教育AI智造者
- Episódios
- 71
- Publicação
- semanal
- Último episódio
- 9 nov 2026
Sobre o podcast
欢迎来到“教育AI智造者”播客，这是一个探索【人工智能如何重新定义教育领域】的前沿平台。 在这里，我们不仅仅分享技术如何塑造未来教室的故事，同时也深入真实且多元的个人经历呈现AI在教育中的多面性。 每一期，我们邀请【教育界的AI实践者】——从前线的教育工作者到深入研究的学者，再到直接受益的学生，深挖每个故事， 分享他们与AI交织的独特旅程。 在AI的浪潮中，我们不仅找寻我们的位置，更共同塑造这个新时代的面貌。 加入我们，一起在“教育AI智造者”见证教育未来的无限可能！ ------------------------------------------------------------------------------------ 关于伊伊子的小红书：爱思考的伊伊子 AI+教育社群: 小红🍠教育者社群 嘉宾自荐/推荐：小红书/邮箱([email protected])
Episódios 71
[EP63]Jun |在硅谷做教育十多年，如何为孩子准备一个无法预测的未来？
大家好，欢迎回到《教育AI智造者》。过去，很多家庭相信一条相对清晰的成长路径。好成绩、好大学、好专业，意味着离一个理想的未来更近一步。但当 AI 开始改变学习方式和职业环境，家长面对的问题也变了。我们越来越难确定，今天为孩子选择的路，十几年后是否仍然走得通。这一期，我们邀请到 Jun 老师。她创办了 7EDU Impact Academy 和 Leadways …
Notas do episódio
大家好，欢迎回到《教育AI智造者》。
过去，很多家庭相信一条相对清晰的成长路径。好成绩、好大学、好专业，意味着离一个理想的未来更近一步。但当 AI 开始改变学习方式和职业环境，家长面对的问题也变了。我们越来越难确定，今天为孩子选择的路，十几年后是否仍然走得通。
这一期，我们邀请到 Jun 老师。她创办了 7EDU Impact Academy 和 Leadways School，长期从事升学规划与学校教育。她陪伴过学生申请大学，也看到了他们进入大学、走向职场之后的生活；与此同时，她每天面对的，还有正在学习认识自己、与人相处的年幼孩子。这样的经历，让她能够把教育的时间尺度拉得更长。
一个学术能力出众、提前进入顶尖大学的学生，是否也做好了独立生活的准备？一个习惯在竞争中胜出的孩子，当身边的人开始走向不同方向，还能不能找到自己继续向前的动力？
当 AI 进入家庭，对话又出现了新的变化。Jun 分享了两个令人印象深刻的案例。一个学生不断向 AI 寻找理由，解释自己为什么可以不参加活动；另一位家长反复询问 AI，孩子距离哈佛还差什么，随后不断给孩子增加要求。在她的观察中，AI 有时会强化使用者原有的立场，让亲子沟通变得更加困难。
我们也聊到了学校里的具体实践。如何通过每天的目标设定与回顾，练习自我觉察？孩子遇到困难时，大人怎样判断应该提供支持，还是留出让他自己尝试的空间？所谓个性化教育，是否真的允许孩子拥有不同的成长节奏？
临近结尾，我们谈起一个家长的问题。如果不知道 2036 年会出现什么技术、哪些职业仍然存在，今天究竟应该怎样为一个十岁的孩子做准备？
Jun 的回答，把整期对话带回了教育的长期目标。
当我们无法替孩子预测未来，怎样帮助他拥有理解变化、作出判断，并参与其中的能力？
这期适合关心孩子成长的家长、教师，也适合正在思考 AI 教育产品与学习方式的朋友。
内容大纲
从升学规划到创办学校，长期陪伴学生如何影响 Jun 对“好教育”的理解？
十多年过去，孩子的基本需要发生了多大变化？家长又在焦虑什么？
当熟悉的职业路径变得不确定，兴趣和长期投入为什么更加值得重视？
孩子说“不喜欢”，怎样分辨真实的兴趣变化与面对困难时的退缩？
一个项目除了最终成果，还能让我们看见孩子的哪些特质？
学术能力超前，是否意味着已经准备好进入大学、独立生活？
当竞争不再指向同一个终点，习惯胜出的学生如何找到自己的方向？
AI 能够迅速提供答案之后，教育里哪些过程仍然需要孩子亲自经历？
当学生用 AI 为自己的选择辩护，家长和教师面临了什么新的沟通难题？
反复追问“孩子还差什么”，为什么可能让 AI 成为焦虑的放大器？
AI 素养教育可以从什么开始？怎样让年幼的孩子练习质疑与判断？
面对毕业生的求职困境，Jun 为什么重新强调沟通、协作与可迁移能力？
自我觉察与反思怎样进入学校每天的生活，而非等到迷茫之后才开始练习？
技术更新的速度，应该怎样影响我们对孩子成长节奏的判断？
过度保护、替孩子做决定和计算投入产出，可能拿走哪些成长机会？
为什么父母自己的成功经验，不能直接成为孩子未来的地图？
个性化学习，是否也包括接受孩子在某些方面走得慢一些？
如果无法预测 2036 年，今天的教育仍然可以为孩子准备什么？
本期可以记住的一个关键词是 主体性。当工具越来越强，孩子仍然需要练习形成自己的目标、作出判断，并为行动承担责任。
-----------------------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============
Agency｜主体性
指一个人有意愿、有能力影响自己的生活，能够设定目标、反思并采取负责任的行动。本期关注的是，孩子是否拥有真实的选择与行动空间，以及这些空间会不会被家长或 AI 代替。OECD 对学生主体性的说明
Judgment｜判断力
面对信息、建议和不同选择时，能够结合证据与具体处境作出判断。节目中的一个关键提醒是，AI 给出的理由即使听起来完整，也需要回到真实的孩子、家庭和生活中检验。
Thinking partner｜思考伙伴
在本期语境中，指能够帮助人澄清问题、比较观点、继续思考的伙伴。使用 AI 时，可以观察它是否带来了新的视角，还是反复替自己原有的立场寻找理由。
AI literacy｜AI 素养
包括理解 AI 的基本能力与局限，对其输出作出批判性判断，并负责任地使用它。Jun 分享的课堂活动，是让孩子从图片和视频中的线索出发，练习提问与讨论。这类活动的重点在于判断过程，也需要进一步核实证据。UNESCO 学生 AI 能力框架
Self-awareness｜自我觉察
觉察自己的情绪、想法、需要与行为。在节目中的学校实践里，它可以从很小的问题开始。昨天什么事情让我挫败？今天我想调整什么？我为什么想放弃这件事？
Reflection｜反思
回看自己的经历，理解发生了什么，并思考下一次如何行动。Jun 强调从小练习，把反思放进每天的日常，让孩子逐渐学会观察和调整自己。
Social and emotional learning，SEL｜社会情感学习
涉及自我觉察、情绪管理、理解他人、建立关系与负责任的决策。本期提到的晨间交流、目标设定与日常回顾，都是嘉宾将相关练习融入学校生活的方式。CASEL 框架说明
Resilience｜韧性
本期主要用它讨论，孩子遇到困难、失败或不顺利时，如何调整自己并继续尝试。大人的支持需要考虑孩子的承受能力，同时保留让他练习解决问题、寻求帮助的机会。
Transferable skills｜可迁移能力
指在不同任务和环境中仍然能够发挥作用的能力。本期举出的例子包括表达自己的价值、与人协作、主动发现问题，以及学习新事物。它们帮助一个人在原有路径发生变化后重新寻找位置。
Academic readiness｜学术准备度
指知识与学术能力是否足以应对下一阶段的学习要求。Jun 分享的大学案例提醒我们，还需要同时关注独立生活、社会交往和心理适应等方面的准备。
Personalized learning｜个性化学习
根据学习者的准备程度、需要和节奏安排学习。本期特别讨论了一种张力。家长可能认同个性化，却仍然希望孩子借此比别人更快。真正落实到自己的孩子身上时，接受不同节奏也需要练习。
Intrinsic motivation｜内在动机
因为自己在意、感兴趣或认可某件事的意义，而愿意持续投入。节目借学生进入大学后的经历，追问一个问题。当排名和竞争不再提供明确方向，一个人靠什么继续向前？
ROI，Return on investment｜投入产出比
用于衡量投入与回报。Jun 在节目中借这个词讨论一种养育倾向，凡事先问活动含金量、时间值不值、是否帮助升学。坚持、结识同伴、认识自己的边界等收获，往往难以在当下折算。
在小宇宙查看该单集文稿[EP62] Yuning | Epic AI产品经理聊中美儿童阅读：孩子爱看，就代表学到了吗？
大家好，欢迎回到《教育AI智造者》。AI 可以写故事、生成插画，也可以让一本静态的书变成能够对话、探索的互动空间。但当这些内容来到孩子面前，我们还要回答一些具体的问题。这本书适不适合他的年龄？他喜欢看，是否意味着他正在学到东西？如果内容出了问题，又该由谁来审核、由谁负责？这一期，我们邀请到一位曾在 Course Hero 工作、录制时在 Epic …
Notas do episódio
大家好，欢迎回到《教育AI智造者》。
AI 可以写故事、生成插画，也可以让一本静态的书变成能够对话、探索的互动空间。但当这些内容来到孩子面前，我们还要回答一些具体的问题。这本书适不适合他的年龄？他喜欢看，是否意味着他正在学到东西？如果内容出了问题，又该由谁来审核、由谁负责？
这一期，我们邀请到一位曾在 Course Hero 工作、录制时在 Epic 从事产品与增长工作的嘉宾Yuning。从服务较高年龄段学习者，到走进儿童数字阅读，嘉宾的经历让我们有机会看看，一个教育产品究竟要同时回应多少人的需要。孩子在使用，家长在选择，教师也在参与阅读安排。
我们先从中美教育的差异聊起。同样希望孩子有更好的发展，有的家庭更关注补齐短板，有的更愿意支持孩子的长处。这些差异如何影响产品？一家教育公司在原有市场积累的内容、技术和成功经验，进入新的市场以后，哪些能够延续，哪些需要重新理解？
聊到学习动力时，对话又落到了一个很个人的问题上。学习是否应该始终让人快乐？嘉宾结合自己多年学琴的经历，谈到付出、挫败与成就感，也分享了对游戏化激励和学习目标的思考。
我们还具体拆开了阅读平台的工作。海量书籍如何分类？产品经理怎样避免拿自己的偏好替用户做决定？阅读时长、读完一本书、理解一本书，分别能告诉我们什么？
当话题转向 AI，我们把互动体验和内容生成分开讨论。让书里的角色动起来，与直接生成一本新书，面对的是不同的问题。而在推荐系统里，孩子喜欢恐龙，也会带来一个值得琢磨的选择。如果一直推荐恐龙，他可能很开心，却也可能错过其他值得认识的世界。
当我们越来越容易让孩子愿意继续看，怎样判断接下来的内容真正适合他？
这期适合关心儿童阅读的家长、教师，以及正在做教育产品、探索 AI 教育应用的朋友。
内容大纲从 Course Hero 到 Epic，面对不同年龄的学习者，产品经理要重新理解什么？
家长的哪些教育诉求是共通的？哪些又与文化、资源和评价方式有关？
在一个市场成功的教育产品，为什么很难原样搬到另一个市场？
