教育AI智造者

探索人工智能如何重新定义教育

主播伊伊子出品伊伊子音乐 · 音乐 5,156 订阅 67 集 1个月前更新

在小宇宙收听

简介

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])

节目

全部 67 集 →

[EP60]伊伊子思考中 | 做了近 40 个教育 App，为什么它们越来越像？

教育AI智造者

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。

43 分钟 99+ 次播放 1个月前

[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

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。

82 分钟 99+ 次播放 1个月前

[EP58]Zhihao| 从自动科研到世界模型：教育为什么需要更好的反馈？

教育AI智造者

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。

59 分钟 99+ 次播放 1个月前

[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？

教育AI智造者

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

79 分钟 99+ 次播放 2个月前

评价

还没有人评价。听过的话，留个分数和一句短评吧。

简介

节目

[EP60]伊伊子思考中 | 做了近 40 个教育 App，为什么它们越来越像？

[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

[EP58]Zhihao| 从自动科研到世界模型：教育为什么需要更好的反馈？

[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？

评价

播放列表