教育AI智造者

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。

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。

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。

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。