中国教育公司的内容积累、技术人才和开发经验，可以带来哪些优势？
不同的评价体系如何影响学习动力？让孩子一直快乐，是合理的产品目标吗？
成就感能怎样支持长期学习？升级、头像等奖励能够发挥多大作用？
成人怎样理解儿童用户？产品经理如何避免用个人经验替用户做决定？
海量童书如何管理？年龄、阅读等级和内容标签怎样参与选书与推荐？
除了读书本身，搜索、教师工具、游戏化和增长分别要解决什么问题？
感觉学到了，与真正学到了，有什么区别？学习科学如何进入产品讨论？
产品团队与内容团队如何分工？阅读数量、阅读质量和使用指标怎样连接起来？
当一本书变成 3D 或 VR 互动空间，这个体验还算阅读吗？
改造已有书籍的体验，与用 AI 生成新书，分别带来了哪些审核和责任问题？
当家长也能制作绘本，家庭与学校会怎样承担内容选择和审核的责任？
孩子喜欢什么，就一直推荐什么，会不会限制他的阅读范围？
除了算法，家长和教师策划的书单如何参与个性化推荐？
给 AI 教育产品从业者的建议，为什么要先理解既有规则，再寻找具体的切入口？
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============
Epic｜儿童数字阅读平台
本期讨论的主要产品场景。孩子在平台上阅读，教师可以布置和分享书籍、查看阅读情况。对谈关注的是，内容、阅读体验以及成年人提供的支持，怎样共同构成一个阅读产品。Epic 教师页面
Localization｜本地化
在本期语境里，本地化包括理解不同市场的教育评价方式、家庭期待和使用场景。嘉宾讨论的是，一个产品进入新市场时，需要重新验证哪些需求，以及原有团队和工作方式能否适应这些变化。
User research｜用户研究
通过访谈、观察、反馈等方式理解用户的处境和需求。嘉宾提醒，自己的育儿经验和产品偏好可以带来灵感，但一个功能是否值得做，还要看这种需求是否具有代表性。
Gamification｜游戏化
把等级、奖励、任务等游戏机制用于阅读或学习活动。节目提到升级、头像等奖励，也讨论了这些激励对长期阅读者的作用。孩子愿意回来使用产品，与阅读能力是否提高，需要分别观察。
Learning outcomes｜学习成果
指学习之后形成的知识、理解或能力。本期把实际学习成果与主观上的“我觉得学到了”放在一起讨论。阅读时长和完成页数可以提供线索，但还需要进一步判断，孩子理解了什么、能够运用什么。
Lexile measure｜蓝思值
蓝思体系用同一量尺描述读者的阅读能力和文本复杂度，帮助匹配读者与材料。文本复杂度的测量会考虑词频、句长等特征。它能辅助判断阅读难度；选择童书时，仍需考虑兴趣、主题与内容是否合适。蓝思官方说明
Cognitive load｜认知负荷
理解内容需要占用认知资源。主持人在本期提出这个概念，是为了追问，文字、声音、图片和互动如何安排，才更有利于孩子理解。多媒体学习研究也提醒，与学习目标无关的材料可能争夺注意力，因此增加互动时需要明确它帮助了什么。多媒体学习研究
Personalization｜个性化
根据学习者的情况调整内容或支持方式。本期把它具体化为几个选书问题。孩子喜欢什么？适合读多难的书？接下来还值得接触什么？这些判断可以来自算法，也可以来自教师和家长。
Filter bubble｜信息茧房
本期用这个词讨论阅读范围可能被推荐系统收窄的问题。孩子喜欢恐龙，平台就持续推荐恐龙，可能提高使用意愿，却未必帮助他接触更广的知识。嘉宾因此谈到书单、合集和成年人参与推荐的价值。
Content review｜内容审核
在本期讨论中，审核意味着有人在内容呈现给儿童之前检查其适宜性，并承担相应责任。嘉宾提出，AI 可以帮助内容制作，但生成之后如何检查、由谁确认，仍是产品需要回答的问题。这个讨论同时涉及出版社、平台和能够自行制作内容的家长。
在小宇宙查看该单集文稿[EP61英文原版]Phoebe｜对谈13岁的音乐创作者：AI 能写歌之后，我们为什么还要自己创作？
如果 AI 可以帮我们写歌词、编旋律，甚至完成一首歌，那我们为什么还要自己学着创作？亲手写出一首歌，对一个人来说，到底意味着什么？大家好，欢迎回到《教育AI智造者》。今天的嘉宾是吴菲比 (Phoebe Woo)，一位在这次访谈时刚满十三岁的创作歌手。她最近发行了首张专辑《Though You Cannot …
Notas do episódio
如果 AI 可以帮我们写歌词、编旋律，甚至完成一首歌，那我们为什么还要自己学着创作？亲手写出一首歌，对一个人来说，到底意味着什么？
大家好，欢迎回到《教育AI智造者》。
今天的嘉宾是吴菲比 (Phoebe Woo)，一位在这次访谈时刚满十三岁的创作歌手。她最近发行了首张专辑《Though You Cannot Hear》。我第一次见到她的时候，她才两岁；多年以后，她的音乐让我们重新建立了一种连接，也让我想认真听听：这些旋律和故事，是怎样从她的生活里长出来的。
在这场对话里，她会讲到，弹错的一个和弦，怎么成为一首歌的起点；搬家后的孤单，怎么慢慢变成歌词；还有，写歌怎么帮助她认识自己的感受，找到自己的声音。
她的音乐成长里，有和爸爸随时开始的即兴弹唱，也有小提琴训练带来的技术与结构。从演奏别人写好的音乐，到面对一首还不知道会长成什么样的歌，她需要练习放开，也需要给自己一些具体的安排：坐到钢琴前，留出时间，把突然出现的旋律录下来。灵感可以在意想不到的时候到来，但她也得为它准备一个能够停留的地方。
我们也会聊到 AI。Phoebe 会用它找韵脚，也试过让它提供歌名和创作灵感。她很清楚这些帮助的价值，同时也发现，选择多了以后，自己有时会忘记一首歌最初想表达什么。有一首受 AI 启发的歌，她写出了喜欢的开头，却始终没有被吸引着回去继续完成。这个具体的经历，让“AI 辅助创作的边界”变成了一个可以感受、可以讨论的问题。
另一个让我很有共鸣的话题，是品味。我们怎么知道，自己喜欢的东西，真的是自己喜欢的？Phoebe 坦诚地讲到，她也会因为学校里很多人喜欢一首歌，反复听、努力说服自己喜欢；买衣服的时候，也会越来越在意别人怎么看。认识自己的声音，原来还包括辨认那些已经进入我们脑海的外部声音。
这些故事也把我们的讨论带回了学习和教育。如果 AI 可以告诉我们步骤、提供更好的选项，甚至迅速交出一个完整的结果，那些需要亲自试错、修改、等待和作出选择的过程，还会带给我们什么？Phoebe 用爬山作了一个比喻：绕一点路，可能会让你看见不同的风景，也改变你最后看待山顶的方式。
这场对话最后把我带到了一个更深的问题：
当 AI 可以越来越像过去的我们，正在成长的我们，怎样继续发现自己的下一个声音？
收听说明：本期访谈原本以英文进行。中文版本中，主播部分由我重新录制，Phoebe 的部分根据英文原话翻译，并使用 AI 合成配音呈现。
内容大纲和爸爸一起即兴弹唱、从小学习小提琴：Phoebe 是怎样在音乐里长大的？
一场不愉快的生日派对，为什么让她开始写第一首真正想打动别人的歌？
演奏音乐和创作音乐，对她来说分别意味着什么？为什么自己的歌更容易建立连接？
从按谱演奏到自由写歌，最难放下的是什么？《The River Flows》怎样帮助她突破对固定结构的依赖？
从“我不可能写出一首歌”到发行专辑，她怎样给自己设定目标，又怎样面对无法控制的听众数量？
家人、声乐老师、写歌导师和学校音乐活动，怎样构成她的支持系统？别人的反馈怎样影响创作？
写歌与练剑道，怎样让我们看见自己在生活中的习惯、怀疑和选择？
从加州搬到西雅图后，孤单和想念怎样进入她的音乐？写歌怎样帮助她安放自己的感受？
《Today My Life Starts Over》是怎样从一次弹错和弦开始的？一首歌如何从和弦、旋律走到歌词？
灵感突然出现时，她怎样把它留下来？当一首歌迟迟写不完，又怎样决定继续、修改或暂时放下？
为什么“灵感来到”仍然需要努力？创作中的自我觉察，怎样帮助她找到适合自己的节奏？
从目标、练习、记录到反馈：人的学习与 AI 的训练，怎样启发主播重新理解创作过程？
当 AI 能列出写歌步骤、帮助生成作品时，创作过程中哪些体验仍然值得亲自经历？
Phoebe 为什么用爬山来比喻创作？有些弯路和困难，怎样改变我们与最终作品的关系？
找韵脚、想歌名、生成歌词：她觉得 AI 最有帮助的地方在哪里？又为什么有一首 AI 启发的歌始终没有继续写下去？
音乐品味是怎样形成的？为什么她爱听的音乐，和自己写出来的音乐很不一样？
当同龄人的喜好进入自己的判断，我们怎样分辨“我真的喜欢”和“我在努力说服自己喜欢”？
如果 AI 做出了一首完全像 Phoebe 风格的歌，她为什么仍然觉得那不是自己的作品？新学会的技巧又怎样带来新的创作？
如果一件作品没有发表、没有出名，甚至没有任何人喜欢，我们仍然可以成为创作者吗？
本期最重要的关键词：成为（Becoming）。
我们在创作中发现自己的感受，练习作出选择，也被那些尚未经历过的事情慢慢改变。下一首歌可能来自一个新学会的和弦、一次意外，或一个今天还说不清楚的念头。Phoebe 的故事提醒我：我们可以认真对待现在的自己，也给未来的自己留出空间。
关于 Phoebe 与本期提到的作品Phoebe Woo，创作歌手。她在本期分享了自己的音乐成长、写歌过程，以及对 AI、品味和创作自由的理解。
本期重点聊到的作品：
《Build Me a Heart》：她第一次认真尝试写出的歌；访谈时仍未完成。
《Today My Life Starts Over》：她用来讲解写歌过程的作品，起点来自一次弹奏中的意外。
《The River Flows》：她谈到放下固定歌曲结构时的重要例子，也是让我产生共鸣的一首歌。
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============
Singer-Songwriter｜创作歌手创作歌手同时参与歌曲的创作与演唱。对 Phoebe 来说，唱自己的歌意味着把自己的感受带到听众面前。她熟悉这些音乐从哪里来，也知道自己为什么想这样表达，因此能够与作品建立很直接的连接。
Self-Expression｜自我表达本期中，自我表达发生在她不断向内观察的过程中：我现在有什么感受？这段声音为什么让我有感觉？我想让这首歌走向哪里？搬家后的孤单、对过去生活的想念，都成为她理解自己、发展作品的起点。
Creative Process｜创作过程创作过程包括试着弹奏、犯错、发现新的声音、修改歌词，以及暂时放下一首歌。Phoebe 很珍惜这些经历，因为它们会影响作品最终成为的样子，也影响她听到自己的歌时所感受到的意义和满足。
Productive Struggle｜有成效的挣扎主播用这个词讨论那些能够带来发现的困难：暂时不知道该写什么，尝试后觉得不对，再修改、再寻找。本期关注的是这些过程怎样帮助创作者发展理解和判断。困难有没有价值，需要看它让人发现了什么、改变了什么。
Agency｜能动性能动性体现在一个人能够发起行动、作出选择，并根据自己的感受与反馈调整方向。Phoebe 给自己留出写歌时间、选择哪些建议适合自己的作品，也决定什么时候继续、什么时候放下。AI 可以参与提供帮助，这些选择仍然需要她自己作出。
