主播
节目简介
来源：小宇宙
🎙《灯下白》EP34 明立
嘉宾：明立
教育行业AI应用落地从业者，现于教育行业头部公司做AI教育产品设计。环境工程出身，曾任初中历史教师、小学数学班主任，后进入教育科技行业，参与题库生产、AI答疑与教育垂类应用探索。
主持人：吴熳
在得到直播讲过AI应用，在WaytoAGI北京切磋分享，代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学，AI牛马库导航科普网站 ka21.org 主理人
本节目由人类与GPT共同策划，剪映处理音频中水词，千问处理剪辑时间轴，GPT撰写Shownotes，Banana Pro生成播客logo，即梦生成播客封面，Suno生成片头片尾音乐，同时由声湃和中关村科学城公司提供录音场地，由罗德麦克风提供录音设备。感谢中关村科学城的政策支持！
🪝本期故事
一个AI，可以很耐心。
它会问学生：你确定吗？
它会一步一步引导。
它看上去，甚至很像一位苏格拉底式的老师。
但明立做过老师。
他知道，真正的老师问出“你确定吗”时，不只是一个问题。
是眼神，是语气，是停顿，是对学生犹豫、猜测、心虚和突然开窍的即时判断。
AI可以模拟提问。
但它还很难像真人教师那样，在一个孩子刚要跑偏的瞬间，调整语速、换一种说法，或者干脆停下来盯着他，再问一遍：
你真的确定吗？
明立从环境工程专业毕业走进学校，教过初中历史，也做过小学数学班主任。
一个月拿着不高的工资，带着好几个班，却被一群孩子改变了对教育的理解。
后来他去了上海，又来到北京，进入教育科技行业，做题库、做AI答疑、做教育数据，也从2023年起一路参与AI在教育里的真实落地。
这一期，我们聊的是：
一个真正教过书的人，如何一边相信AI会重写教育，一边又始终记得，教育里最难被复制的，仍然是人。
💡本期你会听到
环境工程出身的明立，为什么会去教初中历史
从历史老师到小学数学班主任，他被孩子们改变了什么
为什么他离开学校，却没有离开教育
从上海到北京，他如何追寻“教育公平”的另一条路径
题库、优质数据和低错误率，背后到底靠什么管理方法
2023年做GPT-4教育答疑，真实效果与成本是什么样
为什么AI答疑要先把视频、图像和知识点翻译成文本
缓存、垂类模型和用户反馈，怎样让教育AI真正跑起来
苏格拉底式答疑为什么看起来很美，实际却难交付
为什么AI教师最难学会的，是老师的临场判断
怎样用“让AI复述你的意图”减少幻觉和返工
过去的课件、教案和经验，为什么都应该尽快沉淀成文本
🔥本期金句
教育不是把答案交出去，而是让学生在问题里发生认知摩擦。
AI可以模拟启发式提问，却很难替代真人教师的临场调整。
模型不知道、但你知道的东西，才是垂类应用最有价值的部分。
别让模型自己造词，用完整的大白话把任务说清楚。
结构化思维，是把分类、判断、数据和动作连成网络。
所有工作内容和思考，都应该尽可能以文本沉淀下来。
⏱Shownotes
00:00-02:46
明立登场：教育者与AI落地者的两条人生线
02:46-07:55
没去成军校，也没学成计算机：工科生为什么去教历史
07:55-13:34
从安康到上海再到北京，教育理想如何一次次换战场
13:34-19:04
2023年最早一批接触GPT的人，如何开始测试AI教育应用
19:04-26:55
GPT-4成本太高怎么办：缓存、垂类模型与真实用户问题
26:55-37:25
数万道题、实习生团队和低错误率题库是怎么做出来的
37:25-44:30
苏格拉底启发式答疑：AI能不能像老师一样教学生思考
44:30-52:18
AI教师为什么还比不过真人教师：眼神、语气与即时判断
52:18-58:02
怎样减少模型幻觉：让AI复述意图，用大白话拒绝“黑话”
58:02-01:03:43
把过去的经验沉淀成文本，给未来的Agent留下知识库
01:03:43-01:08:44
