AI在教育方面的发展
AI 教育正在从生成答案走向组织学习过程，并进一步进入可交互、可反馈、可持续演进的真实课堂系统。
过去几年，AI 在教育中的角色发生了三次明显变化：先是更快地生成内容和答案，随后开始模仿教师进行引导，今天又在进入课件、板书、语音、练习和学情反馈共同组成的课堂系统。
这三种形态现在仍然同时存在，所以我们很容易把它们都叫作“AI 教育”。但它们解决的并不是同一个问题。生成答案降低的是知识获取成本，引导式对话试图改善学习过程，而实时课堂面对的则是另一种复杂度：怎样让机器根据学生的反应，持续决定下一件应该发生的事。
我的基本判断是，AI 教育的竞争重心正在从“模型能不能答对”转向“系统能不能形成学习闭环”。模型能力仍然重要，但课程结构、学生状态、交互媒介和效果评估会越来越决定产品之间的差异。
第一阶段：知识和答案变得更便宜
大模型最先改变的是教育内容的生产与获取。
给出一个知识点，模型可以生成解释、例题、测验和教案；上传一份材料，它可以提炼摘要、改写难度或回答问题。这类能力直接提高了教师备课和学生检索信息的效率，也让“一对一回答”第一次具备了近乎无限的供给。
但生成内容不等于教学。一个答案可能正确、完整、表达流畅，却仍然绕过学生最需要经历的推理。学生是在理解概念，还是学会把题目复制进对话框，仅从当下的答题结果很难分辨。
这不是对大模型能力的否定，而是教育目标与通用生产力目标之间的差异。生产力工具希望尽快替用户完成任务；教育工具有时必须刻意不完成任务，把一部分困难留给学习者。
我的看法是，“答案变便宜”是 AI 教育的起点，也是它最容易停滞的地方。如果产品价值仍然主要来自答案数量、生成速度和题目覆盖率，它更接近搜索与内容工具，还没有真正进入教学。
第二阶段：AI 开始介入学习过程
新一代产品正在主动限制“直接给答案”的冲动。
ChatGPT Study Mode 通过引导问题、分步解释、知识检查和反馈来组织对话。OpenAI 也明确说明，目前这些教学行为主要依靠定制系统指令实现，在不同对话中仍可能出现不一致。ChatGPT Study Mode
我的判断是，Study Mode 的意义不在于多了一个产品入口，而在于通用模型厂商开始承认：高质量回答与有效教学不是同一个优化目标。不过，只靠 Prompt 约束教学行为仍然偏软，遇到长对话、复杂分支和学生刻意索要答案时，稳定性会成为边界。
Gemini Guided Learning 同样强调开放式提问、逐步拆解和知识检查，并使用图像、视频与互动测验帮助学生建立理解。Gemini Guided Learning
我的看法是，Gemini 的方向比“对话更像老师”更进一步：它开始把不同媒介纳入一次学习活动。但多模态本身不会自动改善教学；图片和视频只有在正确的认知节点出现，才是脚手架，否则只是更丰富的内容堆叠。
Khan Academy 的 Khanmigo 提供了更有工程价值的经验。其公开产品实验显示，学生近期作答、技能水平和先修知识等结构化信号能够改善辅导效果；简单加入更多例题或难以解析的原始上下文，却未必带来收益。Khanmigo 的产品实验
我的判断是，真正的个性化不是“模型记住得更多”，而是系统知道哪些信息会改变下一步教学决策。相比无限增长的聊天记录，经过设计的学习状态更少、更稳定，也更容易评估。
这一步意味着 AI 教育开始从内容生成转向过程控制：什么时候提示，什么时候追问，什么时候回到先修知识，以及什么时候应该让学生独立完成。
第三阶段：课程从内容变成环境
当 AI 能够持续参与教学，传统课件也会发生变化。
Google 的 Learn Your Way 把同一份材料转换为沉浸式文本、章节测验、带旁白的幻灯片、音频课和思维导图，并根据年级与兴趣调整表达。Learn Your Way
我的看法是，这类产品正在把“课件”从一个固定文件改造成同一知识结构的多种视图。真正值得关注的不是自动生成了多少种格式，而是学生在测验中暴露出的困难，能否反过来改变接下来看到的内容。
Duolingo Max 将实时对话和 Roleplay 嵌入既有课程路径，AI 对话围绕学习进度发生，而不是成为课程之外的自由聊天。Duolingo Max
我的判断是，Duolingo 的优势来自边界清晰：它没有要求模型教授所有知识，而是让模型在语言练习这一适合开放交互的环节补足训练密度。垂直场景中的明确目标，比一个无所不能的虚拟老师更容易形成可测量的产品价值。
科大讯飞公开的学习机方案，则把诊断、规划、学习、练习、启发式答疑和 AI 板书组织进连续流程。科大讯飞 AI 学习机
我的看法是，国内 AI 教育产品的一项现实优势，是更接近教材版本、题型和考试体系；相应风险则是容易把“更精准地提分”直接等同于“更完整的学习”。结构化题库和学情数据很重要，但表达、探索和迁移能力未必能被同一套指标覆盖。
这一阶段的共同特征，是 AI 不再只生成一段回答，而是开始控制学习环境中的多个对象：课件、声音、角色、板书、练习以及反馈。