Taste｜品味与判断力品味在本期中既包括“我喜欢听什么”，也包括“我觉得什么适合自己的作品”。Phoebe 发现，这两种判断可能很不一样。她也承认，家庭、同龄人和流行文化会影响自己的喜好，因此辨认品味需要持续观察自己的真实反应。
Self-Awareness｜自我觉察自我觉察是留意自己的感受、习惯和变化。Phoebe 知道自己晚上更容易产生灵感，也能感受到一首歌与自己连接起来或逐渐脱节的时刻。这些观察帮助她安排创作，也帮助她认识自己在成长中的变化。
Support System｜支持系统支持系统包括愿意陪伴、倾听、提供反馈的人，以及能够让创作者持续参与音乐的环境。家人、老师和学校的音乐活动，分别提供了不同的支持。Phoebe 也谈到，别人的反馈可能帮助她看见作品，也可能让她删掉自己原本喜欢的部分。
Chord Progression｜和弦进行和弦进行指一组和弦按一定顺序连接起来。在 Phoebe 的写歌方式里，她会先在钢琴上寻找自己喜欢的声音，再让旋律和歌词慢慢出现。《Today My Life Starts Over》的核心和弦进行，就来自一次弹奏中的意外发现。
Rhyme｜押韵押韵是词语在声音上的呼应。对 Phoebe 来说，寻找韵脚有时也会带出下一句歌词，甚至推动故事的发展。她觉得 AI 在提供押韵词方面很有帮助，同时会留意：借助这些选项以后，歌曲是否仍然沿着自己想表达的方向前进。
Flow｜心流与投入感节目结尾，主播用心流形容听到《The River Flows》时产生的投入和共鸣。它呼应了整场对话中的一个体验：当人愿意留出空间、跟随正在出现的感受，创作可能带来一种流动感。Phoebe 的分享也保留了修改、卡住和等待的另一面。
Becoming｜成为“成为”强调成长仍在发生。Phoebe 的每一首新歌，都可能反映新学会的技巧、新出现的感受，以及对自己更多一面的发现。她对下一首歌的期待，也提醒我们：可以从已有经验出发，同时保留探索尚未出现的自己的自由。
在小宇宙查看该单集文稿[EP61中文版]Phoebe｜对谈13岁的音乐创作者：AI 能写歌之后，我们为什么还要自己创作？
如果 AI 可以帮我们写歌词、编旋律，甚至完成一首歌，那我们为什么还要自己学着创作？亲手写出一首歌，对一个人来说，到底意味着什么？大家好，欢迎回到《教育AI智造者》。今天的嘉宾是吴菲比 (Phoebe Woo)，一位在这次访谈时刚满十三岁的创作歌手。她最近发行了首张专辑《Though You Cannot …
Notas do episódio
如果 AI 可以帮我们写歌词、编旋律，甚至完成一首歌，那我们为什么还要自己学着创作？亲手写出一首歌，对一个人来说，到底意味着什么？
大家好，欢迎回到《教育AI智造者》。
今天的嘉宾是吴菲比 (Phoebe Woo)，一位在这次访谈时刚满十三岁的创作歌手。她最近发行了首张专辑《Though You Cannot Hear》。我第一次见到她的时候，她才两岁；多年以后，她的音乐让我们重新建立了一种连接，也让我想认真听听：这些旋律和故事，是怎样从她的生活里长出来的。
在这场对话里，她会讲到，弹错的一个和弦，怎么成为一首歌的起点；搬家后的孤单，怎么慢慢变成歌词；还有，写歌怎么帮助她认识自己的感受，找到自己的声音。
她的音乐成长里，有和爸爸随时开始的即兴弹唱，也有小提琴训练带来的技术与结构。从演奏别人写好的音乐，到面对一首还不知道会长成什么样的歌，她需要练习放开，也需要给自己一些具体的安排：坐到钢琴前，留出时间，把突然出现的旋律录下来。灵感可以在意想不到的时候到来，但她也得为它准备一个能够停留的地方。
我们也会聊到 AI。Phoebe 会用它找韵脚，也试过让它提供歌名和创作灵感。她很清楚这些帮助的价值，同时也发现，选择多了以后，自己有时会忘记一首歌最初想表达什么。有一首受 AI 启发的歌，她写出了喜欢的开头，却始终没有被吸引着回去继续完成。这个具体的经历，让“AI 辅助创作的边界”变成了一个可以感受、可以讨论的问题。
另一个让我很有共鸣的话题，是品味。我们怎么知道，自己喜欢的东西，真的是自己喜欢的？Phoebe 坦诚地讲到，她也会因为学校里很多人喜欢一首歌，反复听、努力说服自己喜欢；买衣服的时候，也会越来越在意别人怎么看。认识自己的声音，原来还包括辨认那些已经进入我们脑海的外部声音。
这些故事也把我们的讨论带回了学习和教育。如果 AI 可以告诉我们步骤、提供更好的选项，甚至迅速交出一个完整的结果，那些需要亲自试错、修改、等待和作出选择的过程，还会带给我们什么？Phoebe 用爬山作了一个比喻：绕一点路，可能会让你看见不同的风景，也改变你最后看待山顶的方式。
这场对话最后把我带到了一个更深的问题：
当 AI 可以越来越像过去的我们，正在成长的我们，怎样继续发现自己的下一个声音？
收听说明：本期访谈原本以英文进行。中文版本中，主播部分由我重新录制，Phoebe 的部分根据英文原话翻译，并使用 AI 合成配音呈现。
内容大纲和爸爸一起即兴弹唱、从小学习小提琴：Phoebe 是怎样在音乐里长大的？
一场不愉快的生日派对，为什么让她开始写第一首真正想打动别人的歌？
演奏音乐和创作音乐，对她来说分别意味着什么？为什么自己的歌更容易建立连接？
从按谱演奏到自由写歌，最难放下的是什么？《The River Flows》怎样帮助她突破对固定结构的依赖？
从“我不可能写出一首歌”到发行专辑，她怎样给自己设定目标，又怎样面对无法控制的听众数量？
家人、声乐老师、写歌导师和学校音乐活动，怎样构成她的支持系统？别人的反馈怎样影响创作？
写歌与练剑道，怎样让我们看见自己在生活中的习惯、怀疑和选择？
从加州搬到西雅图后，孤单和想念怎样进入她的音乐？写歌怎样帮助她安放自己的感受？
《Today My Life Starts Over》是怎样从一次弹错和弦开始的？一首歌如何从和弦、旋律走到歌词？
灵感突然出现时，她怎样把它留下来？当一首歌迟迟写不完，又怎样决定继续、修改或暂时放下？
为什么“灵感来到”仍然需要努力？创作中的自我觉察，怎样帮助她找到适合自己的节奏？
从目标、练习、记录到反馈：人的学习与 AI 的训练，怎样启发主播重新理解创作过程？
当 AI 能列出写歌步骤、帮助生成作品时，创作过程中哪些体验仍然值得亲自经历？
Phoebe 为什么用爬山来比喻创作？有些弯路和困难，怎样改变我们与最终作品的关系？
找韵脚、想歌名、生成歌词：她觉得 AI 最有帮助的地方在哪里？又为什么有一首 AI 启发的歌始终没有继续写下去？
音乐品味是怎样形成的？为什么她爱听的音乐，和自己写出来的音乐很不一样？
当同龄人的喜好进入自己的判断，我们怎样分辨“我真的喜欢”和“我在努力说服自己喜欢”？
如果 AI 做出了一首完全像 Phoebe 风格的歌，她为什么仍然觉得那不是自己的作品？新学会的技巧又怎样带来新的创作？
如果一件作品没有发表、没有出名，甚至没有任何人喜欢，我们仍然可以成为创作者吗？
本期最重要的关键词：成为（Becoming）。
我们在创作中发现自己的感受，练习作出选择，也被那些尚未经历过的事情慢慢改变。下一首歌可能来自一个新学会的和弦、一次意外，或一个今天还说不清楚的念头。Phoebe 的故事提醒我：我们可以认真对待现在的自己，也给未来的自己留出空间。
关于 Phoebe 与本期提到的作品Phoebe Woo，创作歌手。她在本期分享了自己的音乐成长、写歌过程，以及对 AI、品味和创作自由的理解。
本期重点聊到的作品：
《Build Me a Heart》：她第一次认真尝试写出的歌；访谈时仍未完成。
《Today My Life Starts Over》：她用来讲解写歌过程的作品，起点来自一次弹奏中的意外。
《The River Flows》：她谈到放下固定歌曲结构时的重要例子，也是让我产生共鸣的一首歌。
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============
Singer-Songwriter｜创作歌手创作歌手同时参与歌曲的创作与演唱。对 Phoebe 来说，唱自己的歌意味着把自己的感受带到听众面前。她熟悉这些音乐从哪里来，也知道自己为什么想这样表达，因此能够与作品建立很直接的连接。
Self-Expression｜自我表达本期中，自我表达发生在她不断向内观察的过程中：我现在有什么感受？这段声音为什么让我有感觉？我想让这首歌走向哪里？搬家后的孤单、对过去生活的想念，都成为她理解自己、发展作品的起点。
Creative Process｜创作过程创作过程包括试着弹奏、犯错、发现新的声音、修改歌词，以及暂时放下一首歌。Phoebe 很珍惜这些经历，因为它们会影响作品最终成为的样子，也影响她听到自己的歌时所感受到的意义和满足。
Productive Struggle｜有成效的挣扎主播用这个词讨论那些能够带来发现的困难：暂时不知道该写什么，尝试后觉得不对，再修改、再寻找。本期关注的是这些过程怎样帮助创作者发展理解和判断。困难有没有价值，需要看它让人发现了什么、改变了什么。
Agency｜能动性能动性体现在一个人能够发起行动、作出选择，并根据自己的感受与反馈调整方向。Phoebe 给自己留出写歌时间、选择哪些建议适合自己的作品，也决定什么时候继续、什么时候放下。AI 可以参与提供帮助，这些选择仍然需要她自己作出。
Taste｜品味与判断力品味在本期中既包括“我喜欢听什么”，也包括“我觉得什么适合自己的作品”。Phoebe 发现，这两种判断可能很不一样。她也承认，家庭、同龄人和流行文化会影响自己的喜好，因此辨认品味需要持续观察自己的真实反应。
Self-Awareness｜自我觉察自我觉察是留意自己的感受、习惯和变化。Phoebe 知道自己晚上更容易产生灵感，也能感受到一首歌与自己连接起来或逐渐脱节的时刻。这些观察帮助她安排创作，也帮助她认识自己在成长中的变化。
Support System｜支持系统支持系统包括愿意陪伴、倾听、提供反馈的人，以及能够让创作者持续参与音乐的环境。家人、老师和学校的音乐活动，分别提供了不同的支持。Phoebe 也谈到，别人的反馈可能帮助她看见作品，也可能让她删掉自己原本喜欢的部分。
Chord Progression｜和弦进行和弦进行指一组和弦按一定顺序连接起来。在 Phoebe 的写歌方式里，她会先在钢琴上寻找自己喜欢的声音，再让旋律和歌词慢慢出现。《Today My Life Starts Over》的核心和弦进行，就来自一次弹奏中的意外发现。
Rhyme｜押韵押韵是词语在声音上的呼应。对 Phoebe 来说，寻找韵脚有时也会带出下一句歌词，甚至推动故事的发展。她觉得 AI 在提供押韵词方面很有帮助，同时会留意：借助这些选项以后，歌曲是否仍然沿着自己想表达的方向前进。
Flow｜心流与投入感节目结尾，主播用心流形容听到《The River Flows》时产生的投入和共鸣。它呼应了整场对话中的一个体验：当人愿意留出空间、跟随正在出现的感受，创作可能带来一种流动感。Phoebe 的分享也保留了修改、卡住和等待的另一面。