AI应用真正的门槛：数据数字化、结构化与行业经验
01:08:44-结束
快问快答：结构化思维、代码权限、四周进入AI教研的方法
📖故事摘要
明立的人生路径，并不是一条“从小就知道自己要做教育”的标准路线。他高考时想过军校，也喜欢计算机，最后却阴差阳错进入环境工程。读工科的时候，同学们研究结构力学、工程力学和水利学，他却会去看茶、玉石、书画、历史、中国哲学、心理学和社会学。对他来说，文科里那些关于人、社会和故事的内容，反而更接近真实世界。
毕业后，他回到母校任教。学校缺初中历史老师，也缺小学数学老师，他先接下历史课，后来又临时顶上了小学数学班主任。为了教好历史，他提前几个月从头研究教材、教师用书、课程设计和教学重难点，也去向经验丰富的老师请教。他一边做老师，一边不断想：既然我也曾经是那个觉得学校教育老旧、固化的学生，为什么不能试着让课堂变得更有意思一点？
那段时间，他承担着很大的工作量，收入却很低，学校的创新空间也有限。但真正让他放不下的，是孩子们。明立说，教育最打动他的地方在于：你投进去的热情、爱和耐心，最后会变成一个个鲜活的孩子。学生也许不一定马上给你答案，但他们会在很久之后记得你曾经怎样影响过他们。
后来他去了上海，见到了另一种教育现实。校外教培行业高收入、快扩张，但也混杂着大量包装、焦虑和销售逻辑。他不认同那种只把教育当成生意的方式，于是开始关注另一条路径：AI自适应学习、在线课程和教育公平。
2018年，他来到北京，进入教育科技行业。这里有更大的题库、更完整的课程资源，也有机会让原本只能被少数家庭拥有的优质内容，服务更广泛的人群。他参与过题库生产和教研管理，带过规模不小的实习生团队。面对数万道题目、公式、图片、答案和解析，他并不只把这件事理解成“录题”。
他会先让团队理解：这些题最终会被哪些孩子看到，会怎样影响他们的学习。之后再重构流程，把生产、质检、抽检、交叉检验、经验沉淀和激励机制都搭起来。明立认为，质量控制当然重要，但更重要的是让人真正认可这件事，愿意投入进去。人有热情，流程和质检才能真正发挥作用。
2023年，GPT-4出现之后，明立很快开始探索AI在教育中的应用。他和朋友经常从下班后聊到凌晨两点，讨论模型原理、教育场景、行业数据和未来可能性。那时他们已经有一个很明确的判断：模型在垂类场景表现不好，往往不是因为它不够聪明，而是因为它缺少真实世界里高质量、结构化、可用的数据。
于是，他们开始尝试把AI接入学生的学习过程。学生看视频课时，可以随时唤起AI提问；做练习时，可以让AI不要直接给答案，而是一步一步引导。这个方向很像可汗学院，也很像人们期待中的“AI私教”。
但真实落地之后，问题很快出现了。
模型在通用知识上看起来很强，可一旦进入具体学科、具体题目、图文混合场景和真实学习过程，准确率会下降。为了让它更稳定，团队需要把视频、图像和知识点尽量转成模型更擅长处理的文本，再用题库、解析和优质语料去补齐上下文。学生的问题高度重复时，还可以通过缓存、推荐提问和模型切换控制成本。
这些事情听起来很工程，但明立说，核心始终是教育。
他最关心的，是苏格拉底式答疑。真正好的学习，不是AI立刻把答案扔给学生，而是教师营造一个问题场域，让学生在探索中与原有认知发生摩擦，最终自己重新理解知识。
AI可以通过提示词模拟这种过程：它会问“第一步该做什么”“你为什么这样想”“这道题和上一道有什么不同”。但明立后来发现，AI的启发式答疑仍然很难达到真人教师的教学效果。
因为真人教师会看人。
学生回答“我确定”的时候，老师能从语气、表情和停顿里判断：他是真的懂了，还是只是猜的？老师会立刻调整策略：再问一遍、换个角度、放慢节奏，或者让他自己重新检查。AI虽然能生成问题，却很难真正读懂一个学生正在发生什么。
所以明立并不把AI教师当成“老师的替代品”。他更愿意把它看成一个能够覆盖大量重复答疑、提供个性化练习、辅助教师和补充学习资源的工具。但教育真正的深水区，仍然需要人来判断。
