AI 学习空间

这个产品在做什么

AI 学习空间不是在自习室里放一个通用聊天机器人，而是重新组织学生在校自主学习的完整流程。

学生从预约与身份验证进入空间，在学习终端上完成章节学习、课本伴学、个性化测验、视频回顾或自由讨论；AI 在过程中提供引导、练习与反馈，学习行为再沉淀为教师可查看的过程记录和学情信息。

我负责首个 AI 学习空间从现场试用到常态化运营，直接观察学生、教师与学校管理者如何使用，并把现场问题持续反馈到产品、算法和研发。这一过程也成为后续多校复制时，产品机制与交付标准的重要来源。

因此这个项目需要同时处理 AI 能力、学习流程、多端系统、内容资源和学校运营，而不是单独做好一个对话界面。更关键的是：早期题库、课程资源和客户场景都不完整。产品工作不是等条件齐了再开工，而是判断哪些缺口必须先补上，哪些可以边做边建。

三个关键判断

1. 不同学习任务需要不同的 Agent 工作流，而不是一个万能聊天框。 自由讨论强调开放探索；章节伴学要咬住课本上下文；个性化测验要按学生表现动态调整；拍题讲解必须避免过早泄露答案，并持续判断学生是否真的理解。

2. 教育场景里的 AI，不能只评价“答案是否正确”。 我更关心四件事：结果是否可靠，过程是否真的在引导学生思考，行为在追问、卡住、质疑时是否有边界，以及教师能否理解、检查和修正 AI 的判断。

3. 自主学习产品不该做成搜题工具。 如果学生总能更快拿到答案，独立思考会被替代，教师也只会看到结果而看不到过程。产品应该根据学习状态组织练习与反馈，让 AI 陪伴思考，而不是替学生完成任务。

这些判断影响了 Agent 工作流、Memory、工具调用、评测机制，以及后面的内容供给和现场验证方式。

关键破局

01｜资源不齐，先把内容供给做成产品能力

项目早期，公司缺少支撑自主学习的题库和课程资源。我没有把“等资源采购完成”当成开工条件：一边主动对接学科网、21 世纪教育、菁优网等供应商，把需求讲清楚后移交采购跟进；一边针对学校已有视频和课件，建立内部资源加工能力——视频上架后学生可随时向AI老师提问；并基于课本、教参生成高质量且美观的课件，做成「课件新声」模块，让学生课后可以自学、AI老师继续陪伴。

对接题库之后，打造个性化测验功能模块：做题时如遇卡点，学生可接受学伴的启发式讲解，并在完成测验后获得专属总结报告、错题分析及定制讲解，我们希望鼓励并帮助学生通过错题定位并补齐短板，而不是提供另一个搜题入口。

02｜用 AI 工作流处理人力覆盖不了的资源规模

学校有大量未结构化的视频和英语单词表，公司没有额外编辑团队逐条校对。真正的问题不是“有没有模型能处理视频”，而是找到成本和质量之间可接受的自动化边界。

我把内容加工设计成多阶段工作流：把 ASR / OCR、文本纠错、学科公式与化学式识别、内容生成和自动校验串起来，只在高风险节点留人工检查。视频字幕会针对数学公式、物理符号和化学式做专项纠错，并在应用里留字幕错误反馈入口；英语单词则从教材切分和 OCR 开始，生成例句、示意图和朗读音频，再用多阶段校验控制质量。

目标不是 100% 自动化，而是让大量资源具备可上线条件，并把人力集中到 AI 最难判断、风险最高的地方。

03｜把现场需求做成 3 天可验证的产品实验

在深圳外国语学校初中部的合作中，英语科组长提出作文及日常练笔批改需求。我没有把它排进常规需求池等研发排期，而是用 Vibe Coding 做现场工程验证：3 天搭出可运行的英语批改工作流，并直接拿真实教师批改结果对照。

经过与几个班级上百份的作文比对测试，AI 与教师评分的平均分差约 0.3 分；除少量异常作文外，单篇偏差基本落在教师提出的 1–2 分 容忍范围内。这次验证随后成为判断产品方向和后续投入的依据。

产品如何组织

面向学生、教师、学校管理者和空间运营，产品拆成学生终端、教师端、校级平台、预约终端和展示大屏。学生侧承载学习任务、学习资源及 AI 老师、学伴 Agent；教师侧查看过程与学情；校级平台和空间终端负责预约、身份、运营与展示。

不同功能场景下构建不同的工作流及 Agent 设定，不是共用一个对话策略。课本、测验、视频和课件是 Agent 的工具与证据来源；学生 Memory 让后续对话能记住学生最近的自习操作并提供熟悉亲近感。

结果与边界

产品已经从 Demo 和试点进入真实学校的持续使用：目前覆盖深圳 10+ 所学校；五校近 30 日数据快照中有 3,300+ 活跃学生、9,200+ 学习会话和 3,000+ 学习小时。

但“已经有人使用”并不等于产品问题已经解决。不同学校在学生进入路径、教师参与程度、空间运营方式和持续复用率上仍有明显差异。这让我逐渐意识到，教育 AI 真正困难的并不只是让模型完成一次正确回答，而是让 AI 能力、教学流程和学校真实运行机制形成长期闭环。

口径说明：使用数据主要参考截至 2026 年 7 月的项目统计，其中活跃学生与学习会话为五校近 30 日数据快照。