Becoming｜成为“成为”强调成长仍在发生。Phoebe 的每一首新歌，都可能反映新学会的技巧、新出现的感受，以及对自己更多一面的发现。她对下一首歌的期待，也提醒我们：可以从已有经验出发，同时保留探索尚未出现的自己的自由。
在小宇宙查看该单集文稿[EP60]伊伊子思考中 | 做了近 40 个教育 App，为什么它们越来越像？
欢迎回到《教育AI智造者》。过去一年多，我做了接近 40 个和教育有关的 App。从照片学英语，到视频学习、阅读解题和作文修改，入口各不相同，底下的动作却越来越相似：解释、比较、回想、练习、反馈。起初，我担心自己只是在换一种包装，重复做同一个产品。后来，这种重复让我开始追问：人与信息之间真正有学习意义的互动，是否存在一些可以被识别、组合和复用的基本动作？这一期单口，我想聊聊这个问题怎样改变了我对学习产品的理解。我把这些 …
Notas do episódio
欢迎回到《教育AI智造者》。
过去一年多，我做了接近 40 个和教育有关的 App。从照片学英语，到视频学习、阅读解题和作文修改，入口各不相同，底下的动作却越来越相似：解释、比较、回想、练习、反馈。
起初，我担心自己只是在换一种包装，重复做同一个产品。后来，这种重复让我开始追问：人与信息之间真正有学习意义的互动，是否存在一些可以被识别、组合和复用的基本动作？
这一期单口，我想聊聊这个问题怎样改变了我对学习产品的理解。
我把这些基本动作称为“教学原语”，把能够保留回答、修改和思考过程的对象称为“互动学习载体”。当 AI 已经可以根据一句要求修改软件，学习者也可能参与设计自己的学习环境：先隐藏答案、晚一点给提示、保留第一次尝试，或者换一个真实场景继续练习。
Paper2Agent 和 UI for Agent 给了我进一步的启发：研究方法可以成为 Agent 调用的能力，界面也可以围绕眼前的任务生成。但在我的设想里，两者之间仍然需要有人作出教学判断：什么时候该调用哪一种能力，哪些工作必须由学习者自己完成，留下的结果又能说明什么。
当 AI 越来越擅长生成内容、工具和界面，我们怎样判断，一个人真的学会了什么？
我也会谈到，为什么我更愿意从一个服务老师、学习设计者和教育产品开发者的设计工作台开始，逐渐把真实体验里成立的判断，变成可以复用、检验和修改的能力。
本期聊到
做了近 40 个教育 App，为什么它们的互动方式越来越像？
“比较”和“回想”怎样才能成为真正的教学动作？
一篇文章、一段视频，怎样成为可以持续修改的学习载体？
当学习者能够边用边改 App，产品设计会发生什么变化？
Paper2Agent 对“把教学知识变成可执行能力”有什么启发？
UI for Agent 怎样让聊天之外的学习互动成为可能？
为什么动态生成界面，不等于动态教学？
看过提示后答对，与独立完成，应该怎样区分？
我提出的“教学编译层”，需要作出哪些判断？
为什么我想先做设计工作台，以及怎样从真实体验中积累能力？
本期核心关键词：互动学习载体
一份材料可以持续承载你的回答、证据、修改和新尝试。下一次学习，就从这些已经留下的东西继续开始。
-----------------------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============
Pedagogical Primitives｜教学原语
我在反复制作教育产品的过程中，为比较、回想、解释、连接、修改等基本教学动作定义的一套设计语言。每个动作都需要说明：让学习者做什么、何时提供帮助，以及留下什么结果。例如，“比较”需要明确比较的维度和学习者要作出的判断。
Interactive Learning Artifact｜互动学习载体
围绕同一个学习对象，持续保留行动、反馈和修改的载体。一篇文章可以逐渐积累你的证据标注、解释、反驳和新案例；一段英语表达可以保留第一次尝试、提示和后续修改。先前留下的东西，会成为下一步学习的材料。
Agent｜智能体
能够围绕任务调用工具、执行步骤并利用结果继续工作的 AI 系统。在本期的设想中，Agent 可以组织材料、调用教学能力、生成练习界面。不过，会调用工具，并不代表它已经知道某种互动适不适合眼前的学习者。
AI coding｜AI 辅助编程
通过自然语言让 AI 编写和修改软件。在本期中，它带来的变化是：学习者可以对正在使用的工具提出设计要求，例如隐藏范例、调整提示、增加对照练习，让学习环境在使用过程中继续改变。
Paper2Agent｜让论文中的方法成为可调用能力
一个分析研究论文及相关代码，将其中的方法转化为 Agent 可调用工具，并通过测试检查工具的框架。它给我的启发是：教学原则也需要进一步明确输入、步骤、适用条件和检查方式，才有机会成为可执行的教学能力。论文介绍
MCP（Model Context Protocol）｜模型上下文协议
一套让 AI 应用连接外部工具和资源的统一协议。在本期的讨论中，可以把它理解为把能力交给 Agent 使用的接口。接口解决的是能力怎样被访问；至于什么时候适合调用、结果是否具有教学意义，还需要另外作出判断。
UI for Agent / UI4A｜面向 Agent 的交互界面
本期通过 Macaron Artifacts 讨论的一种界面生成方向：Agent 围绕当前任务生成可操作的页面，用户的选择、输入和修改再进入后续工作流程。对应到学习场景，人可以直接标注、排列和比较材料，让自己的判断成为可继续处理的对象。项目链接
Retrieval Practice｜提取练习
暂时不看答案，尝试从记忆中调取并表达已经学过的内容。例如隐藏英语范例，让自己先说一次。本期特别关注完成时的条件：独立回想、得到提示后完成、照着答案复述，应当分别记录，不能都算作同一种掌握。
Scaffolding｜学习支架
为帮助学习者完成当前任务而提供的临时支持，例如关键词、回应结构、分层提示或示例。在本期的设计中，支架需要能够逐渐撤去，也要记录使用情况，才能观察学习者在帮助减少以后，还能独立完成哪些部分。
Transfer｜迁移应用
把学过的概念或能力用到发生变化的情境中。例如练过一种会议回应后，再面对不同对象、更强硬的追问或新的工作场景。迁移练习需要改变情境，同时保留要观察的目标能力，帮助区分照着原例完成和独立使用。
Learning Evidence｜学习证据
用来支持学习判断的具体记录，例如第一次回答、使用过的提示、修改理由，以及换一个情境后的表现。证据需要连同产生它的条件一起理解：答对一道题可以说明这次作答正确，但还不足以直接推出“已经独立掌握”。
Pedagogical Compiler｜教学编译层
我提出的一种设计设想：把学习目的翻译成可以执行、观察和修改的互动结构。它需要先明确学习者要完成什么、哪些判断必须自己作出、系统可以提供多少帮助，以及结果能支持什么结论，再选择教学动作和界面。
Design Workbench｜设计工作台
我设想中优先服务老师、学习设计者和教育产品开发者的工具。设计者可以带入材料、原型或用户反馈，与 Agent 一起明确学习任务、比较互动方案，再把“保留第一次回答”“独立尝试前不展示答案”等要求落实为可运行的原型。
Experience to Capability｜从体验到能力
先把一次真实学习体验做好，再提取其中稳定、可复现、可检查的部分，变成 Agent 能够复用的能力。这个过程也需要积累失败：在哪些材料上不适用、容易造成什么误判、什么时候应该停止使用，都应当进入能力的说明。
Make Everything Teachable｜让任何事物都可以成为学习的起点
本期最后提出的产品愿景：一篇文章、一段视频、一份草稿，甚至一次真实交流中的失败，都可以围绕学习者的目的继续加工。关键在于让人能够采取行动、得到回应、保留修改，并带着已有的结果进入下一步。
在小宇宙查看该单集文稿[EP59]Robert | 这位高中生用Codex为自己做了一个 PBL(项目制学习)AI 导师
大家好，欢迎回到《教育 AI 智造者》。今天的嘉宾 Robert 是一位十七岁的高中生：他在北京一所国际学校读高三，是学生会主席、AI 社团社长，也是 Roto 的创始人。Roto 想做的，是陪学生完成研究性项目与项目式学习（PBL）的 AI Mentor——从兴趣、选题和计划，到任务推进、反馈、修改与最终产出。这期对谈从一个不那么体面的起点开始。Robert 最早使用 …
Notas do episódio
大家好，欢迎回到《教育 AI 智造者》。
今天的嘉宾 Robert 是一位十七岁的高中生：他在北京一所国际学校读高三，是学生会主席、AI 社团社长，也是 Roto 的创始人。Roto 想做的，是陪学生完成研究性项目与项目式学习（PBL）的 AI Mentor——从兴趣、选题和计划，到任务推进、反馈、修改与最终产出。
这期对谈从一个不那么体面的起点开始。Robert 最早使用 ChatGPT，是为了处理自己不喜欢、却必须提交的作业。后来，他在学校研究项目里第一次真正感到：当学习不再是老师拆好的任务，而是要自己提出问题、找资料、安排时间、面对硬截止日期时，AI 的意义不该只是帮人赶上某一个 deadline。
他观察到，许多学生已经在用 AI 找文献、改大纲、润色文本，甚至直接生成内容；但这些帮助往往散落在聊天窗口、文档与搜索结果之间。学生完成了一个节点，却不一定理解一整个项目如何推进。Roto 因此不想成为另一个通用聊天框，而是尝试把零散的帮助组织成一段可回看、可修改、由学生参与主导的学习过程。
我们也细聊了 Robert 怎样在没有编程背景的情况下，和产品导师、Codex 一起把想法做成网站。他不会直接要求 AI“做一个产品”，而是先写清自己要解决的问题、预期体验与功能流程，再请 AI 解释技术方案、指出风险，最后才进入开发与测试。对他而言，AI 的执行可以很快，但问题是否值得解决、功能是否适合学生、结果是否符合预期，仍然需要人来定义和判断。
这也让 Roto 在开发中出现了一个重要转折。Robert 原本希望 AI 能够全程陪伴和主导；但真正考虑学校落地时，他发现真人教师依然不可缺少。教师不只是监督学生，也需要监督 AI 的任务、反馈和对现实可行性的判断。AI 可以帮助学生前进，却很难独自为一个学生是否真的理解、是否持续投入、是否能对成果负责作保证。
所以，这期节目表面上在讨论“一个高中生如何用 AI 做教育产品”，更深处讨论的其实是：
当 AI 可以把资料、建议、代码与方案变得越来越便宜时，学生怎样保留发起问题、作出选择、理解证据与承担结果的权利？
内容大纲
- Robert 会怎样向第一次见面的人介绍自己？他最早为什么会用 ChatGPT 帮忙完成作业？
- 从直接代做，到找文献、搭大纲和准备展示：他的 AI 使用方式为什么变了？
- EPQ（Extended Project Qualification）怎样让一位高中生第一次面对大学式的自主研究、硬截止日期与不确定性？
- 为什么“让 AI 帮我完成一个 deadline”，不等于“我学会了如何完成一个项目”？
- Roto 是什么？它怎样从兴趣发现、选题、计划一路陪学生走到论文或项目产出？
- 一个学生为什么会在多个聊天窗口、文档和搜索结果之间来回切换？Roto 想改变的到底是什么？
