学段、学科、教学场景下对作文批改的多元需求 老师“考评一致”的教学要求与AI对齐度：如何设计模板才真正好用 社群互动与用户共创：如何激发老师的创造力，让更多人贡献优质模板AI模型与成本：从选型到持续优化 国产大模型vs.海外大模型：差异、价格与使用稳定性考量 OCR、token占用、大模型调用费：边际成本与规模化挑战 自适应学习框架下的数据“抓取-反馈-迭代”机制商业化与竞争：AI作文批改的生存之道 免费or付费？个人开发者与小团队的自我定位与商业模式探索 市场中已有大量竞品，“一夜抄袭”与同质化的残酷现实 教育赛道政策环境与“出海”思考：在国内做B端、C端项目的机会与风险教育公平与社会价值：AI的初心与边界 AI作文批改能否真正帮助偏远或资源受限地区的孩子？ 学生端与老师端的互补：从评分到学习指导，再到写作思维培养 如何让社会价值与商业利益并行？创业者在理想与现实之间的取舍未来展望：从产品到教育模式的转变 AI是否会重塑写作教学、批判性思维培养与多阶段教学设计？ 个人开发者或小团队在寒武纪爆发式的“教育+AI”中如何定位差异化？ 对行业同行与想入局者的建议：深入一线、建立独到的隐性认知与壁垒结语与扩展 日新对“作文说”后续的期待：迭代核心功能、扩大老师与学生的受益面 伊伊子邀请听众：如有兴趣，欢迎试用“作文说”并加入听友群讨论 未来更多“教育AI智造者”访谈，敬请持续关注如果大家希望加入伊伊子AI产品分享或者体验群，欢迎加V: yiyiziishere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EP28"，即可获得。-----------------------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！😊--------------------相关词介绍-------------------AI作文批改指利用OCR识别、自然语言处理（NLP）和大模型（如GPT）等技术，对学生手写或电子作文进行自动批改和反馈的综合应用。它不仅能给出分数，还可模拟人类教师的点评方式，提供段落级或句子级的评价与改进建议。随着模型能力的增强，它也能帮助教师批量化处理作业，节约时间并提供更多个性化指导。可定制批改模板“作文说”等产品的一项核心功能，让教师或用户对批改过程进行自定义配置。例如，老师可指定评分标准、写作要点或教学重点，使AI的点评和建议更贴合真实课堂需求。这不仅提高了批改准确度，也加强了学生与教学目标之间的有效对接，有助于实现“教学评一致”。Prompt Engineering（提示词工程）一种与大语言模型交互的实践方法。通过设置角色、场景、示例输入和输出等，来引导模型产出更符合目标的结果。它在AI作文批改中尤其重要：教师可向模型提供自身教学思路、评价标准和范文示例，使模型的文本处理更具针对性与一致性。在大模型落地过程中，提示词工程往往是低成本却高效能的关键环节。OCR（Optical Character Recognition）即光学字符识别技术，用于将纸质或图片中的文字转换成可机读的数字文本。对手写作文批改而言，OCR是第一道关卡：只有精确识别文字，AI才能进行后续的语义理解与文本分析。虽然数字化程度逐年提升，但在作文、考试场景下，手写仍然普遍，因此OCR性能直接影响批改系统的准确率和用户体验。自适应学习一种通过数据反馈与个性化算法，动态调整学习路径与教学反馈的教育理念。通常要求系统能实时捕捉用户的使用行为，并根据表现进行推荐或调整。例如，老师在修改AI点评的过程会产生新的数据，系统据此逐步优化后续批改结果，从而实现“AI-教师-学生”三方协同的自适应学习流程。数据埋点与迭代指在用户产品使用过程中，通过预先设置的监测点（埋点）收集行为数据，再基于这些数据进行功能或模型的迭代优化。这在AI写作批改产品中十分关键：系统不仅要关注用户量、使用频次，还需记录每篇作文的点评质量、教师对结果的满意度及改动点，从而不断修正与升级批改逻辑。营销成本在播客中提及时，主要指产品为了获取用户（老师、学生或家长）所付出的费用，包括线上广告投放、线下推广、品牌合作等。对AI作文批改这一细分市场而言，因竞品数量众多且功能同质化严重，营销成本往往会远超技术或研发成本，成为初创团队“生存或死亡”的决定性因素之一。B端 vs. C端B端（Business-to-Business）即面向学校、培训机构或政府教育部门的合作模式，通常涉及批量采购或系统级部署；C端（Customer-to-Consumer）则是直接面向个人教师、家长或学生的零散付费。对AI作文批改产品而言，B端市场能带来较大规模与稳定合作，但对接周期长、采购流程复杂；C端更灵活，但单个用户的获客成本高、留存与收益不确定性大。寒武纪爆发（Cambrian Explosion）引自生物学概念，形容在AI与教育领域，近年出现海量产品与形态，竞争和迭代速度极快。正如史前地球生物在寒武纪经历的多样性爆发一样，AI教育的方案、产品层出不穷，多数最终会被淘汰或相互融合，能在这轮“爆发”中站稳脚跟的才会成为“新物种”。在小宇宙查看该单集文稿

大家好，欢迎收听「教育AI智造者」播客！ 本期节目我们邀请到了连续创业者晓音(小红书)。曲晓音是Heeyo的创始人及CEO，也是一位连续创业者。她曾在Facebook、Instagram和微软担任产品经理，后从斯坦福大学商学院辍学创业​。2019年，曲晓音创立线上活动平台Run The World并获得著名风投a16z投资​。最新的创业项目Heeyo则源于她个人的梦想：为全球儿童打造AI导师和玩伴​。Heeyo定位为“儿童的AI导师和玩伴”，面向3～11岁儿童提供智能聊天与交互式学习内容​。借助Heeyo，孩子可以和AI对话、阅读有声书、进行问答或角色扮演等游戏，在潜移默化中获得知识提升​。Heeyo内置了2000多个互动游戏和功能，支持20多种语言，能够因地制宜地陪伴不同语言背景的儿童学习和娱乐​。强大的AI让Heeyo如同一个上知天文下知地理的耐心导师，可以24小时随时响应孩子的提问和交流​。凭借这一创新理念，Heeyo在2023年8月获得了OpenAI创业基金、亚马逊Alexa基金和Pear VC等机构共350万美元的种子轮投资​，足见业界对其愿景的认可。在成功打造Heeyo之后，曲晓音并未止步于儿童教育领域。她敏锐地意识到，Heeyo背后的AI技术同样可以用于降低软件开发的门槛，让更多人享受技术创造的乐趣。于是团队推出了全新的产品Heyboss.xyz。Heyboss定位为“普通人的AI工程师”，本质上是一个由AI驱动的编程助手，可以帮助不会写代码的人一键生成网站、应用程序乃至小游戏​。2025年初Heeyo公司宣布上线Heyboss时，引发了业界轰动——这是无代码开发领域的一次革命性进展​。通过Heyboss，用户只需要输入简单的想法描述，AI智能体就能自动完成从产品设计、前后端开发到部署的全部流程，无需编写任何代码​。每个人都因此有机会成为自己项目的“AI工程师”​。曲晓音介绍说，Heyboss的AI不仅能编写常规应用程序代码，还能生成虚拟AI朋友、创作图像和视频等多媒体内容，然后再进一步将这些元素整合成完整的产品​。也就是说，借助高度自主的AI智能体，Heyboss几乎可以24小时不间断地将天马行空的创意变为真实可用的作品​。这一强大功能的出现标志着技术创新进入一个新纪元：编程不再是极客专属的技能，而成为人人可及的创意工具。内容大纲嘉宾与背景故事 在 Meta 工作经历及首次创业经历（Running The World 的创立与收购） “疫情红利” 与转型思考：从线上活动平台到 AI + 教育的启发产品矩阵：从Heeyo到Heyboss.xyz Heeyo：为儿童设计 AI 小伙伴与互动游戏，实现个性化、趣味化教学 Heyboss.xyz：多智能体协同，帮助不懂技术的用户一句话生成网站、App 或教育游戏 为什么同一个 AI Agent 能在儿童教育与通用应用搭建之间相互启发？探讨多智能体（AI Agent）概念 传统提示词工程（Prompt Engineering）与智能体（Agent）之间的区别 AI “理解” 用户需求与目标，并自主拆解、思考、执行与评估的工作流 记忆（Memory）与注意力（Attention）在 Agent 执行中的关键作用“你是 Boss，AI 团队帮你干活” 的交互模式 如何让普通老师或创作者 “说人话” 而不必关心技术细节？ AI 产品经理、AI 设计师、AI 工程师的多角色协作 与市面上工程师向工具（Replit、Bubble 等）的差异化教育场景的实际落地与案例 老师如何用 “一句话” 生成测验游戏、词汇打卡、互动式科普或学科网站 个性化教学场景：让孩子在自己感兴趣的元素（拖拉机、恐龙等）中学习同样的知识点 学生表现追踪、长期学习计划：数据库管理与后端的自动化挑战与机遇：AI 在教育中的多维度赋能 AI 的可行性与边界：在教案设计、教学内容生成、教学管理上能做到什么程度？ 从 “一对多” 到 “一对一” 的个性化陪伴与补充教学 引入多智能体后在协同、稳定性、内存/上下文管理上的技术难点对未来的畅想与给行业的建议 AI + 教育还有哪些潜在模式与发展方向？ 如何避免踩坑：从用户痛点出发，聚焦易用性、稳定性与需求匹配 号召更多老师、教育从业者一起探索体验，把教学创意交给 AI 工程师来实现如果大家希望体验Heyboss.xyz, 或者加入伊伊子AI产品分享或者体验群，欢迎加V: yiyiziishere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EP27"，即可获得。-----------------------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！😊--------------------相关词介绍-------------------AI 智能体（AI Agent）指能在较少人工干预下，自主观察（Observe）、思考（Reason）、执行（Act）并评估（Evaluate）的人工智能实体。相比传统的提示词工程，它能根据高阶目标做多步推理与迭代。多智能体协作（Multi-Agent Collaboration）将 “AI 产品经理”“AI 设计师”“AI 工程师” 等不同角色拆分在同一个系统中，分别承担产品设计、界面审美、后端开发等功能，模拟真实团队协作，最终提升用户需求落地效率。 Prompt Engineering（提示词工程）人类与大型语言模型（如 GPT）互动时，为获得最佳输出而设计的输入策略。包括角色设定、上下文拼接、指令分步拆解等。本节目更讨论了其进阶形态——智能体多步推理。个性化教学（Personalized Learning）针对学习者的兴趣点、知识水平、学习路径进行定制化内容推送与交互。AI 通过文本、图像、游戏等多样方式持续更新和陪伴，强化学习者对知识的掌握与使用。No-Code / Low-Code指无需编写或仅需少量编写代码的应用开发模式，常见于初创者或中小企业，用以快速搭建小程序、网站与业务工具。在教育场景下尤为方便老师们快速实现教学创意。在小宇宙查看该单集文稿