开源项目正在显露未来的系统结构
商业产品展示体验，开源项目则让我们看到这些体验可能如何组成系统。
OpenMAIC 尝试从主题或文档生成一间完整的多 Agent 课堂。课程由大纲、Scene 和 Action 组成，AI 教师与同学可以讲解、讨论、使用白板，并进入测验、互动网页或 Project-Based Learning 场景。其 Playback Engine 推进课堂过程，Action Engine 负责说话、书写、聚光和指示等具体动作。
我的判断是，OpenMAIC 最重要的贡献不是“同时放进多个 Agent”，而是把课堂表达成可以生成、校验、播放和记录的动作。多 Agent 很醒目，Scene/Action 这一中间层才更可能成为可复用的工程资产。
项目后续版本继续拆分 DSL、Renderer 和 Importer，并加入 Schema、迁移、运行事件记录与动作级导航。OpenMAIC Releases
我的看法是，这些看似传统的软件工程工作，比再增加一个 Agent 角色更接近生产系统的核心。没有版本化协议和可恢复状态，课堂效果越复杂，故障就越难解释。
OpenMAIC 的多 Agent 动作流公开采用 SSE，而不是 Cocos 或 WebSocket。OpenMAIC 多 Agent 架构
我的判断是，不应该从这个实现得出“SSE 更适合教育”的结论。真正可迁移的是编排、动作与播放状态之间的分层；传输方式只是特定运行环境下的选择。
OpenMAIC 所依据的 MAIC 研究主要来自高校场景，公开论文报告了 500 多名学生和 10 万余条学习记录。From MOOC to MAIC
我的看法是，这些数据足以让 MAIC 成为值得研究的真实系统，但还不足以证明多 Agent 课堂天然优于其他教学方式，更不能直接外推到 K12。AI 同学制造的热闹是否转化成认知参与，仍然需要独立评估。
除 OpenMAIC 外，还有几条值得长期关注的开源路线：
| 项目 | 优先解决的问题 | 我的判断 |
|---|---|---|
| DeepTutor | RAG、长期记忆、Guided Learning 与数学动画 | 它展示了“终身学习上下文”的野心；但功能快速扩张后，更需要证明哪些记忆真正改善学习，而不是只改善连续对话体验 |
| EduChat | 中文教育模型、启发式教学与情感支持 | 教育行为进入模型训练是必要探索；但模型层仍不能替代课程事实校验、学生状态和课堂运行时 |
| OATutor | Bayesian Knowledge Tracing、Hints 与 Scaffolds | 它不如虚拟课堂炫目，却保留了传统 ITS 最宝贵的部分：把知识点、提示和掌握度变成可实验的结构 |
| VTutor | TTS、LipSync、表情与动画教师 | 具身角色能提高在场感，但“更像教师”不等于“更会教学”；角色表现应该服务于注意力和反馈，而非成为产品目的 |
我的总体判断是，开源生态还没有出现一套包办所有问题的标准答案。更现实的路径是保持分层：教育模型负责理解和生成，教学策略负责决策，学习模型维护学生状态，表现运行时负责确定性执行。
实时课堂带来了新的工程边界
当 AI 的决定需要立即变成板书、动画和声音时，教育产品就从内容系统进入了实时系统。
板书在这里不是答案的可视化，而是师生共享的工作记忆。公式、坐标轴、辅助线、高亮区域和学生的中间步骤都需要稳定身份，才能被再次引用、修改和回放。一张最终图片可以“像黑板”，却无法支持“回到刚才那一步”。
如果表现层使用 Cocos，游戏引擎可以承担场景树、动画、资源、时间轴和跨端渲染；上层则需要把教学意图收敛成有限动作，例如创建坐标系、绘制函数、突出参数、提出问题、等待回答和进入分支。
Cocos Creator 支持通过 WebSocket 建立双向通信。Cocos Creator WebSocket 文档
我的判断是，WebSocket 解决的只是消息如何抵达，不是课堂如何持续。真正难的是动作顺序、对象寻址、幂等重试、学生打断、协议兼容、断线恢复与故障观测。连接一旦建立，课堂工程的主体才刚刚开始。
对这类系统，我更倾向于把状态拆成三层：
| 状态 | 需要回答的问题 |
|---|---|
| 教学状态 | 当前目标、已覆盖知识和待验证假设是什么 |
| 表现状态 | 屏幕有哪些对象，语音和动画播放到哪里 |
| 学习状态 | 学生做过什么、错在哪里、能否独立迁移 |
聊天记录、画面快照和模型上下文都不能单独代表这三种状态。只有它们能够相互引用又分别恢复，实时课堂才可能在学生打断、网络波动和教学分支中保持连续。
学习效果将成为最重要的分界线
AI 教育的最大风险，不是系统偶尔不够聪明，而是它非常顺滑地替学生完成了本应由学生完成的认知活动。