- 不会编程的 Robert，怎样和产品导师、Codex 一起把学习流程做成一个网站？
- 为什么他会先写文档、说清目标、要求 AI 给方案，再让 AI 进入开发？
- 当网站能跑起来时，谁来判断它的学习逻辑是否正确、是否真的适合学生？
- Roto 为什么从“AI 全程主导”转向必须让真人教师出现？
- 老师在 AI 项目式学习里要监督什么：学生、任务、反馈，还是 AI 的乐观判断？
- AI 帮找文献、想课题、拆 16 周计划、直接写报告，边界分别在哪里？
- 怎样判断一个项目仍然是学生自己的？哪些关键动作不能被交出去？
- AI 是否真的能让昂贵的导师式学习变得普惠？它又不能解决哪些资源差距？
- 从 access to AI 到把 AI 变成 leverage：当人人都有工具之后，新的优势会转移到哪里？
- 为什么 Robert 说“今天挖 A、明天挖 B、后天挖 C”，即使挖得更快也未必能找到水？
- 学生能否从课外活动和课程的消费者，变成自己学习过程的设计者与创造者？
- 如果学校为学生项目做“加法”，它可以怎样让学生的作品真正服务校园与社区？
本期最重要的关键词：主导力、关键动作、学习过程、真人监督。
AI 可以降低执行成本，也可以给学生更多选择；但它不会自动替学生选择值得投入的问题，更不能替学生理解证据或为成果负责。Roto 所尝试的，是把 AI 放进一个学生仍能发起、质疑、修改和承担结果的学习过程中。
-----------------------关于 Robert / Roto----------------------
-----------------------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============
Project-Based Learning（PBL）｜项目式学习
PBL 不是把一个作业换成“项目”这个名字。在本期的语境里，它要求学习者围绕一个问题持续行动：提出方向、作出选择、搜集证据、完成任务、接受反馈并修正。Roto 试图承接的是这段过程，而不是只在最后替学生交付一份漂亮的产出。
Extended Project Qualification（EPQ）｜拓展项目资格课程
EPQ 是 Robert 在学校参与的一项研究性项目课程。对他而言，它提供了一次接近大学自主研究的预演：学生需要提出课题、完成 proposal、做初步研究，并在固定截止日期下持续推进。它也是 Roto 最直接的个人经验来源。
AI Mentor｜AI 导师
AI Mentor 可以持续提问、协助计划、解释任务、给出初步建议。但它不是自动驾驶的真人导师替代品。本期的关键发现是：当任务牵涉现实可行性、学习质量、反馈校准和持续投入时，AI 的建议仍需要学生与教师共同审视。
Learning Process Design｜学习过程设计
学习过程设计关注的不是“最后交出什么”，而是学习者如何从兴趣走到可执行的问题，怎样被要求表达、选择、行动、回顾和修改。Roto 的产品逻辑不是把功能堆在一起，而是试图让这些步骤形成可见、可调整的路径。
Formative Assessment｜形成性评估
形成性评估发生在学习过程中。它不只在最后用一份报告或一次考试判断结果，而是通过学生的选择、解释、修改、阶段任务和反馈，看见理解怎样发展。在本期的讨论中，它也是防止 AI 只替学生产出答案的一种可能机制。
Human-in-the-Loop｜人在回路中
人在回路中不是让教师在 AI 做完后机械地点一次“确认”。在 Roto 的设想中，学生要保留表达兴趣、作出重要选择、理解证据、修改计划和为成果负责的动作；教师则需要检查任务是否可行、反馈是否可靠，以及 AI 是否过度乐观。
Critical Actions｜关键动作
Robert 用“关键动作”来划定 AI 辅助的边界。AI 可以给选项、推荐资料、拆分计划或提示问题；但学生需要真正决定选什么、为什么这样改、是否理解证据，以及是否愿意对最后展示负责。关键不在于 AI 被用了多少次，而在于这些动作有没有被保留。
Access to AI｜接触 AI 的机会
这指一个人是否有账号、设备、网络和合适的工具可以使用 AI。Robert 认为，这仍然重要，但它不再足以解释全部差距：当工具更普及后，问题会继续转向人是否知道如何使用它。
AI Leverage｜把 AI 变成杠杆的能力
AI leverage 不是会写几个提示词，而是能把工具嵌入一个真实目标：提出好问题，辨别答案，持续推进，根据反馈修正，并让 AI 承担适合它的执行工作。它依赖主动性、判断力、时间和环境支持，因此不会因为工具可用而自动平均分配。
Agency｜主导力 / 主体性
本期反复出现的核心概念。它不只是自律地把任务做完，而是能主动发现问题、选择方向、承担选择的后果，并在反馈出现后调整。对 Robert 来说，AI 越容易获得，人的主导力越成为稀缺而重要的能力。
Creator｜创造者 / 共同设计者
Robert 描述自己从教育体验的消费者逐渐变成创造者：不只接受别人设计好的课程和活动，也尝试设计一个服务学习的产品，并在测试、删改和取舍中学习。节目最后把这个想法延伸到学校：学生的项目可以成为服务校园和社区的真实作品，而不只是一项履历材料。
在小宇宙查看该单集文稿[EP58]Zhihao| 从自动科研到世界模型：教育为什么需要更好的反馈？
大家好，欢迎回到《教育AI智造者》。当 AI 可以在几秒内给出一份调研、一个研究路径、一段代码，甚至一个看起来完整的解释时，“得到答案”正在变得前所未有地容易。但这也让另一个问题变得更尖锐：我们究竟是在搜索已经存在的知识，还是在做研究？AI 替我们把事情完成，和我们真正理解其中的判断与证据，之间又差了什么？这一期，我们邀请到Zhihao。他目前在香港中文大学攻读 AI 方向博士，关注具身智能中的 …
Notas do episódio
大家好，欢迎回到《教育AI智造者》。
当 AI 可以在几秒内给出一份调研、一个研究路径、一段代码，甚至一个看起来完整的解释时，“得到答案”正在变得前所未有地容易。但这也让另一个问题变得更尖锐：我们究竟是在搜索已经存在的知识，还是在做研究？AI 替我们把事情完成，和我们真正理解其中的判断与证据，之间又差了什么？
这一期，我们邀请到Zhihao。他目前在香港中文大学攻读 AI 方向博士，关注具身智能中的 self-evolving agent（自我进化智能体）与 world model（世界模型），也做过自动化科研相关的开源实践。对他来说，研究不是某一类人专属的神秘活动，而是一个持续提出假设、寻找证据、验证并消除不确定性的过程；产品、工程和教育，也都可能有同样的结构。
对谈从Auto Research讲起：让智能体自动科研，真正困难的不只是让它“会做事”，而是定义一个可信的评估器。模型能力不足，或评估信号偏离目标，都会让自我优化朝错误方向加速。于是，研究品味（research taste）不再只是抽象的审美：它落在什么问题值得做、什么指标算进步、哪些反馈必须由人介入。
我们也把这个问题带到教育。数学和编程相对容易验证，教育中的学习、兴趣、情绪与认知变化却很难被简单的点击量、观看时长或一次考试完全捕捉。面对难以操作化的反馈信号，技术可以提供新的观察和模拟工具，但教师的判断、学习者的自我觉察，以及对“什么才算学会”的持续追问，仍然不能被一个漂亮的指标替代。
后半段，我们聊到世界模型：它不只是生成逼真视频，也不等于模型能用文字描述“杯子掉到地上会碎”。在本期采用的理解里，一个更完整的世界模型需要能推演状态变化、将状态渲染为可观察的画面，并根据目标输出行动。它之所以令人兴奋，是因为仿真环境或许能让机器人和智能体以更低成本反复试错；它之所以仍然困难，是因为物理世界的数据远比数字世界稀缺，真实世界的状态也远比表面画面复杂。
这期节目表面上讨论的是自动科研与世界模型，更深处讨论的其实是：
当 AI 的杠杆越来越长，我们如何不只是把判断外包出去，而是借它更清楚地认识问题、认识证据，也认识自己？
内容大纲
- 为什么Zhihao会从自己的科研需求出发，做自动化科研相关的开源项目？
- 搜索（search）和研究（research）的边界在哪里？“互联网上已经有答案”和“需要产生新知识”有什么区别？
- 对陌生问题先问 AI：这是效率提升，还是探索模型能力边界的一种方法？
- AI 已经替你总结论文之后，怎样避免“我以为我懂了”？
- 如何用自己的知识框架、Notion 或 Obsidian，让 AI 的信息进入而不是取代你的理解？
- 为什么复述、重讲和费曼学习法，仍然是检验理解的必要动作？
- Auto Research 自动化的到底是什么？评估器、搜索策略与人类介入分别承担什么角色？
- 基础模型能力与评估器质量，为什么是自我进化智能体的两条边界条件？
- “研究品味”如何具体地体现在定义问题、设定指标和判断方向上？
- 教育中的总结性评估与形成性评估，怎样对应不同类型的反馈信号？
- 点击、停留时长和完成率，为什么不能直接等同于学习真的发生了？
- 当教育中的兴趣、情绪和认知过程难以观测时，传感器与脑机接口可能提供什么，又不能替代什么？
- 为什么具身智能和机器人比数字世界里的 AI 更难做？物理数据为什么稀缺？
- 在本期的定义中，世界模型为什么需要状态预测、渲染与策略（policy）三种能力？
- 语言模型、视觉生成模型与世界模型：它们分别能描述、渲染或推演什么？
- 世界模型如果足够成熟，能否降低科学试错和探索式教育的门槛？
- 给普通听众的三个行动入口：尽快用 AI、搭建自己的知识体系、进入真实的 AI 社群与协作环境。
本期最重要的关键词：评估器（Evaluator）。它不只是给结果打分的工具，而是在决定一个智能体、一个研究流程，甚至一个学习系统会朝什么方向优化。
-----------------------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============
Research｜研究
本期中，研究不是单纯找到现成答案，而是围绕一个尚未被充分解决的问题提出假设、设计验证，并逐步减少不确定性。搜索可以是研究的一环，但当答案只存在于已有资料中时，它本身还不等同于研究。
Search｜搜索
搜索是在已有信息、文献和经验中定位答案或线索。在 AI 时代，它可以极大缩短进入陌生领域的时间；但它提供的是已有知识的入口，不能自动保证问题本身新颖，也不能替代验证。
Auto Research｜自动化科研
让智能体参与资料搜集、提出方案、写代码、运行实验、读取反馈并迭代的工作流。本期的重点是：它能否成立，取决于模型能力、反馈质量以及研究者是否定义了真正值得优化的问题。
Self-Evolving Agent｜自我进化智能体
指能够在反馈回路中改进自身行为或能力的智能体。它不仅用 AI 做研究，也可能让智能体依据生成的轨迹与评估信号，在特定领域中进一步优化自身。
Evaluator｜评估器
