教育AI智造者

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？ ------------------------📚 本期关键词------------------------ Claude for Teachers（面向教师的 Claude） Anthropic 推出的教育产品，面向 K–12 教师，希望帮助教师完成备课、课程设计、学习活动、评价反馈等工作。本期节目并没有把重点放在产品功能，而是借助它讨论一个更深的问题：AI 是否真正理解教学，还是只是生成了看起来像教学的内容。 Claude Code（Claude 编程助手） Anthropic 推出的 AI Coding Agent。它不仅能够生成代码，还可以理解整个代码库、执行修改、运行测试、持续完成复杂开发任务。Claude Code 代表着 AI 开始从回答问题，进入真实的软件工程工作流。 Builder（创造者） Builder 并不仅仅是工程师，而是能够主动发现问题、快速验证想法、持续学习的人。随着 AI Coding 普及，产品经理、设计师、教师和研究者，都开始拥有创造软件的能力，因此 Builder 正逐渐成为一种新的工作方式，而不仅仅是一种职业。 Verification（验证） 当生成越来越便宜，验证开始变得越来越昂贵。Verification 不只是检查代码能不能运行，而是在持续判断：系统是否真正完成目标？是否帮助用户？是否仍然符合设计原则？教育中的教师评价，本质上也是一种持续的 Verification。 Test-driven Development（测试驱动开发） 软件工程中的经典开发方法。先定义什么叫正确，再开始实现功能。随着 AI Coding 的出现，测试越来越容易生成，也让「先定义评价标准，再完成任务」重新成为软件工程的重要思想。这与教育中先定义学习目标和评价标准，再设计学习活动，有着高度一致的结构。 Rubric（量规） 教育评价中最经典的工具之一。它通过多个维度，把「什么叫做好」明确表达出来。未来越来越多 Model Grader，其实都是 Rubric 的工程化表达。 Model Grader（模型评分器） 负责评价 AI 输出质量的系统。它根据预先定义好的标准，对模型回答进行评分、解释和反馈，并决定模型下一步如何继续学习。 Operationalization（操作化） 把抽象概念变成可以观察、评价、执行和训练的结构。例如，「创造力」「理解」「同理心」，都需要进一步定义可观察证据，才能真正进入 AI 系统。 Externalization（知识外化） 本期提出的一个重要思考。当 AI 开始参与复杂工作，人类过去依赖经验完成的判断，被迫逐渐表达成系统能够理解的形式。从这个角度看，AI 并不是替代专业知识，而是在推动隐性知识不断外化。 Learning Process Design（学习过程设计） 本期最核心的概念。它关注的不只是学生如何学习，而是任何具有持续反馈能力的系统——包括学生、教师、Agent、模型——如何不断获得经验、调整行为、形成能力。Learning Process Design 包括目标设计、评价标准、反馈循环、失败分析、记忆机制、自适应任务生成等多个组成部分。 Prompt Engineering（提示词工程） 设计 Prompt 只是 Learning Process Design 中一个非常小的组成部分。真正重要的是整个学习循环，而不是某一次输入。 Adaptive Post-training（自适应后训练） 根据模型当前失败原因，而不是统一增加更多数据，动态决定下一步最值得提供什么学习经验。这与教师根据学生不同错误原因设计不同教学策略高度相似。 Learning Engineering（学习系统工程） 未来 AI Engineering 一个可能的发展方向。相比传统软件开发，它更关注如何持续设计学习、评价、反馈和能力形成，而不仅仅是功能实现。 Pedagogical Agent（教学智能体） 能够持续观察学习证据、形成学习者模型、动态调整教学任务和支架，而不仅仅回答问题的 AI Agent。它更像一个不断进行形成性评价的教师，而不是聊天机器人。 Formative Assessment（形成性评价） 教育中持续收集学习证据、不断调整教学策略的一种评价方式。相比最终考试，它更加关注学习过程，也越来越成为 AI 持续评估的重要参考框架。 Scaffolding（支架） 根据学习者当前能力，提供适量帮助，并随着能力提升逐渐撤除支持。未来不仅适用于学生，也适用于 Agent 的自主性设计和 Post-training。 Learning Progression（学习进阶） 学习科学中的重要概念，强调知识和能力应该按照一定顺序逐步发展，而不是随机学习。对应 AI 中的 Curriculum Learning（课程式训练），帮助模型循序渐进形成能力。 Latent Demand（潜在需求） 用户没有直接表达，却通过绕路、拼接多个工具、反复修改工作流而暴露出来的真实需求。观察这些行为，比直接询问「想要什么功能」更接近产品创新。 Dogfooding（自己使用自己的产品） 团队长期使用自己开发的产品完成真实工作，而不仅仅演示功能。对于教育 AI 来说，也意味着开发者应该亲自使用自己的工具学习、备课和研究，才能真正理解学习体验。 Routine（例行智能任务） Agent 自动执行的长期异步任务，例如持续阅读用户反馈、分析数据、整理报告等。Routine 让 AI 从即时问答，逐渐变成持续协作的工作伙伴。 Agency（主动能动性） 不仅意味着主动完成任务，更意味着主动发现问题、提出假设、决定下一步行动，并承担结果。在教育中，它对应学生的学习自主性；在 Agent 中，则对应持续学习和自主决策能力。 AI Infrastructure（AI 基础设施） 传统意义上的 AI Infrastructure 指算力、模型和数据库。而本期提出了一个新的视角：未来 Learning Science 中关于目标、评价、反馈、学习路径等知识，也可能逐渐成为 AI 系统新的基础设施。因为真正决定系统持续进化方向的，不再只是模型，而是学习本身。

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

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

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