Hello大家好，欢迎收听"教育AI智造者"播客。今天是特别的一期。没有嘉宾，只有我来陪伴大家一起来进行一场深入的复盘与独白式的分享。作为一个扎根教育科技领域的思考者，我见证了AI与教育这场跨界革命的每一个精彩瞬间。过去一年，通过25期深度对话，我与众多行业先行者一起探索了从ChatGPT到知识图谱，从提示词工程到个性化学习的全景图谱。今天，我想以一种更私人、更系统的方式，带你穿越这场我称之为'教育寒武纪大爆发'的变革浪潮。为什么是寒武纪？因为就像5.4亿年前地球上生命形态突然爆发式多样化一样，AI教育领域在短短一年内涌现出数不清的创新产品、教学方法和商业模式，我们正处在一个物种井喷般的创新时刻。同时，这也是一个'黑暗森林'——借用科幻小说家刘慈欣的经典比喻——在这个充满机遇的森林中，各家公司、各类产品都在为有限的用户注意力和市场资源而竞争。大模型技术的开放让入局门槛降低，但真正的价值和护城河却变得更加隐蔽和复杂。没有嘉宾，只有你和我，一次关于技术与人文如何在教育领域碰撞、融合的深度对话。我将分享那些鲜为人知的行业观察，解构黑暗森林中的竞争法则，也会讲述那些令我动容的创新故事。无论你是教育工作者、技术开发者、还是关心孩子未来的家长，这场复盘都将帮助你在信息过载的时代，找到属于自己的思考定位。教育从来不是一蹴而就的事业，AI也不是万灵药，但是当二者相遇，我们看到了创新的火花和改变的契机。作为教育AI制造者社区的一员，我们每个人都可以是这个变革时代的积极参与者。让我们继续携手前行，在这场寒武纪大爆发与黑暗森林法则并存的时代，共同制造教育的未来。内容大纲复盘的初衷 回顾播客「教育AI制造者」这一年来的历程 为什么选择这一期做全面复盘及独白「制造者」的含义与支架式访谈理念 播客名称「制造者」的多重含义 访谈背后的教学法启示：从易到难、层层深入 AI 技术与教育人文之间需沟通桥梁的重要性嘉宾与行业画像：跨界与全球化趋势 不同背景、不同角色（中小学教师、大学教授、创业者、技术人） 跨国视野：新加坡、美国、日本等全球经验交融 市场格局：大厂与小团队并行，百花齐放2024 年 AI 爆发与教育应用回顾 大语言模型 ChatGPT4、百模大战带来的新机遇 生成式 AI（AIGC）对老师备课、个性化学习、作业批改的助力 学生对 AI 的复杂态度：便利 vs. 担心学术不端回溯 25 期节目的脉络与寒武纪隐喻 从惊艳登场到应用落地，从试验形态到稳定生态 创业者、开发者、小团队与大厂如何在这一年间迭代产品 理性、成熟、稳健成为后期节目的主基调技术关键点：提示词工程、知识图谱与 RAG Prompt Engineering：如何精准地提示大语言模型 知识图谱在个性化学习、内容组织、学习分析中的作用 RAG（Retrieval Augmented Generation）提高 AI 回答准确度的潜力 幻觉与可控性：AI 需要正确的监督与约束产品开发思路与商业模式 技术驱动 vs. 数据驱动的不同挑战 小团队 vs. 大公司的竞争与合作 套壳产品的短期价值与长期差异化 To B、To C 以及课程/培训化变现模式从热潮到教育价值：行业格局与理性思考 黑暗森林法则与寒武纪大爆发的双重隐喻 商业化要解决真实的学习问题，回归教育初心 竞争格局、巨头布局与小团队的生存突围人文与思维火花：几组关键对照 悲观者 vs. 乐观者：谨慎思考与积极行动 教育学者 vs. 工程师：严谨研究与快速迭 痛苦教育 vs. 快乐教育：AI 让机械苦工变少，但仍需保留挑战 黑暗森林 vs. 开放合作：保护核心竞争力与共享教育价值听众群像：老师、家长、产品人、研究者 各自的关注焦点与需求 AI 素养的普及，避免对 AI 的机械依赖与信息黑箱 家长更关心孩子学习成效与安全，老师关注教学效率与职业发展知识审美：教育的终极目标与 AI 时代的可能 当 AI 提供标准答案，学习还有何意义？ 知识审美是一种更深层的智力与精神享受 让学生与老师在“美”与“思考”中持续成长，而非依赖工具总结与展望 对过去一年的正式收束：AI 赋能教育的新常态 未来依然是寒武纪大爆发与黑暗森林法则并存的动态平衡 邀请更多听众加入播客社区，共同携手制造教育的未来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EP25"，即可获得。-----------------------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！😊在小宇宙查看该单集文稿

Hello 大家好！欢迎收听教育AI智造者播客!今天这一期，我邀请到了在AI4Education领域深耕多年的博士生Stella (小红书)。她目前在南洋理工大学攻读与AI教育相关的博士，研究方向涵盖了AI素养、计算思维（Computational Thinking）以及如何通过AI赋能K12教育。Stella结合她的研究与实践经历，分享了从幼儿园到高中阶段培育计算思维的真实案例和思考。她强调，计算思维并不等同于编程或计算机科学，而是一种通用的解决问题的方法论，包括如何拆解难题、抽象概念以及识别模式，以培养学生在学科交叉与实践中的综合能力。在对话中，我们还讨论了为什么AI时代对“思考方式”的要求愈加紧迫。当ChatGPT等生成式AI成为强力工具时，人类应当如何利用计算思维指导与协同AI的工作？Stella认为，真正能跨越技术周期的人才，必定具备抽象能力、逻辑思维与跨学科迁移能力。这些能力恰恰是计算思维在K12教育中所要着重培养的。本期节目不仅适合对少儿编程、计算机教育感兴趣的家长和教师，也适合在职场中想进一步提升问题解决能力的听众。让我们一同来聆听Stella对当下与未来AI教育趋势的深度解析！内容大纲开场与嘉宾介绍 Stella在南洋理工大学的博士研究背景 从教育技术到计算思维的学术转向 AI素养、AI Literacy在K12教育中的重要性计算思维的本质与误区 计算思维≠编程≠计算机科学 核心技能：分解（Decomposition）、抽象（Abstraction）、模式识别（Pattern Recognition）、算法思维（Algorithmic Thinking） 为什么各学科都需要计算思维？幼儿与低龄儿童的计算思维培养 生活化场景：从“起床流程”到“如何规划一天” 模块化编程与游戏化学习（如Scratch）的实践意义 示例：让孩子通过逻辑步骤完成简单任务中高年级与跨学科融合 在数学、科学、写作中融入算法思维与分解思路 如何通过Minecraft等平台激发学生对复杂问题的探索 教学支架理论（Scaffolding）与最近发展区（ZPD）的应用AI时代下的竞争力：人机协同与思维迭代 生成式AI是否会取代程序员或教师？ 利用计算思维与AI协作：Prompt设计、问题抽象与自我效能提升 实践案例：用AI辅助编程、数据分析，实现效率与创新的双赢国内外教育政策与推广现状 美国、英国已立法推进K12计算思维教育 亚洲国家（中国、新加坡、日本）的探索与挑战 学校与家长对“少儿编程”的不同理解与需求未来展望：从“学科”到“素养” 为什么计算思维是跨越时代的关键能力 如何在教学设计中更好地应用AI进行个性化学习与评价 长期视角：培养学生成长型思维模式（Growth Mindset）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EP25"，即可获得。-----------------------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！😊-----------------------相关词介绍----------------------计算思维（Computational Thinking）指“像计算机科学家一样”解决问题的一系列思考方式，包括分解、抽象、模式识别和算法思维。跨学科、跨行业的通用能力，帮助学生和工作者在面对复杂问题时进行有效分析与求解。分解（Decomposition）将复杂问题拆解为更小、更可行的子问题或任务。简化解决路径，便于逐步迭代；在写作、数学、项目管理等方面都有广泛应用。抽象（Abstraction）提炼出问题或数据的核心结构，忽略不相关的细节。在学习数学公式或编程函数时，找到最一般化的模式与要素，大幅提高通用性。模式识别（Pattern Recognition）在数据或问题情境中发现重复结构、共性或规律。编程中的循环与函数提炼，或写作中的核心观点与段落结构分析。算法思维（Algorithmic Thinking）将解决问题的方法转化为有序、可执行的步骤或规则（算法）。在编程、自动化和流程设计中具有决定性作用，也是学习AI应用的基础。支架理论（Scaffolding）教师或工具根据学习者当前水平，提供适度支持并逐步撤离，帮助其完成略超能力范围的任务。通过分层次任务和Hint提示，引导学生自主发现与总结规律。最近发展区（Zone of Proximal Development, ZPD）由Vygotsky提出，指学生在有指导下能完成的最大潜能任务区域。与支架理论搭配使用，可在教学环节中实现更有效的个性化引导。AI素养（AI Literacy）既包括对AI的基本原理认知，也包括对其应用技能与批判性思维的掌握。在K12阶段侧重培养学生正确使用AI工具、理解AI带来的机遇与挑战。模块化编程（Block-based Programming）以图形化模块（积木）的形式替代文本编程，降低语法门槛。代表工具：Scratch、Blockly；适合初学者特别是低龄儿童。Prompt设计（Prompt Engineering）针对生成式AI或语言模型，设计输入语句以便获得更高质量或更准确的输出。重要性：在AI辅助编程或生成内容时，学会拆解需求和编写提示词能带来最佳结果。在小宇宙查看该单集文稿

Hello，大家好！欢迎收听「教育AI智造者」播客。本期节目，我邀请到了一位极富创造力的 00 后创业者——Elena，她是 Thetawave 的联合创始人。带着“在高强度学习场景中提升效率”的初衷，Elena和她的团队正致力于开发一款专为留学生群体及海外高校学习者打造的智能笔记产品。她的成长经历同样精彩：从意外的 Gap Year 到留学签证的波折，再到与 AI 投资项目结缘，Elena 以敏锐的直觉与超常的执行力，走出了一条令人惊喜的创业之路。在这期播客中，Elena 将分享她对学习效率、AI 笔记工具、以及教育与技术未来图景的见解: AI 笔记真的能改变我们的学习习惯吗？ 对不同学科、不同场景的学生而言，什么才是笔记效率的关键？ 为什么她认为“知识输入”是最底层却最迫切需要被优化的环节？从“考前 1 周刷题”到“随时随地捕捉灵感”，我们一起探索 Thetawave 这款产品如何承载年轻学习者的多元需求，让大家学得更轻松、更高效。 Elena 还将阐述她对 AI + 教育的长期构想——既要让 AI 成为我们的“海马体”，又要让人类保持灵活的创造力。如果你想了解一位新生代创业者如何思考“知识传输”、“AI 赋能学习”，以及如何在科技迅猛迭代的时代找准产品定位，这一期的播客分享一定能为你带来全新的思路和启示！内容大纲Elena 的个人故事：从 Gap Year 到创业者 留学签证不顺的契机如何开启她对创业的探索 在投资机构实习、认识创业者与投资人的宝贵经历 为什么她觉得“先做再说”是创业路上的黄金法则Thetawave 的产品理念与差异化 聚焦留学生和海外高校学生的笔记需求：临近考试的场景如何升级复习效率 与已有的笔记软件、对话式 AI 工具相比，Thetawave 如何突显“知识输入”的定制化 听她剖析 AI 笔记从“自动记录”到“智能整理”、“思维导图”等核心功能AI 学习理论与实践 行为主义、认知主义、建构主义在笔记应用中的结合 如何通过自测、小测验（Quiz）、Flashcard 等环节，让记忆与理解相得益彰 为什么 Elena 强调“让 AI 成为心流的助力”，从而提升专注度与学习体验用户深度访谈与产品打磨 走进图书馆、教室门口等线下场景，面对面观察用户学习行为 发传单、做 Study Guide、蹲点考前人群：早期获客与用户反馈的关键 如何通过数据分析找出“重度使用者”，并从他们的行为洞悉产品优化方向技术迭代的节奏与策略 团队如何在高频迭代中，快速上线新功能与修复 Bug 如何划定功能优先级：短期（解决考前痛点）、中期（按课程统一管理）、长期（做每个人的“海马体”） Elena 对“实时记录学习输入”的设想，如何搭建用户的专属知识体系留学生与海量学科场景的未来前景 从考试复习到日常研究：Thetawave 是否能延伸到更多人群与使用场景 解决不同科目、不同学习阶段的痛点：从人文学科到理工科的挑战 让“高效学习”不再局限于少数学霸，而成为每个人都能触达的普惠体验对年轻创业者与教育从业者的启示 Elena 的核心建议：保持行动力，别等“最好的时机” 面对不确定性与高竞争的 AI 赛道，如何保持热情并继续试错 对教育生态、知识传递的前瞻思考：学习路径的个性化与“知识众包”的可能性-----------------------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！😊-----------------------相关词介绍----------------------心流（Flow）由心理学家米哈里·契克森米哈赖（Mihaly Csikszentmihalyi）提出，指个体全情投入某项活动时所达到的状态，伴随高度专注和愉悦感。在笔记场景中，如果能让学生摆脱繁琐的抄写与检索环节，更容易投入学习本身。知识输入（Knowledge Input）指学习者通过阅读、听讲、讨论等方式，吸收外部信息并在大脑中形成表征的过程。与常见的“知识输出”（如写作、演示）相比，很多 AI 工具聚焦问答式互动，但容易忽略“输入”阶段的定制化需求。Flashcard（抽认卡）一种帮助记忆的传统工具，往往在卡片上写下问题或概念，背面写答案。在 AI 场景中，自动生成抽认卡和自测功能，让用户更轻松地进行信息回顾与强化记忆。Quiz（小测验)碎片化、自测式的测验形式，通过及时检测学习者对概念的掌握程度，给予反馈。配合智能笔记，能够在短期内反复巩固知识点，实现更好的学习效果.Gap Year（间隔年）指在学业或职业转换前后，留出一段时间进行自我探索或实习、义工等活动。Elena 通过 Gap Year 期间的实习与项目孵化体验，获得创业灵感与资源。Spaced Repetition（间隔重复）一种记忆策略，认为复习应循序渐进、遵循科学间隔，以提升长期记忆。智能笔记在算法层面可融入间隔重复机制，自动提醒用户在最佳时间点进行复习。ADHD（注意力缺陷多动障碍）一种常见的神经发育状况，表现为注意力不集中、活动过度或冲动。Elena 提到不少有 ADHD 倾向或重度拖延的学生群体，正是智能笔记潜在的主要受益者。Memory（“海马体”的类比）本义是指人脑负责记忆形成的海马体结构，产品中多指“第二大脑”概念。Elena 设想 Thetawave 的长远目标是做每个用户的“海马体”，记录并动态管理所有学习输入。MVP（最小可行化产品）在创业领域，为快速验证市场需求而做的初步产品。Elena 的团队通过简单功能验证用户对“考前备考笔记”的刚需，再逐步拓展到其他场景。Retention（留存率）SaaS 或产品常用指标，指用户在一段时间后持续使用产品的比例。对学习工具来说，留存率往往与真实产品价值强相关：越高留存，意味着用户越依赖它提升学习效率。短期-中期-长期策略（Roadmap）许多创业团队在制定目标时，对功能和市场进行阶段性划分。如 Thetawave 短期主攻“备考冲刺”、中期以“课程社群化”为核心、长期成为用户知识管理中枢。增量时代 / 存量时代 增量时代：市场不断拓展，新用户与资源充足。存量时代：市场趋于成熟，同类产品间竞争更激烈，需要差异化与精细化运营。Elena 指出 AI 时代的竞争更加立体，决定了创业者要深耕特定人群与场景。Study Guide（备考指引）专门针对某门课程或考试的重点归纳资料，帮助学生快速梳理知识体系。Thetawave 通过 AI 自动生成 Study Guide 成为吸引用户体验产品的有效方法。Diffused Mode / Focused Mode（分散与专注模式）大脑工作有两种模式：深度专注与发散思维的切换。产品设计若能兼顾用户既能专注听课/学习，又能发散创意笔记，便能提高学习效率。在小宇宙查看该单集文稿