评估器把“做得更好”转成可用的反馈信号。编程和数学往往有相对清晰的测试或答案；在开放研究、教育和现实任务中，评估器更难定义，也因此更需要人的判断与研究品味。
Human in the Loop｜人在回路中
人在关键节点审查方向、修正不合适的方案、解释例外的参与方式。它不意味着人要手工完成全部工作，而是把人的注意力保留给目标、边界、价值与不可轻率自动化的判断。
Research Taste｜研究品味
本期里，它是一种综合能力：能提出重要而有趣的问题，形成有价值的假设，设计验证，并在反馈中快速迭代。它可以经由研究训练增强，而不是少数人的天赋标签。
Formative Assessment｜形成性评估
发生在学习过程中的反馈，例如学习任务、解释、修改与阶段性产出。它的目的不是只在最后判定对错，而是帮助学习者和教师理解下一步应如何调整；简单行为数据可以提供线索，却不能自动等同于理解。
Summative Assessment｜总结性评估
通常在一个阶段结束时判断成果，例如考试分数或最终作品。它便于得到相对清楚的结果信号，但若只依赖它，往往无法看见学习在过程中的困难、兴趣和变化。
Embodied AI｜具身智能
让 AI 在机器人或其他物理载体中感知、行动和学习的方向。它面对真实世界中的摩擦、对象变化、失败恢复和数据收集，因此不能简单照搬数字世界的数据规模和训练方式。
World Model｜世界模型
本期借用的理解是：系统能根据当前状态与动作预测下一状态，将状态渲染为人可理解的观察，并根据目标输出行动。这个定义比“生成一个逼真画面”更严格；它仍是快速发展、尚有许多技术边界的方向。
State｜世界状态
指系统中与任务相关的真实条件，而不仅是文字描述或一张图像。例如物体的位置、速度、接触关系和任务是否成功，都可能属于状态。能否可靠地从有限观察中推断状态，是世界模型的核心困难之一。
Policy｜策略
在一个目标和当前状态下，决定下一步采取什么动作的规则或模型。世界模型若只能展示或预测，而不能帮助选择行动，仍不能完整承担具身任务中的决策角色。
Simulation｜仿真
在可控环境中模拟世界变化，以较低成本重复实验、恢复初始状态并比较方案。它可以扩展试错的规模，但仿真与真实世界之间的差异，仍需要谨慎验证。
Synthetic User｜仿真用户
用 AI 生成或模拟的用户，用于探索产品可能的交互路径。本期中的例子是模拟学生使用学习网站；它可协助测试假设，却不能直接证明真实学生已经发生了同样的认知与情感变化。
在小宇宙查看该单集文稿[EP57]伊伊子思考中|一个没有发布的教育操作系统，如何改变了我对开源的理解？
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 …
Notas do episódio
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[EP56] Xichen｜AI 进入项目式学习(PBL)：该自动化什么，不该自动化什么？
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 …
Notas do episódio
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[EP56英文纯享版] Thomas | 被扎克伯格基金会投资的AI教育公司，怎么把「好的教学」做进 AI？
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 …
Notas do episódio
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[EP56] Thomas | 被扎克伯格基金会投资的AI教育公司，怎么把「好的教学」做进 AI？
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 …
Notas do episódio
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[EP55]伊伊子思考中 | AI 时代的一人教育公司，会是什么样子？
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 …
Notas do episódio
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[EP54]伊伊子思考中 | Learning Process Design：为什么 AI 工程，开始越来越像教育？
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、 …
Notas do episódio
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！
Claude for Teachers（面向教师的 Claude）
------------------------📚 本期关键词------------------------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[EP53]李老师 | GPT 成了我的神？一位老师如何重新理解教学
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。 📮 …
Notas do episódio
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
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 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
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
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
ChatGPT 为什么总会写错代码
如何一步步定位问题，而不是放弃
Debug 的过程，其实也是学习计算思维的过程
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
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[EP52] 西西老师 |从PPT到HTML：有了AI，老师为什么要重做知识呈现？
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 …
Notas do episódio
Hello 大家好，欢迎来到《教育AI智造者》。
这是《教育人与 Vibe Coding》系列的第二期。
过去一年，我们看到很多老师开始用 AI 做 PPT、写教案、出题、批改作业。但这一期的嘉宾西西老师，让我开始思考另一个问题：当 AI 让内容生产变得越来越容易之后，老师真正需要优化的还是内容吗？
作为一名高中教师，西西老师并没有满足于让 AI 帮她更快地制作 PPT。相反，她开始尝试一种更奇怪的方式：用 HTML 做课件。
最开始，这听起来像是一次技术升级。但随着聊天深入，我发现她真正关心的从来不是技术。她关心的是：
为什么学生总是在拍 PPT，而不是听课？
为什么有些内容明明讲了很多遍，学生还是记不住？
为什么课堂上最稀缺的资源，往往不是知识，而是注意力？
而当她开始使用 Vibe Coding 制作课件之后，她逐渐意识到：课件不仅仅是内容的载体。它本身就是一种教学设计, 一种知识组织方式, 甚至是一种学习体验。
于是，我们从 HTML 课件聊到教学法，从教学法聊到学习支架（Scaffolding），又从学习支架聊到未来是否可能出现没有老师讲解的教学系统。
在这期对话里，我们一起讨论：
• 为什么 HTML 可能比 PPT 更适合未来课堂？
• AI 改变的究竟是内容生产，还是内容呈现？
• 什么样的课堂设计能够真正提高学生参与度（Engagement）？
• 为什么老师最重要的工作越来越不是制作内容？
• 当 AI 可以生成课件之后，教学设计会变得更重要吗？
如果你是一位老师、教育产品从业者，或者正在思考 AI 如何改变学习体验。
这一期或许会提供一个值得关注的视角：AI 的价值可能不仅是帮助我们更快地创造内容。更重要的是，它让更多老师开始重新设计学习发生的方式。
🧭 内容大纲🎒 从 PPT 到 Vibe Coding为什么开始放弃传统 PPT
HTML 课件带来的新可能
AI 如何改变备课流程
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
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
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
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
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
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[EP51] D老师｜不会编程的英语老师，如何用AI做出了自己的教学系统？
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 …
Notas do episódio
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
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
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
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
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
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”
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
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 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[EP50]小杭| 博士生的她用vibe coding，开源“学习变游戏”这件事