如今，他也在做AI教师一对一相关的探索。这类项目里，难点不只是模型会不会说话，而是模型输出的内容能不能真正用。只要AI生成的内容可用率不够高，后续人工审核和返工就会让生产成本重新失控。
明立分享了一个非常实用的方法：不要让模型满嘴黑话，也不要接受它自己发明的抽象比喻。把任务用完整的大白话讲清楚，让它复述自己的理解，确认它真的理解了你的意思之后，再继续推进。这样看似更慢，实际上能减少后续大量返工和调试。
他也提醒做AI应用的人，尤其是在IDE或带有文件权限的环境里，一定要做好版本和权限管理。他曾经让AI帮忙改代码，结果上千行代码被改成几百行，发现不对时已经很难恢复。AI能提高效率，也能在几秒钟内放大一次权限管理上的疏忽。
聊到最后，明立想对当年那个从山里走出来、教历史和数学的自己说一句话：
把所有工作、所有思考，尽可能以文本沉淀下来。
因为今天回头看，过去很多教案、课件、课堂经验、教学方法和学生反馈，都已经散落在不知名的文件夹里。它们原本可能是宝贵的行业数据，是未来AI教师、教学Skill和知识库最好的养料，但重新清洗、整理和转化的成本已经很高。
教育行业之所以能够较早进入AI应用落地，很大程度上是因为它在移动互联网时代已经积累了大量数字化内容、课程和题库。其他行业未来想做AI，第一步也未必是买一个模型，而是先问自己：
我的经验在哪里？
我的数据有没有被记录？
我的输入、处理和输出，到底是什么？
明立给普通教研从业者设计了一个四周路径。第一周，大量使用AI，建立能力边界感；第二周，用输入、处理、输出的方式重新梳理自己的工作；第三周，开始拿真实任务做实验；第四周，验收、复盘，并建立长期的信息渠道。
AI会越来越强，数据清洗和基础建设也许会越来越少。
但在那之前，最重要的仍然是：
把你真正懂的东西留下来。
💬听众互动
你过去哪一段工作经历，其实藏着大量还没被整理出来的方法、数据和经验？假如未来要把它做成一个AI助手，你最想先沉淀什么？
嘉宾：明立
教育行业AI应用落地从业者，现于教育行业头部公司做AI教育产品设计。环境工程出身，曾任初中历史教师、小学数学班主任，后进入教育科技行业，参与题库生产、AI答疑与教育垂类应用探索。
主持人：吴熳
在得到直播讲过AI应用，在WaytoAGI北京切磋分享，代表中国在英国大使馆文教处国际大会全英发言讲中国AI如何赋能英语教学，AI牛马库导航科普网站 ka21.org 主理人
本节目由人类与GPT共同策划，剪映处理音频中水词，千问处理剪辑时间轴，GPT撰写Shownotes，Banana Pro生成播客logo，即梦生成播客封面，Suno生成片头片尾音乐，同时由声湃和中关村科学城公司提供录音场地，由罗德麦克风提供录音设备。感谢中关村科学城的政策支持！
🪝本期故事
一个AI，可以很耐心。
它会问学生：你确定吗？
它会一步一步引导。
它看上去，甚至很像一位苏格拉底式的老师。
但明立做过老师。
他知道，真正的老师问出“你确定吗”时，不只是一个问题。
是眼神，是语气，是停顿，是对学生犹豫、猜测、心虚和突然开窍的即时判断。
AI可以模拟提问。
但它还很难像真人教师那样，在一个孩子刚要跑偏的瞬间，调整语速、换一种说法，或者干脆停下来盯着他，再问一遍：
你真的确定吗？
明立从环境工程专业毕业走进学校，教过初中历史，也做过小学数学班主任。
一个月拿着不高的工资，带着好几个班，却被一群孩子改变了对教育的理解。
后来他去了上海，又来到北京，进入教育科技行业，做题库、做AI答疑、做教育数据，也从2023年起一路参与AI在教育里的真实落地。
这一期，我们聊的是：
一个真正教过书的人，如何一边相信AI会重写教育，一边又始终记得，教育里最难被复制的，仍然是人。
💡本期你会听到
环境工程出身的明立，为什么会去教初中历史
从历史老师到小学数学班主任，他被孩子们改变了什么
为什么他离开学校，却没有离开教育