Hello 大家好！欢迎收听“教育AI智造者”播客。 今天这一期节目，可谓多重惊喜交汇： 这是我在 2025 年录制的第一期节目，新年新气象，先祝大家新年快乐！ 这是我们第一次全程采用英文访谈并在中文平台同步分享，双语加持，内容更加丰富！ 最最重要的是，我邀请到了一位重量级教育专家——约翰·霍普金斯大学教育学项目的教授 Sharon Mistretta 博士。她既是我非常敬重的导师，又是对教育技术和创造性学习有着深厚理论与实践经验的先行者！在本期节目里，Sharon 将为我们打开 “技术+创造力+教学法” 的宝藏盒，从她在 NASA 合作项目中与宇航员做科研的经历，到她如何用设计思维与计算思维刷新学生对“技术课”的传统认知，再到她作为女性工程师在金融与编程行业多次逆袭的职业历程，都让人热血沸腾。更精彩的是，她带我们深入探讨了 AI 在教育场景中的多重应用、未来趋势以及背后的教学设计理念（TPACK、SAMR、UDL 等），为身处教育一线、关注前沿教育科技的你提供难得的思维盛宴。如果你也想知道： STEM 教学如何与创造力和共情相结合？ 为什么 “评估” 在 AI 时代要全面升级？ 教师和学生如何借助生成式 AI 大幅提升“自我效能”和 “学习动机”？ 以及如何在团队项目中培养真正的合作力与幸福感？本期节目就是为你而来，让我们跟随 Sharon 的引导，一起踏上这段充满灵感与惊喜的教育创新之旅吧！本期播客聚焦以下问题 成长与导师Sharon 的 “拉什莫尔山导师” 给她的职业与学术生涯带来了哪些关键启示？她如何在 STEM 领域坚持自我，尤其作为女性在职场上有哪些不为人知的经历？ 技术+教育的多维融合TPACK 框架与教育实践如何相辅相成？如何用 SAMR 模型衡量 AI 技术在教学中的深度与变革潜力？ 计算思维与创造性学习“计算思维” 并非只在编程中使用，它还能在哪些领域助力问题解决？如何通过项目式学习、设计思维、跨学科融合真正让学生 “动手动脑”？ AI 赋能与师生共情当生成式 AI 成为 “研究助理” 与 “写作导师”，我们该如何有效利用？在人工智能介入教学设计之时，教师又该如何保持对学生的情感关怀和差异化支持？ 评估与学习动机为什么我们要从一次性大考，转向过程性、项目式评估？在 AI 环境下如何设计更公平、更具包容性和激励性的评价体系？内容大纲开场与嘉宾背景 介绍 Sharon Mistretta 博士的教育与技术多重身份 “拉什莫尔山导师” 的故事及其对 Sharon 成长的影响女性在 STEM 领域的职场经历 银行编程工作：如何在男性主导的行业中展现自我？ 忙碌又充满惊喜的 “万花筒” 职业模式（Kaleidoscope Career Model）技术+创造性学习的实用案例 NASA 合作项目：把太空任务与学生学习目标相结合 课程设计：从 “基础编程” 到 “思维修剪”，如何激发深度学习与好奇心 设计思维评分量表、项目制学习的具体应用AI 与教学设计：TPACK 与 SAMR 的结合 如何评估 AI 技术在教学中的落地程度 AI 提升教师备课与批改效率，释放更多课堂互动空间 实际案例：实时翻译、无障碍环境、多模态学习资源计算思维与评估革命 什么是问题拆解、抽象化与算法式思考 过程性评估：让学生 “演示+迭代” 成果，而非一次性考试 学生个性化反馈与自我效能感的建立共情与未来展望 AI 辅助下的全球视角：与不同国家的同行互通有无 保持好奇、保持激情，让技术与创造力不断融合 倡导 “女性互助与多元包容”，携手推动教育创新 -----------------------伊伊子展开说说-------------------------------------------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！😊-----------------------相关词介绍----------------------TPACK（Technological, Pedagogical, and Content Knowledge）强调教师在教学中需综合掌握技术知识、教学法知识与学科内容知识。Sharon 分享如何在 “AI+教育” 领域构建自己的知识结构，并通过课程设计将这三者融合落地。SAMR 模型（Substitution, Augmentation, Modification, Redefinition）用于评估技术在教育应用中的深度。由替代、增强、改进到重塑四个层次。Sharon 讲解如何利用 AI 实现教学的 “重塑”，特别是实时翻译与无障碍设计。计算思维（Computational Thinking）包含问题拆解、抽象化和算法式思考的综合能力。Sharon 用生活与课程案例说明如何让学生在项目实践中自然掌握这套思维模式。自我效能（Self-efficacy）个体对自己能否完成特定任务的信念与判断。Sharon 解读如何通过 AI 中的即时反馈提升学生的学习自信与坚持度。设计思维（Design Thinking）强调从同理心出发，用发散-收敛的思路进行创意解决方案设计。Sharon 的评分量表与 “客户视角” 项目就运用了设计思维的核心方法。UDL（Universal Design for Learning）通用学习设计理念，主张为不同学生提供多种学习方式与途径。Sharon 分享了如何通过语音、字幕、可视化等多模态形式，帮助更多孩子公平获取知识。Kaleidoscope Career Model（万花筒式职业模式）比喻女性常见的职场路径，不同人生阶段灵活转换角色、时间与工作方式。Sharon 结合自身经历，阐述女性如何在不同阶段依旧保持职业成长与激情。过程性评估（Formative Assessment）注重学习过程的即时反馈与迭代，而不是一次性的总结性考试。Sharon 分享了在中学与研究生课程中使用 “原型-测试-反馈” 的评估循环。同理心（Empathy）理解并感受他人情绪、需求或观点的能力。无论是 STEM 课程还是跨文化交流，Sharon 都强调对学生及同事的理解与尊重在小宇宙查看该单集文稿

Hello 大家好！欢迎收听“教育AI智造者”播客。今天这一期节目，可谓多重惊喜交汇： 这是我在 2025 年录制的第一期节目，新年新气象，先祝大家新年快乐！ 这是我们第一次全程采用英文访谈并在中文平台同步分享，双语加持，内容更加丰富！ 最最重要的是，我邀请到了一位重量级教育专家——约翰·霍普金斯大学教育学项目的教授 Sharon Mistretta 博士。她既是我非常敬重的导师，又是对教育技术和创造性学习有着深厚理论与实践经验的先行者！在本期节目里，Sharon 将为我们打开 “技术+创造力+教学法” 的宝藏盒，从她在 NASA 合作项目中与宇航员做科研的经历，到她如何用设计思维与计算思维刷新学生对“技术课”的传统认知，再到她作为女性工程师在金融与编程行业多次逆袭的职业历程，都让人热血沸腾。更精彩的是，她带我们深入探讨了 AI 在教育场景中的多重应用、未来趋势以及背后的教学设计理念（TPACK、SAMR、UDL 等），为身处教育一线、关注前沿教育科技的你提供难得的思维盛宴。本期特别感谢我的好朋友璐瑶。用AI翻译好文字稿之后，我邀请她来给Sharon的部分录音。为了尽可能保持原文，我们特意在中文名词之后加入了英文原文。想听英文原文的朋友，可以关注播客，我们会尽快放出英文加长版内容如果你也想知道： STEM 教学如何与创造力和共情相结合？ 为什么 “评估” 在 AI 时代要全面升级？ 教师和学生如何借助生成式 AI 大幅提升“自我效能”和 “学习动机”？ 以及如何在团队项目中培养真正的合作力与幸福感？本期节目就是为你而来，让我们跟随 Sharon 的引导，一起踏上这段充满灵感与惊喜的教育创新之旅吧！本期播客聚焦以下问题 成长与导师Sharon 的 “拉什莫尔山导师” 给她的职业与学术生涯带来了哪些关键启示？她如何在 STEM 领域坚持自我，尤其作为女性在职场上有哪些不为人知的经历？ 技术+教育的多维融合TPACK 框架与教育实践如何相辅相成？如何用 SAMR 模型衡量 AI 技术在教学中的深度与变革潜力？ 计算思维与创造性学习“计算思维” 并非只在编程中使用，它还能在哪些领域助力问题解决？如何通过项目式学习、设计思维、跨学科融合真正让学生 “动手动脑”？ AI 赋能与师生共情当生成式 AI 成为 “研究助理” 与 “写作导师”，我们该如何有效利用？在人工智能介入教学设计之时，教师又该如何保持对学生的情感关怀和差异化支持？ 评估与学习动机为什么我们要从一次性大考，转向过程性、项目式评估？在 AI 环境下如何设计更公平、更具包容性和激励性的评价体系？内容大纲开场与嘉宾背景 介绍 Sharon Mistretta 博士的教育与技术多重身份 “拉什莫尔山导师” 的故事及其对 Sharon 成长的影响女性在 STEM 领域的职场经历 银行编程工作：如何在男性主导的行业中展现自我？ 忙碌又充满惊喜的 “万花筒” 职业模式（Kaleidoscope Career Model）技术+创造性学习的实用案例 NASA 合作项目：把太空任务与学生学习目标相结合 课程设计：从 “基础编程” 到 “思维修剪”，如何激发深度学习与好奇心 设计思维评分量表、项目制学习的具体应用AI 与教学设计：TPACK 与 SAMR 的结合 如何评估 AI 技术在教学中的落地程度 AI 提升教师备课与批改效率，释放更多课堂互动空间 实际案例：实时翻译、无障碍环境、多模态学习资源计算思维与评估革命 什么是问题拆解、抽象化与算法式思考 过程性评估：让学生 “演示+迭代” 成果，而非一次性考试 学生个性化反馈与自我效能感的建立共情与未来展望 AI 辅助下的全球视角：与不同国家的同行互通有无 保持好奇、保持激情，让技术与创造力不断融合 倡导 “女性互助与多元包容”，携手推动教育创新-----------------------伊伊子展开说说-------------------------------------------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！😊-----------------------相关词介绍----------------------TPACK（Technological, Pedagogical, and Content Knowledge）强调教师在教学中需综合掌握技术知识、教学法知识与学科内容知识。Sharon 分享如何在 “AI+教育” 领域构建自己的知识结构，并通过课程设计将这三者融合落地。SAMR 模型（Substitution, Augmentation, Modification, Redefinition）用于评估技术在教育应用中的深度。由替代、增强、改进到重塑四个层次。Sharon 讲解如何利用 AI 实现教学的 “重塑”，特别是实时翻译与无障碍设计。计算思维（Computational Thinking）包含问题拆解、抽象化和算法式思考的综合能力。Sharon 用生活与课程案例说明如何让学生在项目实践中自然掌握这套思维模式。自我效能（Self-efficacy）个体对自己能否完成特定任务的信念与判断。Sharon 解读如何通过 AI 中的即时反馈提升学生的学习自信与坚持度。设计思维（Design Thinking）强调从同理心出发，用发散-收敛的思路进行创意解决方案设计。Sharon 的评分量表与 “客户视角” 项目就运用了设计思维的核心方法。UDL（Universal Design for Learning）通用学习设计理念，主张为不同学生提供多种学习方式与途径。Sharon 分享了如何通过语音、字幕、可视化等多模态形式，帮助更多孩子公平获取知识。Kaleidoscope Career Model（万花筒式职业模式）比喻女性常见的职场路径，不同人生阶段灵活转换角色、时间与工作方式。Sharon 结合自身经历，阐述女性如何在不同阶段依旧保持职业成长与激情。过程性评估（Formative Assessment）注重学习过程的即时反馈与迭代，而不是一次性的总结性考试。Sharon 分享了在中学与研究生课程中使用 “原型-测试-反馈” 的评估循环。同理心（Empathy）理解并感受他人情绪、需求或观点的能力。无论是 STEM 课程还是跨文化交流，Sharon 都强调对学生及同事的理解与尊重。在小宇宙查看该单集文稿