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 …
Notas do episódio
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？
- 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
- 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
- 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
- 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
- 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”
- 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
- 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
- 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[EP49]Winnie Han| 计算机教授如何重塑评估体系， 以及AI时代，我们到底在评估什么？
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 …
Notas do episódio
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
- 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 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
- “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
- 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
- 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
- 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”
- 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[EP48]Jason Dou|哈佛博士后教育创业培养AI领导力，AI时代谁会真正脱颖而出？
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 …
Notas do episódio
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
- 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
- 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
- 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
- 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
- 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
- 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[EP47]Liang | 当视频生成遇见 Learning Analytics：一个人如何挑战教育系统？
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 …
Notas do episódio
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
- 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
- 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
- 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
- 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
- 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[EP46]ChatGPT| 我和AI录了这期播客，聊聊谁在思考和定义未来教育
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 …
Notas do episódio
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[EP45]25年年度复盘：加速正在被加速， 教育AI的四条生存线索
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 …
Notas do episódio
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[EP44中文版]Jason Green|20年教育人，如何带领“以教学法为核心”的 AI 公司生长
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 …
Notas do episódio
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
- 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
- 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
- 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
- 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
- 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
- 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”
- 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
- 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”
- 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
- 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
- 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
- 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
- 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
- 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[EP44英文原版]Jason Green|20年教育人，如何带领“以教学法为核心”的 AI 公司生长
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 …
Notas do episódio
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
- 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
- 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
- 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
- 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
- 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
- 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”
- 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
- 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”
- 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
- 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
- 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
- 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
- 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
- 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[EP43] 高寒 | 走完 0→1 之后，教育 AI 创业真正难的是什么？
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 …
Notas do episódio
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？
- 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
- 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
- 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