从上海到北京，他如何追寻“教育公平”的另一条路径
题库、优质数据和低错误率，背后到底靠什么管理方法
2023年做GPT-4教育答疑，真实效果与成本是什么样
为什么AI答疑要先把视频、图像和知识点翻译成文本
缓存、垂类模型和用户反馈，怎样让教育AI真正跑起来
苏格拉底式答疑为什么看起来很美，实际却难交付
为什么AI教师最难学会的，是老师的临场判断
怎样用“让AI复述你的意图”减少幻觉和返工
过去的课件、教案和经验，为什么都应该尽快沉淀成文本
🔥本期金句
教育不是把答案交出去，而是让学生在问题里发生认知摩擦。
AI可以模拟启发式提问，却很难替代真人教师的临场调整。
模型不知道、但你知道的东西，才是垂类应用最有价值的部分。
别让模型自己造词，用完整的大白话把任务说清楚。
结构化思维，是把分类、判断、数据和动作连成网络。
所有工作内容和思考，都应该尽可能以文本沉淀下来。
⏱Shownotes
00:00-02:46
明立登场：教育者与AI落地者的两条人生线
02:46-07:55
没去成军校，也没学成计算机：工科生为什么去教历史
07:55-13:34
从安康到上海再到北京，教育理想如何一次次换战场
13:34-19:04
2023年最早一批接触GPT的人，如何开始测试AI教育应用
19:04-26:55
GPT-4成本太高怎么办：缓存、垂类模型与真实用户问题
26:55-37:25
数万道题、实习生团队和低错误率题库是怎么做出来的
37:25-44:30
苏格拉底启发式答疑：AI能不能像老师一样教学生思考
44:30-52:18
AI教师为什么还比不过真人教师：眼神、语气与即时判断
52:18-58:02
怎样减少模型幻觉：让AI复述意图，用大白话拒绝“黑话”
58:02-01:03:43
把过去的经验沉淀成文本，给未来的Agent留下知识库
01:03:43-01:08:44
AI应用真正的门槛：数据数字化、结构化与行业经验
01:08:44-结束
快问快答：结构化思维、代码权限、四周进入AI教研的方法
📖故事摘要
明立的人生路径，并不是一条“从小就知道自己要做教育”的标准路线。他高考时想过军校，也喜欢计算机，最后却阴差阳错进入环境工程。读工科的时候，同学们研究结构力学、工程力学和水利学，他却会去看茶、玉石、书画、历史、中国哲学、心理学和社会学。对他来说，文科里那些关于人、社会和故事的内容，反而更接近真实世界。
毕业后，他回到母校任教。学校缺初中历史老师，也缺小学数学老师，他先接下历史课，后来又临时顶上了小学数学班主任。为了教好历史，他提前几个月从头研究教材、教师用书、课程设计和教学重难点，也去向经验丰富的老师请教。他一边做老师，一边不断想：既然我也曾经是那个觉得学校教育老旧、固化的学生，为什么不能试着让课堂变得更有意思一点？
那段时间，他承担着很大的工作量，收入却很低，学校的创新空间也有限。但真正让他放不下的，是孩子们。明立说，教育最打动他的地方在于：你投进去的热情、爱和耐心，最后会变成一个个鲜活的孩子。学生也许不一定马上给你答案，但他们会在很久之后记得你曾经怎样影响过他们。
后来他去了上海，见到了另一种教育现实。校外教培行业高收入、快扩张，但也混杂着大量包装、焦虑和销售逻辑。他不认同那种只把教育当成生意的方式，于是开始关注另一条路径：AI自适应学习、在线课程和教育公平。
2018年，他来到北京，进入教育科技行业。这里有更大的题库、更完整的课程资源，也有机会让原本只能被少数家庭拥有的优质内容，服务更广泛的人群。他参与过题库生产和教研管理，带过规模不小的实习生团队。面对数万道题目、公式、图片、答案和解析，他并不只把这件事理解成“录题”。
他会先让团队理解：这些题最终会被哪些孩子看到，会怎样影响他们的学习。之后再重构流程，把生产、质检、抽检、交叉检验、经验沉淀和激励机制都搭起来。明立认为，质量控制当然重要，但更重要的是让人真正认可这件事，愿意投入进去。人有热情，流程和质检才能真正发挥作用。