Hello 大家好！欢迎收听"教育AI智造者"播客。本期节目，我邀请到了来自留学教育领域的 Bobby。作为00后的他，已经是“一人公司” Latebird.ai创始人，短短几个月就把自己的「留学文书评测器」微信小程序推到了 1万+ 付费用户的量级，并成功实现年收入突破 20 万人民币！本期聊天里，Bobby 将与你分享如何在极低成本下快速启动项目，从最初的灵感验证、模型选型，到敏捷迭代、商业化落地的全流程。他还会深入探讨对大语言模型（LLM）的 各种玩法： 提示词工程（Prompt Engineering） 模型微调（Fine-tuning） 检索增强生成（RAG）这些技术究竟怎样在留学文书评估场景中落地？又能为其他行业带来哪些启发？同时，Bobby 也会谈到，“AI 对留学行业而言来得太快”，但如果放眼到更广阔的赛道，这种“快节奏”会带来怎样的机遇和挑战？本期节目就带你走近 Bobby 的 00 后浪漫实践，一起见证「教育 + AI」的更多可能性。本期节目将聚焦以下问题 如何在极低预算下快速启动一个能落地、可盈利的 AI 项目？ 大语言模型的多样化应用：Prompt 工程、微调、RAG 等技术如何与留学文书评估场景融合？ 留学行业之外：AI 来得如此之快，对于其他领域有何警示与机遇？ 独立开发者如何打造流量爆品：Bobby 的小红书破圈与微信小程序增速经验。 从裁判到陪伴：Bobby 如何看待 AI 在留学申请的角色转变，以及背后的深层次伦理与生态影响？内容大纲开场与嘉宾介绍Bobby 的“双面身份”： 留学生背景 + 创业者 为什么选择切入 留学文书评估 这条赛道？ 从独立开发到产品上线，“零到一”时期的 极简 MVP 策略项目低成本启动的实操思路 如何 用 ChatGPT Store 快速验证想法？ 外包 + 自身商业管理能力，降本增效的关键 Prompt 工程：写好提示词让模型拿出更优质的评估结果探索大语言模型多种用法 微调（Fine-tuning）：在小数据集和主流 LLM 间的平衡 RAG（检索增强生成）：为何最终决定只用模型“原生”能力？ 提示词与模型性能间的“黑盒”关系：如何理解与驾驭？AI 在留学行业的冲击与延展 “AI 来得太快”对留学中介、文书老师乃至学生意味着什么？ 学生和家长如何看待 AI 自动生成文书的风险与收益？ 拓宽视野：AI 替换部分人力或改变既有生态，对其他行业有何借鉴？如何把产品推到 10 万+ 用户？ 小红书与微信小程序：精准人群与口碑裂变的阵地 “倒计时”式付费促成和转化数据背后的营销思路 迭代、复盘、再迭代：从种子用户到规模化的“运营秘诀”未来展望与行业思考 “从裁判到陪伴”：AI 在教育领域角色进阶与情感连接 留学文书评估产品后，还能切入 选校、租房、签证 等增值服务吗？ 跨行业机会：AI 技术迁移到其他低频高价的领域可否快速落地？-----------------------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！😊-----------------------相关词介绍----------------------Prompt Engineering（提示词工程）如何给大语言模型（如 ChatGPT）“下指令” 就像和 AI 对话时，你说得越具体、越清晰，它的回答就越准确、越符合预期；如果用词含糊或逻辑混乱，AI 也可能输出偏离主题的内容。 实用案例：在“留学文书评估”场景里，如果 Bobby 要让 AI 先读完文本再进行打分，需要设计出一条详细的提示，告诉 AI 具体该怎么评价、用哪些维度评分。这样的提示词设计能显著提高结果的质量与一致性。微调（Fine-tuning)在已经训练好的通用大模型上，再利用更少量的特定数据对模型进行“再训练”，让它在某个细分领域表现更好。如果原模型是“通才”，微调后就变成了“专才”，例如把一个通用语言模型微调成“留学申请顾问模型”。 潜在风险：如果微调数据不够或质量不过关，模型可能反而更容易“瞎编”或“走极端”，因此选择好训练样本和微调范围是关键。RAG（Retrieval-Augmented Generation, 检索增强生成在让 AI 写答案前，先通过一个“检索系统”找出最相关的资料或文本，然后把这些资料提供给 AI，它再基于这些检索到的内容来生成回答。 减少模型“无中生有”的情况，提供更准确或基于实时更新数据的答案（比如链接到最新留学政策、院校信息等）。 留学场景示例：Bobby 原本考虑用 RAG 让 AI 同时查看某些“往年名校录取文书库”，再输出评价意见。但在实践中发现模型本身的通用能力也能完成大部分需求，权衡后选择放弃大规模 RAG 方案。MVP（Minimum Viable Product, 最小可行化产品）花最小的成本、用最少的功能，先做一个能用的版本，用来测试“有没有人愿意买单或使用”。可以快速验证想法，不用投入大量时间和金钱做一个“全功能却没人用”的产品。 Bobby 的案例：先在 ChatGPT Store 上做一个小工具，看是否有用户喜欢“文书自动写+打分”，验证后才决定进行小程序开发，大幅降低试错成本。信息差（Information Asymmetry）在某个交易或服务中，一方知道的信息远远多于另一方，从而产生机会或不公平。 在留学行业的体现：学生或家长不清楚文书到底是人工写的还是 AI 写的，也不知道写得好不好、价值多少；中介则掌握“专业”或“海外关系网”等信息，从中赚取溢价。 为何要解决：让信息透明，学生的申请质量才能真正提高，否则就可能被虚高价格或不负责的服务“套路”。消费型应用（To C）与企业级应用（To B）To C（面向消费者）：直接把产品服务卖给个人，比如 Bobby 小程序的用户就是学生本人或家长。 To B（面向企业）：把产品打包给机构或公司，成批量售卖或提供 API 接入。 差异：To C 强调用户体验和营销推广；To B 更注重可复制性、定制化和企业管理流程。模型幻觉（Hallucination）大语言模型有时会“瞎编”或信口开河，说出似乎看起来合理、实则错误的回答。模型只是预测下一词出现的概率，并没有真正“理解”事实；训练数据不足或提示词工程不完善，也会导致幻觉增多。用更精准的提示词，或者用 RAG 检索真实资料，让 AI 不至于胡编乱造。在小宇宙查看该单集文稿

本期节目临时加录，聚焦最近引发行业热议的开源大模型「Deepseek」。我邀请到资深大模型研究员刘洋，深入探讨了该模型的独特之处、技术原理、以及其在教育领域和AI人才培养方面的潜在影响。我们还讨论了结合通用大模型的演进路径，探讨了对话式生成模型如何进一步在垂直领域（如教育）发挥作用，并对未来5—10年大模型的发展及其对人才需求的影响进行了预测。 内容大纲开场与嘉宾自我介绍 「Deepseek」开源模型在近期媒体和行业内的热度与影响 十年AI领域经验，主要研究对话系统、教育与AI的结合 回顾深度学习从萌芽到大模型崛起的行业变迁从Transformer到大语言模型的演进 语言即智能：语言在AI中的地位与重要性 「Next Token Prediction」与大模型涌现能力的关系 GPT系列的发展与「语言+思维」的研究脉络模型规模与推理能力的关系 Knowledge（知识）与Reasoning（推理）的双向提升 编程数据、数学数据对增强推理能力的帮助 「语言+代码」如何训练出更强的综合处理与推理能力聊「Deepseek」的核心思路 纯强化学习（RL）路径与「高质量少量数据」的关键作用 与AlphaGo/AlphaZero的类比：自我对弈、自我纠正的重要性 下一阶段「Next Token Prediction」与「Chain of Thought」涌现的背后机制大模型与行业应用的平衡 如何看待API调用与自主训练小模型之间的抉择 模型蒸馏（Distillation）与领域调优（Domain-specific Tuning）的可行性 大模型的通用性 vs. 小模型的垂直效率与成本控制AI+教育场景：机会与挑战 从「AI写作业」到「深度交互」：如何促进真实学习而非偷懒 个性化学习、实时反馈与教育资源公平化的展望 教师角色与学生学习动机的平衡对未来5-10年的预测 模型规模与性能是否会撞墙？可能出现新范式、新路径 「深度学习+强化学习+合成数据」的前景 强人工智能（AGI）潜在出现的机遇与风险-------------------------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！😊-------------------------相关词介绍------------------------1. Large Language Model (LLM)｜大语言模型在大规模文本语料上进行训练，能够理解并生成自然语言的模型，具备回答问题、写作、对话、推理等多种能力。能够在多种任务（如翻译、摘要、问答等）上表现出通用性， 是当前AI研究与应用落地的主要动力之一。2. Transformer 架构由论文《Attention Is All You Need》提出，基于“自注意力（Self-Attention）”机制的神经网络结构。已成为构建大语言模型的主流框架， 以并行计算和高效捕捉序列关系见长，极大提升了模型对长文本的理解与生成能力。3. GPT（Generative Pre-trained Transformer）OpenAI 提出的系列大模型，以Transformer为基础，先在海量无监督文本上进行预训练，再在有监督数据或指令数据上进行微调（Fine-tuning）。包括GPT-3、GPT-4 等多代模型，引领了对话式AI的“出圈”，为各类自然语言处理应用提供了通用的“语言理解+生成”能力。4. Emergent Ability（涌现能力）指大模型在规模扩张或训练策略改变后，突然展现出原本规模较小时所没有的高级能力（如更深层次的推理、复杂的问答能力等）。体现了大模型“量变到质变”的重要特性，也启发研究者在训练过程中关注临界规模、训练方法等关键点。5. Scaling Laws（扩展性法则）深度学习中模型性能（如泛化、推理能力）随模型参数量及训练数据规模增加而不断提升的一类规律或经验总结。 为决定“堆多少数据、训练多大模型”提供指导性参考， 也帮助研究者预测进一步扩展规模的收益与潜在瓶颈。6. Next Token Prediction（下一个词元预测）许多语言模型的核心训练目标：在给定前文上下文的条件下，预测下一个最有可能出现的词（Token）。通过大量训练，模型能学习到语言结构、上下文含义及部分推理， 是 GPT 系列等自回归模型的根基。7. Prompt Engineering（提示词工程）通过精心设计模型输入（Prompt）的方式，引导模型在生成回答时更准确、连贯或满足特定需求。在无需额外微调的前提下，最大化利用现有大模型能力。常用于原型开发或快速实现各种功能（如写作、翻译、代码生成等）。8. Domain Adaptation / Domain-Specific Tuning（领域适配 / 领域微调）将通用预训练模型在特定领域（如医学、法律、教育）或特定任务上进行进一步训练或微调，让模型对该领域的问答或推理更精确。提升模型在专业场景中的准确度和可靠性。 常见手段包括小规模微调（Fine-tuning）、指令微调（Instruction Tuning）等。9. Fine Tuning（微调）在已有预训练模型的基础上，用少量标注数据再次训练模型，使其针对指定任务或风格进行优化。在不“从头训练”模型的前提下，快速让模型适配某一领域或任务，大幅减少训练成本与数据需求。10. Synthetic Data（合成数据）由模型自我生成或通过仿真模拟方法获得的训练数据，用于补充真实数据在规模、场景多样性或隐私等方面的不足。帮助突破“真实世界数据”不足的瓶颈，为模型的持续训练、强化学习等提供更多样且可控的数据源。11. Reinforcement Learning (RL，强化学习)在智能体与环境的交互过程中，通过“奖励（Reward）”信号来引导模型学会最优策略的学习方法。AlphaGo、AlphaZero在棋类任务上的成功，推动强化学习成为主流研究热点， 大语言模型可结合RL提升推理能力或生成质量（如RLHF等）。12. Reward Function（奖励函数）在强化学习中用于衡量某一步决策或整体策略的好坏程度；以此为依据向模型提供正或负反馈。奖励函数设计直接影响模型收敛速度和最终表现， 如在自动代码生成、数学推理等任务中，通过准确率或测试用例通过率来设置“奖励”。13. Self-Play / Self-Sampling（自对弈 / 自采样）强化学习或自博弈（Self-Play）方式中，模型同时充当“对手”，通过内部对弈或自我采样来积累经验并提升决策能力。AlphaZero凭借自对弈学会了远超人类水平的棋类游戏。大语言模型可在特定任务上进行“自问自答”，生成更多训练数据。14. AlphaGo / AlphaZeroDeepMind 公司开发的围棋、国际象棋等AI程序，通过大规模自对弈与强化学习，一举超越人类顶尖水平。让强化学习在复杂博弈场景中大放异彩， 启示“自采样、自博弈”的通用方法，可扩展到更多领域。15. Chain of Thought（思维链）指大模型在回答或推理问题时，将推理过程的多步思考显式或隐式地呈现出来的一种方法，如中间计算步骤、逻辑分解等。有助于解决数学题、代码调试等需要多步推理的任务。还能在一定程度上提高模型对答案的准确性与可解释性。16. Zero-Shot & Few-Shot Learning（零样本 / 少样本学习 Zero-Shot Learning：模型在未见过该任务或数据的情况下直接完成该任务。 Few-Shot Learning：模型只需极少量示例就能快速适应新任务。 意义：反映大模型在理解泛化方面的强大能力。在落地时可减少对大规模标注数据的依赖，节省成本。17. Model Distillation（模型蒸馏）从一个“大师级”大模型（Teacher）中提取知识并“蒸馏”到较小模型（Student），从而在更低计算成本下获得近似的性能表现。有助于在资源受限环境（如移动端）部署AI能力。让更多团队能以小规模模型进行研究或商用落地。18. Knowledge Graph（知识图谱）以实体-关系-实体（如“北京-首都是-中国”）的形式对知识进行结构化表示。使机器能够更好地理解概念间关系，并进行推理。大语言模型通常隐式“学到”部分知识图谱，但也可外部调用显式知识增强回答准确度。19. Hallucination & Misinformation（幻觉 / 虚构 & 错误信息）大语言模型在生成文本时，出现与事实不符或凭空编造的内容即“幻觉”，可能导致传播错误或失实信息。是模型内部基于统计相关性而非事实检索的结果。也是许多应用场景（尤其教育和医疗）中最受关注的潜在风险。20. Cognitive Load（认知负荷）在教育学和人机交互中，指个体在完成认知任务时需要动用多少心理资源。负荷过大易造成学习效率下降。AI 系统的UI/UX设计应避免信息过载。在智能教育产品中，需要恰到好处地辅助学习而非干扰或替代思考。21. Personalized Learning / Individualized Education（个性化/差异化学习）利用AI和大数据手段，为不同学习者制定更契合其水平、兴趣的学习进程、内容与评测方式。可大幅提升学习效率和动机。在资源有限的情况下，也能提供准定制化的教育服务以提高教育公平性。22. Scaffolding（支架式学习 / 支撑式学习）教育理论中的概念，为学习者提供恰当的引导或提示，以分阶段、分难度渐进式地掌握新知识。AI 教学系统可以模仿教师思路，提供恰当难度或提示。可帮助学生减少依赖而逐渐独立掌握技能。23. Feedback Loop（反馈回路）模型或系统输出结果后，用户或环境对结果的正确性或满意度进行反馈，模型根据反馈进行迭代更新或优化。有助于AI持续改进、适应真实使用场景。教育场景里，通过多轮交互，帮助学生纠错、巩固和提升。在小宇宙查看该单集文稿