- 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
- 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
- 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
- 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”
- 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
- 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。
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。
6. 现金流节奏（Cashflow Tempo）
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。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。
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。
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）
本期的残酷共识是：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。
9. To VC 模式（Venture-Driven Path）
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。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。
指某一 AI 功能在工程上是否容易被复制。
11. 场景适配（Context Fit）
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。技术 × 用户 × 付费机制 × 使用频率的整体匹配度。
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
本期反复出现的判断是：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
一种新的创作范式：
14. 表达型红利（Expression Leverage）
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。指 AI 工具显著降低“把想法讲清楚”的成本。
15. 情绪控制（Emotional Regulation）
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。在高不确定环境中保持判断力的能力。
情绪控制不一定让你成功，但能显著降低失败概率。
节目最后给出的现实结论是：
在小宇宙查看该单集文稿[EP42]马君｜为什么一位硅谷工程经理，选择用 AI 重新设计亲子沟通
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 …
Notas do episódio
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
- 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
- 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
- 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
- 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
- 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
- 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
- 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
- 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[EP41]Karen｜教育人的一人公司为什么更难？100场线下工作坊带来的指南
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 …
Notas do episódio
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？
- 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。
- 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）
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
- 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。
- 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
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
- 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
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”
- 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[EP40]Xiaoxue |从政策与产品到课堂, 如何系统掌握教师AI素养
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 …
Notas do episódio
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[EP39]陈老师|从课堂到社群：教师如何成为AI时代的连接者
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 …
Notas do episódio
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[EP38] Jade｜程序员+老师，我们是如何共创一门“不可被自动化”的跨学科课？
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 → …
Notas do episódio
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
1️⃣ 从理念到原型：课程开发的起点
🧭内容大纲- 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？
- 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
- 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”
- 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 moment
- 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
- “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？
- 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
- 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
---------------近期伊伊子想做的一些事情-----------------
最近，随着大家对 AI 与教育的热情逐渐高涨，越来越多的朋友开始打造属于自己的 AI 教育工具。我也在小红书上分享了三个基于 AI 辅助编程、从零开始制作的教学工具，包括：作文批改“神器”、历史可视化以及数学公式可视化师生端等，大家都反馈非常好。
随后，我也逐渐在小红书开启了直播，手把手展示如何与 AI 一起头脑风暴并完成相关的编程。许多观众向我反馈，认为这是一个从“不了解”到“掌握”的清晰过程，帮助他们一步步地解构并去神秘化教育 AI 产品的研发，也让他们感受到“自己做得到”。
接下来，会开始做专题圆桌讨论，内容涵盖如何开发相关产品、国内外的产品对比分析，以及关于产品增长、推广和商业化的头脑风暴。如果你对此感兴趣，可以添加微信(yiyizihere)；我也会在群里更新讨论时间和内容。此外，欢迎加入我的小红书海外 AI 讨论群，期待与你们进行思维上的碰撞!
-----------------------关于伊伊子----------------------
伊伊子的小红书传送门
----------------------关于听友群-----------------------
如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊
请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！--------------------相关词介绍-------------------
1. 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
Aqui estão os 40 episódios mais recentes de 71. Os mais antigos estão no feed do podcast.
Podcasts parecidos
Mais podcasts de Educação
Este podcast é seu?
Confirme com uma entrada no seu feed: você recebe um código aqui, adiciona como podcast:txt no canal do seu feed e nós verificamos. Depois disso, seu podcast aparece como “verificado” no SoundNode.