2023年，GPT-4出现之后，明立很快开始探索AI在教育中的应用。他和朋友经常从下班后聊到凌晨两点，讨论模型原理、教育场景、行业数据和未来可能性。那时他们已经有一个很明确的判断：模型在垂类场景表现不好，往往不是因为它不够聪明，而是因为它缺少真实世界里高质量、结构化、可用的数据。
于是，他们开始尝试把AI接入学生的学习过程。学生看视频课时，可以随时唤起AI提问；做练习时，可以让AI不要直接给答案，而是一步一步引导。这个方向很像可汗学院，也很像人们期待中的“AI私教”。
但真实落地之后，问题很快出现了。
模型在通用知识上看起来很强，可一旦进入具体学科、具体题目、图文混合场景和真实学习过程，准确率会下降。为了让它更稳定，团队需要把视频、图像和知识点尽量转成模型更擅长处理的文本，再用题库、解析和优质语料去补齐上下文。学生的问题高度重复时，还可以通过缓存、推荐提问和模型切换控制成本。
这些事情听起来很工程，但明立说，核心始终是教育。
他最关心的，是苏格拉底式答疑。真正好的学习，不是AI立刻把答案扔给学生，而是教师营造一个问题场域，让学生在探索中与原有认知发生摩擦，最终自己重新理解知识。
AI可以通过提示词模拟这种过程：它会问“第一步该做什么”“你为什么这样想”“这道题和上一道有什么不同”。但明立后来发现，AI的启发式答疑仍然很难达到真人教师的教学效果。
因为真人教师会看人。
学生回答“我确定”的时候，老师能从语气、表情和停顿里判断：他是真的懂了，还是只是猜的？老师会立刻调整策略：再问一遍、换个角度、放慢节奏，或者让他自己重新检查。AI虽然能生成问题，却很难真正读懂一个学生正在发生什么。
所以明立并不把AI教师当成“老师的替代品”。他更愿意把它看成一个能够覆盖大量重复答疑、提供个性化练习、辅助教师和补充学习资源的工具。但教育真正的深水区，仍然需要人来判断。
如今，他也在做AI教师一对一相关的探索。这类项目里，难点不只是模型会不会说话，而是模型输出的内容能不能真正用。只要AI生成的内容可用率不够高，后续人工审核和返工就会让生产成本重新失控。
明立分享了一个非常实用的方法：不要让模型满嘴黑话，也不要接受它自己发明的抽象比喻。把任务用完整的大白话讲清楚，让它复述自己的理解，确认它真的理解了你的意思之后，再继续推进。这样看似更慢，实际上能减少后续大量返工和调试。
他也提醒做AI应用的人，尤其是在IDE或带有文件权限的环境里，一定要做好版本和权限管理。他曾经让AI帮忙改代码，结果上千行代码被改成几百行，发现不对时已经很难恢复。AI能提高效率，也能在几秒钟内放大一次权限管理上的疏忽。
聊到最后，明立想对当年那个从山里走出来、教历史和数学的自己说一句话：
把所有工作、所有思考，尽可能以文本沉淀下来。
因为今天回头看，过去很多教案、课件、课堂经验、教学方法和学生反馈，都已经散落在不知名的文件夹里。它们原本可能是宝贵的行业数据，是未来AI教师、教学Skill和知识库最好的养料，但重新清洗、整理和转化的成本已经很高。
教育行业之所以能够较早进入AI应用落地，很大程度上是因为它在移动互联网时代已经积累了大量数字化内容、课程和题库。其他行业未来想做AI，第一步也未必是买一个模型，而是先问自己：
我的经验在哪里？
我的数据有没有被记录？
我的输入、处理和输出，到底是什么？
明立给普通教研从业者设计了一个四周路径。第一周，大量使用AI，建立能力边界感；第二周，用输入、处理、输出的方式重新梳理自己的工作；第三周，开始拿真实任务做实验；第四周，验收、复盘，并建立长期的信息渠道。
AI会越来越强，数据清洗和基础建设也许会越来越少。
但在那之前，最重要的仍然是：
把你真正懂的东西留下来。
💬听众互动
你过去哪一段工作经历，其实藏着大量还没被整理出来的方法、数据和经验？假如未来要把它做成一个AI助手，你最想先沉淀什么？
外观