Hello 大家好！欢迎收听教育AI智造者播客。今天这一期，我们邀请到了教育科技领域的资深产品经理Becky，她同时也是一位两岁宝宝的妈妈。通过这一特殊的双重身份，Becky分享了她在AI赋能家庭教育与儿童学习上的独特视角和实践经验。从她的宝宝通过语音助手自主寻找《西游记》动画片的故事开始，我们展开了一场关于AI如何影响儿童早期认知发展的深度讨论。AI产品如何通过语音交互降低使用门槛，激发儿童的探索欲望？为何一些AI产品能成为孩子的“朋友”，而另一些却让孩子感到挫败？在这个过程中，我们不仅从家长的视角看到了AI的教育潜力，也从产品设计的角度剖析了技术对交互体验的影响。此外，Becky还分享了她作为母亲如何看待AI与人类情感连接的关系，以及她对低龄儿童AI教育产品未来发展的期待。她提出，AI的角色不仅是知识的传递者，更是陪伴式教育的参与者。通过智能化内容推荐和学习路径定制，AI或许能够真正实现每个孩子的个性化学习旅程。这一期播客不仅适合关注儿童教育的家长，也适合教育科技从业者和AI开发者。我们一起探讨了AI在家庭教育中的实际应用、潜在风险以及伦理挑战。如果您对AI与教育的结合充满好奇，本期节目将为您带来前瞻性的洞见和深刻的思考。本期播客将聚焦以下问题： 如何让两岁儿童通过语音助手自主操作AI工具？ 大语言模型对儿童教育产品设计的影响和潜力。 家庭教育如何在AI辅助下实现减负与提效？ 儿童的学习兴趣和自我效能如何在与AI的互动中被激发？ 家长应如何平衡AI工具的使用与人与人之间的情感连接？无论您是AI教育产品开发者、教育工作者，还是希望为孩子提供更多学习支持的家长，这期节目都将带来全新的视角与实用建议！内容大纲 开场与嘉宾介绍 Becky的双重身份：产品经理与母亲。 宝宝“根根”如何自然地使用AI工具。 AI产品如何降低交互门槛，让儿童和老人都能轻松使用。 儿童与AI的初次接触 根根通过智能电视语音助手找到动画片《西游记》的经历。 从语音控制到复杂操作，儿童对AI产品的天然接受力。 AI产品与儿童学习的影响 AI工具如何激发儿童的学习兴趣与探索欲望。 儿童在AI互动中获得快速正反馈，增强自我效能。 AI语音助手与真实玩具对比：技术与场景设计的差异。 教育产品设计与儿童认知发展 从精准指令到模糊交互，大语言模型如何增强AI产品的适应性。不同年龄段对AI工具输出质量的接受程度。 AI在家庭教育中的角色 AI如何减轻父母的教育负担，为亲子互动提供支持。 面向儿童的AI产品：工具性与情感连接的权衡。 技术挑战与伦理边界 儿童专属AI产品在ASR（自动语音识别）上的改进潜力。 AI如何在儿童成长中发挥积极作用，避免“过度依赖”的风险。 未来展望 理想中的AI教育产品：陪伴式学习与个性化内容生成。 AI如何推动教育模式的变革，激发儿童的想象力与创造力。-------------------------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！😊-------------------------相关词介绍------------------------1. 自我效能（Self-efficacy） 定义：心理学家Albert Bandura提出的概念，指个体对自己完成特定任务或面对挑战的信心和能力判断。 相关性：AI工具通过即时、准确的反馈，能显著增强儿童的自信心和学习能力。例如，当语音助手迅速响应儿童需求时，孩子会感到自己能掌控学习工具，增强探索兴趣。2. 大语言模型（Large Language Model, LLM） 定义：基于深度学习的AI模型，使用海量文本数据训练，能够生成自然语言内容，如对话、文章和建议。 在教育中的应用：帮助生成多样化的教育内容，例如个性化学习材料或与儿童的自然语言互动。在播客中提到的“孙悟空”虚拟助手就是一种LLM的应用。3. ASR（自动语音识别, Automatic Speech Recognition） 定义：将语音转化为文本的技术，是语音交互技术的基础。 在儿童产品中的挑战：儿童发音常不清晰，语音识别需要针对这些特性进行优化。例如播客中提到的电子玩具“小狗”，由于ASR技术不佳，未能准确识别儿童的指令，导致体验不佳。4. 最近发展区（Zone of Proximal Development, ZPD） 定义：由教育心理学家Lev Vygotsky提出，指儿童在他人帮助下能够完成的任务范围。 在AI教育中的意义：AI工具可以动态评估儿童的能力范围，为其推送略高于当前水平的学习内容，帮助他们实现“可达最近发展区”的学习目标。5. Prompt Engineering（提示词工程） 定义：通过设计精确的输入语句，引导AI模型生成预期结果的技术。 在家庭教育中的应用：家长可通过提示词为孩子生成个性化学习资源，如睡前故事、单词卡片或互动问答内容。6. 教育建构主义（Constructivism in Education） 定义：教育理论，强调学习是通过学生与环境的主动交互和知识建构实现的。 技术拓展：AI工具可帮助学生在互动中主动发现知识，将建构主义学习理论融入具体的学习场景，如动态生成的个性化阅读材料。7. 多模态交互（Multimodal Interaction） 定义：通过整合多种感官渠道（如语音、视觉、触觉）实现人机交互。 相关性：AI工具通过语音识别、图像生成和文本反馈，增强儿童学习的趣味性与沉浸感。例如，通过AI为儿童提供语音指导与图像反馈的综合学习体验。8. 情感计算（Affective Computing） 定义：研究如何让计算机识别、理解和回应人类情感的领域。 在儿童教育中的价值：情感计算帮助AI更自然地回应儿童的需求，增强情感链接，特别是在陪伴式学习工具中。9. 自主学习（Self-directed Learning） 定义：指学习者主动设定学习目标、选择学习方法并评估学习成效的能力。 AI的支持作用：AI通过智能推荐、学习路径规划和实时反馈，帮助儿童培养自主学习能力。10. AI素养（AI Literacy） 定义：理解、使用和评估AI技术的能力，包括基础知识（如AI原理）、应用技能（如Prompt Engineering）和批判性思维（如识别AI局限性）。 教育意义：面向儿童的AI教育课程正逐渐成为主流，帮助他们在日常生活中更有效地使用AI工具。11. 模型容错率（Model Error Tolerance） 定义：AI模型在应对错误输入或噪声时的稳定性和适应性。 应用示例：对于发音不清晰的儿童，AI模型需要更高的容错率，以避免让儿童在多次尝试后感到挫败。12. 垂直领域模型（Vertical Domain Models） 定义：针对特定领域优化的AI模型，如医学、教育或法律领域。 在低龄儿童教育中的应用：开发特定领域的语言学习模型，能够更精准地满足不同年龄段和学习目标的需求。13. 人机协同（Human-AI Collaboration） 定义：指人类与AI共同合作完成任务的一种新型工作模式。 在教育中的体现：AI作为父母和教师的“助手”，分担低价值、重复性任务，让人类专注于更具情感和创造性的教育活动。14. 家庭教育伦理（Ethics in AI for Family Education） 定义：在AI技术应用于儿童和家庭教育时，如何避免伦理风险，如隐私保护、偏见控制和内容审核。 关键点：需要明确家长对AI互动的控制权，确保AI内容符合教育和文化价值观。15. 生成式AI（Generative AI） 定义：能够根据输入生成内容（如文字、图像、语音）的AI模型。 在儿童教育中的应用：生成绘本、动画或教学视频，为儿童提供个性化和高互动性的学习体验。16. 成长型思维模式（Growth Mindset） 定义：强调智力和能力通过努力可以提升的心理学理论。 AI工具的支持：通过及时正反馈和定制化学习路径，帮助儿童养成积极的成长型思维。17. Token 定义：AI语言模型处理文本时的最小单元，可能是单词、部分单词或标点。 开发意义：了解Token可以帮助开发者优化成本和交互设计，特别是在儿童交互频繁的场景中。18. 教学设计（Instructional Design） 定义：系统化设计教学内容和方法的学科。 AI的贡献：通过分析儿童的学习数据，AI可以实时调整教学内容和方法，提高教学设计的有效性。在小宇宙查看该单集文稿