一项发表于 Scientific Reports 的随机对照实验，在大学物理课程中比较了经过教学原则设计的 AI tutor 与课堂主动学习。论文报告 AI 组在更短时间内取得更高学习增益，但实现使用了预先编写的正确答案，作者也没有声称结果适用于所有场景。AI tutoring RCT
我的判断是，这项研究真正支持的不是“AI 胜过教师”，而是结构良好的个性化练习可以非常有效。预置正确内容与精心设计的脚手架，恰恰说明效果不能全部归功于生成模型。
另一项近千名高中生参与的数学课堂实验显示，接近普通 ChatGPT 的版本能改善使用工具时的练习表现，但工具撤掉后，学生表现低于从未使用工具的对照组；加入学习保护机制的 GPT Tutor 大幅缓解了这种负面影响。Generative AI Can Harm Learning
我的看法是，这是 AI 教育最需要记住的反例：完成眼前任务与形成可迁移能力是两个目标。若评测只看工具在场时的正确率，产品甚至可能在“数据越来越好”的同时让学习越来越差。
因此，未来真正有价值的指标不会只有回答正确率、播放完成率和使用时长，还应该包括提示依赖、独立作答、延迟保持、跨题迁移，以及学生能否解释自己的推理。
技术延迟应该降低，但认知停顿需要保留。一个优秀的实时系统既要及时回应，又要知道什么时候不应立刻给出更多内容。
我对下一阶段的判断
综合这些产品、项目和研究，我认为 AI 教育下一阶段会围绕五种能力展开：
- 从内容个性化走向过程个性化：不只是换一种说法，而是改变提问、练习和反馈路径。
- 从聊天上下文走向学习状态：记录掌握度、错误模式、提示依赖和迁移表现，而不是无限保存对话。
- 从生成页面走向执行动作：课程内容被表达为可验证、可暂停、可分支和可回放的教学过程。
- 从单模型产品走向分层系统：模型、策略、知识、状态、渲染与评测各自承担明确责任。
- 从体验指标走向学习证据：产品最终要证明学生在没有 AI 时仍然拥有能力。
这也是为什么 AI 教育不会简单演变成“每个学生拥有一个聊天机器人”。更可能出现的形态，是 AI 渗入教材、课件、练习、教师工具和课堂运行时，成为一套不那么显眼、却持续参与教学决策的基础设施。
这一系列准备继续讨论什么
这篇开篇先梳理发展方向，接下来会逐步进入工程现场：
- 一份教学脚本怎样变成可验证、可分支的课堂动作；
- 板书对象如何被创建、引用、修正和回放；
- 实时信令怎样处理顺序、幂等、版本与断线恢复；
- 语音、字幕、板书、角色和动画如何共享时间；
- 学生打断之后，系统怎样离开脚本又回到主线；
- 日志怎样区分模型错误、教学错误、协议错误和渲染错误；
- 系统怎样证明学生形成了理解，而不只是看完一场演示。
AI 在教育方面的发展，表面上是模型能力进入更多产品，深层变化却是教学过程开始被软件重新表达。模型能否答对问题仍然重要，但能否对学生的下一步负责，才决定它最终是一件效率工具，还是教育系统的一部分。
带着观点阅读这些资料
- OpenMAIC 源码：它最值得借鉴的是课堂动作化，而不只是多 Agent 的形式。
- OpenMAIC Releases：版本演进显示，Schema、状态和编辑能力正在取代功能展示，成为项目生产化的重点。
- OpenMAIC 多 Agent 架构：SSE 是当前实现选择，不应被误读为 AI 课堂的通用答案。
- From MOOC to MAIC：它证明多 Agent 课堂值得实验，但高校数据仍不足以覆盖 K12 与长期学习效果。
- ChatGPT Study Mode：它标志着通用模型开始区分“答题”和“教学”，但 Prompt 驱动的稳定性仍需观察。
- Gemini Guided Learning：多模态是教学材料，不是教学策略；关键仍是出现的时机与反馈关系。
- Google Learn Your Way：多种内容形态真正有价值的前提，是学习行为能够改变后续路径。
- Khanmigo 产品实验：结构化学情比原始长上下文更有价值，这是个性化系统的重要工程信号。
- Duolingo Max：把开放对话限制在明确训练目标内，是垂直 AI 教育产品更可靠的路线。
- 科大讯飞 AI 学习机：本地教材和题型适配是现实壁垒，但应避免把提分指标当成学习的全部。
- AI tutoring RCT：结果支持精心设计的个性化教学系统，不能简化成“AI 全面胜过课堂”。
- Generative AI Can Harm Learning：它提醒我们，工具在场时的表现提升可能掩盖独立能力下降。
- DeepTutor：长期记忆很有潜力，但必须证明记忆如何改变教学决策，而不只是让对话更连贯。
- EduChat：教育模型值得投入，但模型内化的教学行为仍需外部课程与评测约束。
- OATutor：传统 ITS 的知识追踪与脚手架并未过时，反而能约束生成式 AI 的自由度。
- VTutor：虚拟教师的表现力可以增强在场感，却不能代替对学习效果的验证。
- Cocos Creator WebSocket Introduction：双向通信是实时课堂的基础设施，但协议语义和状态恢复才是生产难点。