Hello 大家好！本期播客我们邀请到了拥有15年教学经验的英语老师Carl，与大家分享他如何从一线教师转型为独立开发者，利用AI开发英语学习工具的独特经历。Carl不仅是一位资深英语教育者，更是一位勇于尝试新技术的实践者，从2022年GPT刚发布时就开始探索AI在教育领域的应用。Carl分享了他如何从最初用AI生成中考英语词汇书，到开发一个完整的英语学习平台LearnMate的历程。他特别强调了如何在AI时代重新定义"编程能力"，以及如何让非技术背景的教育工作者也能借助AI工具实现自己的教育创新想法。这一期尤为不同的是，为了便于自己学习日语，我也给自己开发了一个基于Youtube油管的语言学习系统，所以我们两位来自不同背景的独立开发者，也正好是一次经历的碰撞，聊聊如何基于各自的需求开发语言学习工具，以及对AI辅助编程和教育创新的深入思考。在这期节目中，Carl深入讲解了教育产品开发的方法论——从用户需求出发的产品设计，到如何利用AI进行快速开发和迭代。他特别指出，独立开发的核心在于找到真实的教育痛点，并强调了"不完美的行动胜过完美的计划"。同时，他还分享了如何平衡技术创新与教学效果，以及如何通过持续的用户反馈提升产品价值。他的经历展示了AI如何让更多教育工作者有机会将自己的教学理念转化为实际可用的工具。为什么要听这一期： 了解教育者转型路径：跟随Carl从教师到开发者的转型历程，看传统教育工作者如何在AI时代实现自我突破。 掌握AI辅助开发方法：通过实际案例了解如何利用AI降低技术门槛，让教育创新想法快速落地。 获取实用的产品开发经验：从需求分析到功能实现，了解如何打造一个实用的教育产品。 探索教育产品运营思路：学习如何建立用户基础、收集反馈、提升留存率的实战经验。 启发教育创新思维：通过两位开发者的对话，思考AI如何为教育带来新的可能性。本期播客不仅面向想要尝试独立开发的教育工作者，也适合对AI教育应用感兴趣的听众。如果你想了解如何将教育理念转化为实际产品，或者对AI如何改变教育领域感兴趣，这期节目将为你带来全新的视角和实践启发。LearnMate官网链接伊伊子的日语学习工具(Youtube Sensei)链接 , 也可以学习英语/法语/韩语哦~Carl老师提到的Coursera的AI课: ChatGPT Prompt Engineering for Developers内容大纲1. 开场与背景介绍 传统语言学习应用（如多邻国）无法满足专业场景需求的困境：每天学习"这是一把伞"这样的基础内容，无法快速掌握剑道相关的专业用语和表达方式。 在YouTube观看剑道视频时的灵感启发：发现带有日文字幕的视频可以作为学习素材，由此萌生开发AI辅助语言学习工具的想法，并在一个下午内完成了基础功能的开发。2. 嘉宾介绍与初次对话 介绍本期嘉宾Carl老师：拥有15年英语教学经验，横跨成人教育到K12阶段，目前主要专注于K12教育领域的英语教学工作。 建立共鸣：两位嘉宾都是从个人需求出发进行开发，相互体验过对方的产品后发现虽然切入点不同，但都能有效解决语言学习中的实际问题。3. Carl的AI开发历程 2022年GPT发布时的首次尝试：利用AI技术开发中考英语单词书，包含例句、词根词缀、词性等系统内容，将原本需要漫长时间的内容整理工作缩短至两个月完成。 早期使用AI工具的艰辛历程：在OpenAI Playground界面上手动复制粘贴内容，面对不稳定的生成质量需要大量修改，但仍坚持使用并不断探索优化方法。 对AI的理性认知：既不盲目追捧AI会取代教师，也不过分排斥其局限性，而是通过调整参数（如temperature）等技术手段来提升输出质量，将AI视为协助工具。4. AI素养与学习方法 AI素养的系统培养：从最基础的参数调节（如temperature）开始，通过观看YouTube、B站的教程视频和专业课程（如Andrew Ng的深度学习课程、OpenAI的Prompt Engineering课程）逐步建立对AI的深入理解。 学习方法的转变：从传统的被动接受知识转向主动实践，强调在实际使用过程中不断调整和优化，通过实践累积经验。5. 编程学习的新范式 传统编程学习的困境：之前几次学习编程都因为缺乏即时反馈而失败，找不到问题所在点导致学习动力不足。 AI辅助下的编程学习新体验：即便99%的代码由AI生成，开发者仍需要理解需求、验证功能、处理细节，这种新的学习模式让编程变得更加可行。6. LearnMate产品分析 LearnMate的核心功能设计：集成了文本分析、语法解析、多语音朗读等功能，着重解决长期教学中发现的"阅读理解+听力训练"结合的需求。 真实用户反馈案例：通过60岁用户的使用体验，发现需要更清晰的功能引导，同时也体现了不同学习场景下（如缺乏真实语言环境时）对语法框架的不同需求程度。7. 独立开发者的特色 "独立开发者的浪漫"：不受商业目标限制，可以优先实现个人感兴趣的功能（如多口音选择），在保持产品独特性的同时，灵活响应用户需求。 开发策略的转变：从传统的市场需求导向，转向先满足个人刚需，再根据用户反馈逐步扩展的开发模式。8. 产品运营思考 用户留存的多维度分析：从感知价值（解决实际问题）、用户动机（内在学习动力）、技术可用性（功能稳定性）、教学效果（学习进度追踪）等多个角度思考产品的持续性价值。 数据沉淀的重要性：通过记录个人学习轨迹、展示学习成果来营造成就感，形成良性循环推动持续使用。9. 未来展望与互动 社区建设规划：通过小红书、播客评论区、用户群组等多个渠道收集反馈，建立长期互动机制。 独立开发者的未来机遇：探讨AI如何降低技术门槛，使更多教育工作者能够将教学理念转化为实际可用的工具，推动教育创新的发展。-------------------------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！😊-------------------------相关词介绍------------------------独立开发者（Independent Developer/Indiehacker）独立开发者指个人或小型团队独立完成软件开发的开发者。他们通常需要身兼数职，从产品构思、设计、编程到推广全程参与。与大公司的开发团队相比，独立开发者更加灵活，可以快速响应用户需求，但也面临资源有限的挑战。在教育科技领域，独立开发者往往能够基于自身教学经验，开发出更贴近实际教学需求的工具。AI素养（AI Literacy）AI素养是指理解、使用和评估AI技术的能力。它包括对AI基本原理的认知、AI工具的使用技巧，以及对AI局限性的理解。例如，了解AI模型的temperature参数如何影响输出，知道如何编写更好的提示词，以及理解AI可能出现的幻觉现象。在教育领域，良好的AI素养可以帮助教育者更好地利用AI工具提升教学效果。自我效能（Self-efficacy）自我效能指个人对自己是否能够完成特定任务的信念和判断。它不同于简单的自信，而是建立在对自身能力的准确认知基础上。例如，一个教师虽然没有编程背景，但相信通过AI辅助可以开发出有价值的教育工具，这种信念就体现了自我效能。高自我效能的人更容易在面对困难时保持坚持，并愿意尝试新的挑战。Banking System/Model这是一个教育理论概念，用来描述传统的教育模式，其中知识被视为可以存取的固定内容，教师像银行柜员一样"存入"知识，学生被动地"提取"知识。这种模式忽视了学习的互动性和创造性。例如，传统语言教学中机械的词汇记忆和语法练习就是典型的banking system表现。Project-Based Learning（项目制学习）项目制学习是一种以实际项目为中心的学习方式，强调通过完成具体项目来获得知识和技能。例如，让学生通过开发一个小型应用来学习编程，或通过创作视频来练习语言表达。这种学习方式的特点是注重实践、强调过程，并能培养综合能力。User Journey（用户旅程）用户旅程描述了用户使用产品的完整体验过程，从首次接触到持续使用的各个阶段。在教育产品中，这包括用户如何发现产品、注册账号、开始学习、获得反馈、达成目标等全过程。了解用户旅程有助于优化产品设计，提供更好的学习体验。User Retention（用户留存）用户留存指产品保持用户持续使用的能力。它受多个因素影响，包括： 感知价值（用户对产品价值的认可程度） 使用动机（用户学习的内在或外在动力） 技术可用性（产品的易用程度） 教学效果（学习目标的达成程度）在教育产品中，好的用户留存往往需要将这些因素有机结合。Temperature（温度参数）AI模型中的一个重要参数，用于控制输出的随机性和创造性。取值范围为0-1，较低的值（接近0）会使输出更加确定和保守，较高的值（接近1）会使输出更加多样和创造性。在教育应用中，可以根据不同场景调整temperature，例如生成标准答案时使用较低的值，生成创意写作提示时使用较高的值。Formative Assessment（形成性评估）形成性评估是一种持续性的评估方式，注重在学习过程中收集反馈并及时调整教学策略。与传统的总结性评估（如期末考试）相比，形成性评估更强调过程和改进。在语言学习工具中，这可能表现为实时的学习反馈、进度追踪和个性化建议。API（应用程序编程接口）API是不同软件系统间通信的接口标准。在AI开发中，通过调用API，开发者可以方便地使用各种AI模型的功能，而不需要了解其内部实现细节。比如通过GPT的API，教育工具可以实现自动批改、个性化辅导等功能。自然语言处理（Natural Language Processing, NLP）自然语言处理是AI的一个重要分支，专门研究计算机理解和处理人类语言的方法。在语言学习工具中，NLP可以用于自动分析句子结构、识别语法错误、生成例句等功能。这使得学习工具能够提供更智能和个性化的语言学习体验。Token在AI语言模型中，token是文本被切分的最小单位，可能是单词、部分单词或标点符号。了解token概念对于开发者很重要，因为它影响API调用的成本和效率。例如，在设计对话系统时，需要考虑token数量的限制，合理规划内容长度。在小宇宙查看该单集文稿

Hello 大家好！本期播客邀请了教育科技领域的独立开发者张扬，带你深入了解他如何运用AI和知识图谱重新定义学习体验。张扬不仅是一位教育极客，还是一位在教育科技和AI领域拥有丰富开发经验的实践者。张扬分享了他从传统IT转型为教育科技开发者的旅程，从最早的备课工具到数学和生物学知识图谱的开发，他一直致力于通过AI和独特的教学工具来提升学习效果。他的项目让学生能够通过互动式知识地图掌握学习内容，不再局限于传统的“刷题”，而是进入高效的“心流”状态。在这期节目中，张扬深入讲解了他的开发方法论——从需求驱动的“蓝图”设计，到如何逐步实现每个功能模块，帮助小白开发者也能顺利入门。他特别强调，独立开发的核心在于找到真实的用户痛点，将生活中的灵感转化为具体的产品功能，并通过AI和知识图谱技术实现跨学科的个性化学习。他还分享了跨学科融合在未来教育中的巨大潜力，探讨如何通过智能化学习系统为学生提供千人千面的知识体验。张扬的分享不仅对技术爱好者有启发，对教育者也大有裨益。他讲述了如何通过不断的迭代、用户反馈和独立开发实现创新，同时探讨了“行动差”与“信息差”在独立开发中的关键作用。为什么要听这一期： 了解独立开发者的思维方式：张扬从构思、设计到产品推广的全流程，揭示独立开发者如何通过AI和创新实现教育变革。 探索知识图谱在教育中的应用：张扬用生动的例子解释知识图谱如何帮助学生系统化学习，进入深度理解的“心流”状态。 实用的开发方法论：从需求驱动的开发逻辑到技术的具体实现，他为小白开发者提供了宝贵的指导，如何以最小成本实现最大效果。 跨学科融合的未来：理解AI在未来教育中的应用潜力，如何将语文、历史、数学等学科内容结合，让学习内容更具关联性和启发性。 激发教育创新的灵感：张扬对教育科技的深入思考和探索，将带你洞见如何通过技术手段优化学习过程，真正实现“因材施教”。本期播客充满了对教育和技术创新的深度见解，从独立开发者的实践经验到AI在教育中的广泛应用，如果你对教育科技和独立开发有兴趣，这期节目将为你带来全新的视角和灵感！张扬打造的关于数学的知识图谱github链接内容大纲1. 开场及引入 主持人一一子介绍独立开发者的独特性：像“全能艺人公司”，从需求发现到开发和推广全程自主完成。揭示独立开发者在教育科技领域的价值和挑战。 嘉宾张扬背景介绍：从IT转型为教育科技领域的独立开发者，分享其在AI和教育交汇中的开发经验。2. 独立开发之路：从IT到教育科技 跨界动机：张扬讲述如何从IT领域转型到教育科技，背后的动力源于对教育痛点的深刻理解，以及对技术如何赋能教育的独到见解。 独立开发的优势：为什么选择独立开发而非团队合作。张扬提到技术进步大幅提升了个人开发效率，使独立开发成为可能。3. 项目演变：从备课工具到知识图谱 开发历程：从备课工具到数学知识图谱，再到生物学知识图谱，张扬一步步将开发领域细化，专注于满足具体的学习需求。 知识图谱的智能学习体验：如何通过互动式学习地图帮助学生理解复杂知识体系，实现高效学习，而不仅仅依赖“刷题”。4. 独立开发的方法论：从需求到产品的逻辑 需求驱动的开发理念：强调找到真实需求是产品成功的关键。张扬建议，独立开发者应从个人切身体会的痛点出发，将其转化为明确的产品需求，而非盲目追随市场热点。 从“建筑师”的角度进行产品设计：像建房子一样，先找好“地基”和“蓝图”，再进行功能实现。张扬指出，前期规划（如功能列表和用户故事）比编写代码更重要。 合理利用AI提高效率：张扬分享如何将AI用于开发中的细节任务，如代码自动生成和测试优化，但在项目的初期规划和架构设计阶段仍需开发者自身的深度思考。5. 小白的入门指南：逐步掌握独立开发的关键技能 以终为始：从最终想要解决的问题出发，列出所有想实现的功能，用思维导图梳理需求。区分核心功能和可选功能，避免一开始追求过多复杂性。 学习基础技能，而非钻研细枝末节：对数据库、API等技术术语有基本了解即可，技术的具体实现可以交给AI工具处理。张扬建议从“竞品分析”开始，通过学习现有工具找到自己的差异化特点。 迭代与反馈：产品开发过程中，持续将初步的功能和设计与用户需求对比，做出调整。保持灵活性，有助于更快地达到符合预期的效果。6. 跨学科融合与个性化学习的未来 跨学科教学的可能性：AI技术不仅能帮助学生在某一学科深入学习，还能整合多学科知识。例如，将语文、历史、地理内容结合，通过知识图谱展示，让学生体验“千人千面”的个性化学习路径。 打破一刀切的教学模式：提供灵活的学习内容，满足不同学生的个性化需求，实现真正意义上的“因材施教”。7. 行动差与信息差：突破独立开发的瓶颈 主动探索的价值：张扬指出，很多人认为行动成本高，是因为信息获取不足。独立开发者需要通过主动学习，缩小“信息差”，以降低行动门槛。 避免重复发明轮子：利用已有工具和开源资源，加快开发进度。例如，参考GitHub上已有的解决方案，而非从头开始开发每一个功能。-------------------------关于伊伊子------------------------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！😊-------------------------相关词介绍------------------------独立开发者独立开发者是指一个人或一小组人独立完成软件或产品开发的人员，从需求发现、设计到编程和推广都由自己完成。与大型团队不同，独立开发者的角色更为多样化，通常需要具备多种技能，如编程、产品设计、市场推广等。知识图谱知识图谱是一种数据结构，用来表示各种知识点及其相互关系。比如在数学中，可以用知识图谱来展示不同公式之间的推导关系，帮助学生直观理解和记忆。知识图谱常与AI结合，形成智能学习系统，让用户通过点击某个知识点获取详细解释和相关信息。需求驱动开发需求驱动开发是指以用户的实际需求为出发点进行产品设计和开发。它强调开发者要深入理解用户面临的问题，并将这些痛点转化为产品的功能和特性，而不是为了开发而开发。需求驱动的理念可以提高产品的实用性和市场价值。心流（Flow）心流是一种沉浸式的心理状态，人在全神贯注进行某项活动时会进入这种状态。对于学习来说，心流状态可以提升专注力和学习效率，让学生更轻松地吸收知识。软件工程软件工程涉及软件开发过程中的所有步骤，包括需求分析、设计、编码、测试和维护。张扬提到的软件工程方法注重前期的规划，比如功能需求、数据架构等，以确保项目的成功。API（应用程序编程接口）API是一组定义了不同软件系统之间如何相互通信的规则。它让开发者可以轻松调用其他软件的功能，而不需要了解其内部实现原理。举例来说，某个天气应用可以通过API获取最新的天气数据。数据库数据库是用来存储、管理和检索数据的系统。在开发教育工具时，数据库可以用来存储学生的学习记录、知识点的关系等信息。常见的数据库类型包括关系数据库（如MySQL）和图数据库（如Neo4j），分别适用于不同的数据存储需求。开源开源是指将软件的源代码公开，允许其他人自由使用、修改和分发。开源项目通常由社区开发和维护，有利于技术的共享和快速创新。张扬提到的开源知识图谱项目就是一个例子。竞品分析竞品分析是指分析和评估市场上类似的产品，以找到自己的产品在功能或体验上的差异化优势。通过了解竞争对手的强项和弱点，开发者可以更好地设计自己的产品，提高竞争力。PRD（产品需求文档）PRD是一份详细说明产品功能和需求的文档。它包括产品的目标、用户需求、功能列表等信息，用于指导开发过程。PRD在独立开发中尤为重要，因为它帮助开发者明确项目的方向和范围。GitHubGitHub是一个广泛使用的代码托管平台，开发者可以在上面发布和分享代码，参与开源项目。它还提供项目的版本控制功能，方便团队或个人在开发过程中进行协作。黑箱思维黑箱思维是指在使用工具或技术时，不需要了解其内部细节，只需知道如何使用就足够。例如，使用计算机时，我们不需要知道计算机的具体工作原理，只要知道如何操作即可。这种思维可以帮助开发者快速上手工具。穷举功能（Feature Enumeration）穷举功能是指在开发项目初期列出所有可能的功能点。通过这种方式，开发者可以全面了解项目的需求，并根据优先级进行筛选和迭代。张扬建议在开发的初期进行这种“头脑风暴”式的功能列举，有助于明确项目的核心需求。迭代开发迭代开发是一种软件开发方法，强调不断进行小步改进，逐步完善产品。每次迭代会在前一次的基础上增加或调整功能，以应对不断变化的用户需求和反馈。这种方法适合独立开发者灵活调整开发方向。心智模型（Mental Model）心智模型是人们对现实世界的理解方式或思维框架。对于开发者来说，心智模型可以帮助他们更好地理解用户需求，并将这些需求转化为具体的产品功能。张扬提到心智模型时，是在强调开发者需要从用户的角度思考问题。MVP（最小可行产品）MVP指的是一种包含最基本功能的产品版本，用于测试市场反应。它可以帮助开发者快速验证产品的核心假设，减少开发成本和风险。对于独立开发者来说，先推出MVP可以获得早期用户反馈，再进行后续的功能扩展。数据逻辑数据逻辑指的是数据在系统中的组织方式和处理流程。它包括数据的输入、存储、处理和输出方式。张扬提到，数据逻辑是软件开发中的核心之一，直接影响系统的性能和用户体验。技术栈（Tech Stack）技术栈是指开发某个软件项目时使用的所有技术和工具的组合，包括编程语言、数据库、前端和后端框架等。选择合适的技术栈可以提高开发效率，降低维护成本。在小宇宙查看该单集文稿

Hello 大家好！本期是我和Udemy资深AI讲师Nathan的一场关于AI素养与在线教育的深度对话。Nathan是一位经验丰富的Udemy讲师，他在平台上开设了多门生成式AI和ChatGPT相关课程，并通过实践验证了“学习—应用—教授”三步曲的学习方法。他不仅致力于教会学生如何使用AI工具，更希望引导他们理解AI背后的原理，进而将其应用于生活和工作中。在节目中，Nathan分享了他如何通过不断的试错和探索，开发出适合不同学员的课程内容。从最初在CC Talk的尝试到成为Udemy平台上备受好评的讲师，Nathan的教育旅程充满了挑战和突破。他特别强调了费曼学习法、迁移能力，以及学生在不确定性中如何循序渐进地学习AI素养。Nathan还揭示了他对在线教育商业化的看法，以及如何在学生反馈的基础上持续迭代和优化课程。这一期的播客充满了对教育创新的深入思考，从在线教育的挑战与机会到AI素养的培养与应用。如果你对AI在教育领域的应用、在线课程的开发经验，或者教育者如何引导学生迈向不确定的未来感兴趣，这一期一定会为你带来新的视角和启发。为什么要听这一期： 深入理解AI素养： Nathan从多个角度解读AI素养的重要性，探讨如何让学生掌握AI工具的原理并能灵活应用。 在线教育的真实经验： 听Nathan分享他在Udemy平台开发课程的经历，如何通过学生反馈不断调整课程内容以适应不同的学习需求。 教育中的创新思维： 从费曼学习法到迁移能力，了解如何通过有效的方法提高学生的学习效率和应用能力。 对在线教育商业化的见解： Nathan对于课程设计和商业化的独特看法，以及如何平衡教育价值和经济收益。 启发教师和学习者： 听取Nathan关于AI素养和课程设计的深度分享，让你获得更多关于如何引导学生学习和成长的灵感。这一期播客带你探索如何在AI时代通过教育创新培养未来人才，Nathan的故事和经验将为你提供深刻的见解与启发，让你在不断变化的教育领域中找到自己的方向。在小宇宙查看该单集文稿

Hello 大家好！今天我邀请到了AskSia产品负责人吴科锦，来分享他们团队在AI教育领域的创业历程与产品创新。吴科锦作为大学毕业即投身AI教育创业的年轻创业者，他的经历充满了勇气与深思。他选择放弃留学，全心投入到AI助教产品的开发中，为学生们带来了全新的自主学习体验。AskSia是一款面向全球学生的AI助教工具，特别针对留学生和大学生用户，帮助他们在学习中更好地掌握知识。吴科锦与他的团队通过创新的“思维链”技术（Chain of Thought），帮助学生将复杂的问题分解成多个易于理解的小步骤，大大提升了学习效率与用户体验。他们重视用户反馈，不断优化产品设计，让学习过程更贴合学生的需求。本期播客不仅揭示了AskSia产品背后的故事，还深入探讨了AI如何在教育领域实现个性化学习、提升学习效果，以及AI助教如何与人类教师协作，推动教育的未来发展。如果你对教育技术、大模型应用、或者创业心路感兴趣，这一期绝对不容错过！为什么要听这一期： 了解创业者的真实故事：听吴科锦分享他从大学毕业到全心投入AI教育创业的历程与思考。 洞悉AI教育的前沿产品：了解AskSia如何通过技术创新，解决学习中的痛点，为学生提供更加个性化的学习体验。 激发对教育未来的思考：AI技术如何改变传统教育模式？人类教师和AI助教之间如何协作？这一期带你一同探索教育改革的前沿。 真实且实用的经验分享：吴科锦与团队的市场推广策略、用户调研方法，以及面对挑战时的选择，都能为教育创业者和AI从业者提供宝贵的参考。准备好深度思考与灵感碰撞吧，这一期播客将带你领略AI如何为教育注入全新活力，激励你在AI时代的学习与成长旅程中不断前行。内容大纲：产品背景与团队的创业故事 AskSia AI学习产品的开发背景与初衷。 吴科锦的创业心路历程：大学毕业即投身AI教育创业的决定。 AI 教育工具在当代的作用和使命。大模型技术的爆发与教育改革 生成式AI技术的应用如何推动教育创新。 AI助教产品如何帮助学生突破传统学习障碍，提供个性化学习路径。产品定位与核心设计理念 AskSia的产品定位：从学习辅助工具到学习的全方位助力。 核心设计理念：如何通过“思维链”COT技术帮助学生更好地理解复杂知识点。 “用户需求驱动”是产品迭代的关键，通过用户调研反馈不断改进。从交互设计到用户体验 交互设计的创新：思维链与用户体验的结合，如何使用户在处理复杂问题时更高效、更有条理。 核心模块与功能：如何通过“提示词工程”转化为用户友好的界面，帮助学生自我调节学习节奏。 产品的四大核心功能：作业解题、知识点拆解、个性化学习路径、及时反馈。AI辅助学习的优势与挑战 AI助教的最大优势：帮助学生根据个人需求定制学习路径，提升学习效率。 产品设计的挑战：如何平衡学习辅助与自主学习，避免学生过度依赖AI。 AI助教如何通过正面反馈激励学生持续学习，保持动力。面向未来的个性化教育解决方案 未来愿景：通过知识树、跨学科关联，实现大规模个性化教育。 AI与人类教师的协作：AI提供工具与资源，教师提供引导与支持，共同实现因材施教。 AI助教对教学角色的重塑：教师从单纯的内容提供者转变为教学设计师。目标用户群体分析与产品落地 目标用户群体：留学生、大学生为主，未来将逐步扩展到更广泛的用户群体。 用户反馈如何驱动产品改进，尤其是通过社媒收集用户反馈。 市场策略与增长路径：从广告投放到依赖社交媒体的自然增长，分享团队在增长过程中的经验与教训。-------------------------关于伊伊子------------------------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！😊-------------------------相关词介绍------------------------AI助教（AI Tutor）AI助教是一种利用人工智能技术设计的教育辅助系统，旨在模拟人类教师的部分功能。它能够根据学生的学习进度、强项和弱点提供个性化的学习内容和反馈。AI助教可以24/7全天候为学生提供支持，回答问题，解释概念，甚至评估学生的作业。在大规模教育中，AI助教可以帮助缓解教师资源不足的问题，同时为每个学生提供更多的个性化关注。然而，AI助教也面临着理解复杂语境、提供情感支持等方面的挑战。思维链（Chain of Thought, COT）思维链是一种先进的AI推理技术，旨在提高AI系统解决复杂问题的能力。这种方法通过模拟人类的逐步思考过程，将复杂问题分解为一系列小步骤。每个步骤都包含中间推理过程，使AI能够"解释"它是如何得出结论的。在教育中，思维链方法可以帮助AI助教提供更详细、更有逻辑的解答，使学生不仅知道答案，还能理解得出答案的过程。这对于培养学生的批判性思维和问题解决能力特别有价值。Fine-tuning（微调）Fine-tuning是一种机器学习技术，用于调整预训练模型以适应特定任务或领域。在AI教育中，fine-tuning扮演着关键角色，使得通用的大语言模型能够更好地适应教育场景。这个过程通常包括以下几个步骤： 选择基础模型：从已经在大规模数据上预训练的模型开始，如GPT或BERT。 准备特定领域数据：收集与教育任务相关的数据，如学科特定的问答对、教学对话或习题解析。 调整模型参数：使用准备好的教育数据对模型进行进一步训练，调整模型的权重以更好地适应教育任务。 评估和迭代：测试微调后的模型在特定教育任务上的表现，并根据需要进行进一步调整。Fine-tuning在AI教育中的应用广泛而深远： 学科专精：可以为不同学科（如数学、物理、历史）创建专门的AI助教，它们能够理解和回答特定学科的专业问题。 教学风格适配：通过fine-tuning，AI可以模仿特定的教学风格或方法论，如苏格拉底式问答或费曼技巧。 语言和文化适应：对于跨文化教育平台，fine-tuning可以帮助AI理解和使用特定文化背景下的教育术语和表达方式。 个性化学习：通过对个别学生或小群体的学习数据进行微调，AI可以提供更加个性化的学习体验。Fine-tuning的优势在于它能够在保留预训练模型广泛知识的同时，使模型在特定教育任务上表现出色。然而，这个过程也面临着一些挑战，如如何平衡通用知识和专业知识，以及如何避免过拟合等。在快速发展的AI教育领域，fine-tuning技术的应用正在不断推动个性化学习和智能教学的边界，为创建更有效、更适应性强的教育AI工具提供了重要支持。提示词工程（Prompt Engineering）提示词工程是AI应用开发中的一项关键技能，涉及设计、优化和调整输入到AI模型的提示（prompts）。一个好的提示可以引导AI生成更准确、更相关、更有用的输出。在教育领域，提示词工程可以帮助开发者创建更有效的AI教学工具，例如能够生成针对特定学习目标的问题，或者能够以特定的教学风格解释概念。提示词工程师需要深入理解both AI模型的能力和教育学的原理，以创造出最佳的学习体验。建构主义学习理论建构主义学习理论是一种教育哲学，强调学习是一个主动的、情境化的过程，学习者基于自己的经验和先前知识构建新的理解。这种理论认为，知识不是简单地从教师传递到学生，而是由学生通过探索、实验和反思来构建的。在AI教育中，建构主义理论可以指导开发更互动、更探索性的学习环境。例如，AI系统可以根据学生的背景知识和兴趣定制学习材料，鼓励学生提问和探索，而不是被动地接受信息。脚手架（Scaffolding）脚手架是一种教学策略，源于心理学家维果茨基的近端发展区理论。它指的是教育者提供的临时支持，帮助学习者完成他们目前独立无法完成的任务。随着学习者能力的提高，这些支持逐渐减少。在AI教育中，脚手架可以通过智能系统动态调整难度、提供及时反馈和提示来实现。例如，一个AI助教可能首先提供详细的问题解决步骤，然后随着学生熟练度的提高，逐渐减少指导，鼓励学生独立思考。混合式教学混合式教学是结合传统面对面教学和在线学习的教育方法。在AI教育的背景下，混合式教学进一步扩展为人类教师和AI助教的协作模式。这种方法利用了AI的优势（如个性化学习路径、即时反馈、大规模数据分析）和人类教师的优势（如情感支持、复杂问题的解读、创造性思维的培养）。例如，AI可以处理日常的作业批改和基础问题解答，而人类教师则可以集中精力于更高层次的教学活动，如课程设计、复杂概念讲解和学生辅导。用户生成内容（User Generated Content, UGC）用户生成内容指的是由产品或服务的最终用户（而非产品所有者）创建的任何形式的内容。在AI教育平台中，UGC可能包括学生的问题、答案、学习笔记、学习心得等。UGC不仅可以丰富学习资源，还可以为产品开发提供宝贵的反馈。通过分析UGC，开发者可以了解用户的真实需求和痛点，从而改进产品。此外，优质的UGC还可以成为平台的宣传材料，吸引新用户。然而，管理UGC也面临着质量控制和版权等挑战。AI出海AI出海是指中国的AI公司或产品进入国际市场的战略。这个趋势反映了中国AI技术的快速发展和全球化野心。对于教育AI产品来说，出海面临着多方面的挑战，包括语言和文化适应、不同教育系统的需求差异、数据隐私法规的遵守等。成功的AI教育产品出海策略往往需要深入了解目标市场的教育体系和学习文化，并根据当地需求进行产品本地化。同时，国际化也为这些产品提供了更大的市场和更多样化的用户反馈，有助于产品的进一步优化和创新。Copilot（副驾驶）模式Copilot模式是一种人机协作的范式，强调AI作为人类的辅助工具，而非完全替代。在教育领域，Copilot模式意味着AI不是取代教师或学生，而是增强他们的能力。例如，在写作课程中，AI可以作为学生的"写作伙伴"，提供词语建议、语法纠正，甚至是创意灵感，但最终的创作决策仍由学生做出。对于教师，AI可以协助备课、批改作业，使教师能够将更多精力放在个性化教学和情感交流上。Copilot模式强调了人类判断和创造力的重要性，同时利用AI来提高效率和扩展能力。知识图谱知识图谱是一种结构化的知识表示方式，用图形化的方式展示概念之间的关系。在AI教育中，知识图谱可以用来表示学科知识体系，帮助AI系统理解知识点之间的联系，从而提供更智能的学习建议。例如，一个数学知识图谱可以展示不同数学概念之间的依赖关系，AI系统可以基于此为学生规划最优的学习路径。知识图谱还可以帮助学生直观地理解知识体系，发现知识盲点，促进跨学科学习。在更高级的应用中，AI可以通过分析学生的学习行为，动态更新和个性化知识图谱，为每个学生创建独特的知识网络。在小宇宙查看该单集文稿

各位听众朋友们, 还记得那些深夜工作或者备课,为一份PPT绞尽脑汁的日子吗? 作为教师,我们都曾面临过这样的挑战: 花费数小时调整排版,却总觉得不够美观;绞尽脑汁选择配色方案,生怕出现"审美灾难";努力构思内容,却担心无法完全覆盖教学要点;小心翼翼地添加动画,希望能提高学生兴趣又不失专业性。更重要的是,我们还需要确保每一页都符合教学标准,同时照顾到不同学习水平学生的需求。这一切,往往让一份看似简单的PPT变成了一项耗时耗力的巨大工程。但是,教育科技的发展正在改变这一切。今天,我们很荣幸邀请到教育科技专家高寒,为我们深入探讨他们的最新产品——蚂蚁AI学习,以及AI技术如何彻底改变教师制作和使用PPT的方式。在这一集中,我们将重点讨论以下四个方面: AI驱动的智能课件:从传统PPT到互动式教学工具的进化 效率与个性化的平衡:AI如何在标准化和定制化之间寻找最佳点 教师角色的转变:从PPT制作者到教学设计师的蜕变 未来课堂展望:智能课件如何融入更广泛的AI辅助教学生态系统无论您是一线教师,还是对教育创新感兴趣的听众,这一集都将为您开启一扇通往未来课堂的窗口。加入我们,一起探索AI如何将教师从繁琐的PPT制作中解放出来,让我们能够更专注于教学设计和学生互动。现在收听,了解您的下一堂课可能会如何因为AI的加入而变得更加生动有趣! 内容大纲:蚂蚁AI学习产品背景与诞生 教育科技行业的十年演变 大模型技术爆发与教育改革的交汇点 教育改革正处于"爆发的临界点"产品定位与设计理念 从"终端到终端"的全流程解决方案 教师备课痛点分析 产品设计的取舍核心功能与技术实现 四大核心模块: 词汇、语法、阅读理解、考试备考 符合课程标准的互动性课件生成 将"提示词工程"转化为用户友好的界面交互AI辅助教学的优势与挑战 提高备课效率,释放教师创造力 实现课堂游戏化和个性化教学 AI可能带来教育行业的"弯道超车"目标用户群体分析 "六边形战士"vs 普通教师 新手教师的赋能工具 产品设计聚焦于"最需要帮助的教师群体"AI对教师角色的重塑 从内容制作者到教学设计师 教学经验传递的新模式 未来教师可能需要分享"教学思维"而非简单的课件大规模个性化教学的可能性 AI辅助一对多教学 名师资源的规模化应用 如何实现大规模的因材施教?人工智能在教育中的局限性 情感交互的不可替代性 青少年教育vs成人学习的差异 即使在AI时代,人与人之间的连接仍是教育的核心-------------------------关于伊伊子------------------------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！😊在小宇宙查看该单集文稿

大家好，欢迎来到教育AI智造者播客。 今天，我有幸邀请到了一位非常特别的嘉宾，文静老师。她不仅是一位经济学教育者，更是一位在东京生活的数字游民，正在用AI技术改变我们对经济学教育的认知。文静老师的经历让我想到除了教育与AI科技融合的无限可能之外，我们的个人发展选择是否可以更加多元化和更具有影响力。留学归来后，她的职业生涯跨越了传统教育机构、大型科技公司，现在更是在开发AI辅助的经济学教学工具。在这期节目中，我将和文静老师一起探讨以下几个引人入胜的话题： 数字游民教师的日常：如何在东京这座国际化都市中平衡教学与生活？ AI如何改变经济学教育：从传统课堂到个性化学习体验的转变 社交媒体赋能教育：小红书如何成为连接老师与学生的新平台 "经济学刷题神器"背后的故事：AI如何提高学习效率和兴趣 教育资源不平等与AI：技术是否能够成为缩小教育差距的新途径？ 女性教育者在AI时代的机遇与挑战：如何在快速变化的环境中找到平衡点在这个AI快速发展的时代，教育者如何适应并引领变革？我们又该如何培养下一代具备批判性思维和创新能力的人才？无论您是教育工作者、科技从业者，还是对未来教育感兴趣的任何人，相信这期节目都能给您带来新的思考。文静老师的小红书传送门大纲:开场与嘉宾介绍 文静老师的多重身份：经济学教育者、数字游民、AI教育创新者 2024年AI在教育领域的应用：从科幻概念到日常工具数字游民教师的蝴蝶效应 在东京的数字游民生活如何影响教学视角 跨界经验（教育机构、阿里巴巴）如何促进创新思维AI驱动的经济学教育革新 AI如何提高教学效率和学生学习体验 教师角色在AI时代的转变：从知识传授者到学习引导者 开发"经济学刷题神器GPT"的历程社交媒体赋能的教育新模式 利用小红书平台开展经济学教学 将复杂经济概念转化为吸引人的短视频内容的技巧 构建在线学习社区：经济学人共读俱乐部的实践教育的本质与AI的角色 如何利用AI弥补国际学校教育资源的不足 AI作为教育均衡器：从北上广到三四线城市的应用教育行业的商业模式变革 教师IP巨头的出现？ AI教育产品的盈利模式创新 口碑传播：教育产品的终极"流量密码"女性教育者在AI时代的发展 平衡事业发展与个人生活 利用女性特质在教育行业的优势 对其他女性教育创业者的建议未来教育趋势与教师发展建议 持续学习和自我提升的重要性 教育行业的数字化转型前景 教师如何适应并引领教育变革-------------------------关于伊伊子------------------------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！😊在小宇宙查看该单集文稿