梦溪笔记

我有一个大胆的推论：AI 时代，并不需要一个 App Store。

为什么？

现在，AI 通过输出代码，已经能很好地实现很多之前需要专业人员才能解决的问题。它能操作电脑，也能直接产生视频。

而且，随着 token 越来越便宜，每个人都可以拥有自己的 Agent，一个专属的个人智能助理。

有什么问题，可以直接跟它说。

不管是搜索，还是邮件、日历，各种通过浏览器能解决的问题，都交给它。浏览器里不能解决的事，也可以在云端给它一台 AI 能够完全掌握的电脑，让它去完成。

你看 Muse，就是这样子的例子。

如果顺着这个方向继续往下想，那就有意思了：

我已经有一个能帮我解决问题的 Agent，为什么还需要去 App Store 找一个 APP 呢？

我需要的，从来就不是一个 APP

原来我有一个需求未满足，我的下意识行为是，去搜索有没有什么 APP 可以处理。

于是打开 App Store。

搜一下，看介绍，看评分，下载几个试试看。有的要注册，有的要付费，有的打开之后才发现，不是自己想要的。

最后，好不容易找到了，还得学一下怎么用。

我们已经习惯了这个过程，觉得用软件就是这样的。

但仔细想想，我本来只是想解决一个问题，怎么最后变成了我要先去找一个工具，再学习这个工具，然后自己操作，把问题解决掉？

比如，我只是想把几个文件整理一下。

我需要的是整理好的文件，而不是一个文件管理 APP。

我只是想把一段内容做成视频。

我需要的是那个视频，而不是先学会一个视频剪辑软件。

我只是想安排好下周的事情。

我需要的是安排好的日程，而不是再下载一个效率工具，然后花半天研究它。

APP 是过去解决问题的方式，但 APP 本身并不是我的需求。

以前没有更好的办法，所以我们找 APP。

现在，有了。

有需求，直接问我的 Agent

而现在，我有一个想法或需求，就直接问我的 Agent。

它去帮我解决。

需要搜索，它去搜索。需要处理邮件、安排日历，它去操作。需要写一段代码，它就写一段代码。

需要用到某个工具，也可以由它去找、去调用。

对我来说，我不一定需要知道它用了什么软件，也不一定需要知道它中间操作了多少个步骤。

就像我把一件事情交给助理，我关心的是事情有没有办好，而不是要求助理把用过的每一个工具，都先教我一遍。

这才是个人智能助理应该做的事情。

不是告诉我：“你可以下载这个 APP，然后按照下面十个步骤操作。”

而是：“你要的东西，我帮你做好了。”

一个是教我怎么解决问题，一个是直接帮我解决问题。

这两个体验，完全不一样。

如果我的 Agent 能够直接帮我解决，速度又快又好，哪里还有打开 App Store 的需求呢？

没有了。

至少对我这一次的需求来说，没有了。

而当越来越多的需求都可以这样解决，我打开 App Store 的次数，自然就越来越少。

直到有一天，我可能已经很久没有想起它了。

软件还在，但我不需要自己去找了

这里说不需要 App Store，并不是说以后所有的软件都不存在了。

软件可能还在，各种服务也还在。

但过去，是我去找软件。以后，可能是我的 Agent 去调用软件。

过去，一个需求来了，我想的是：

“有没有一个 APP 可以做这个？”

以后，一个需求来了，我想的是：

“让我的 Agent 帮我做一下。”

就这么简单。

但这个变化很大。

因为 App Store 之所以对我重要，是因为它是我寻找解决办法的地方。

当我寻找解决办法的第一站，已经变成了自己的 Agent，App Store 就不再是那个必经之路。

甚至，有些需求根本不需要一个完整的 APP。

一个小脚本，一次网页操作，或者几个工具组合一下，就解决了。

过去，我为了一个很小的功能，可能需要下载一个很大的软件。

以后，Agent 可以只为我完成这件很小的事。

做完就好了。

我不需要再多管理一个账号，也不需要在手机里再多放一个几个月才打开一次的图标。

真正的变化，是我们不再到处找工具

所以，我觉得 AI 带来的变化，不只是原来的 APP 里面多了一个聊天框，或者多了一个 AI 按钮。

而是我们解决问题的方式，可能整个都变了。

以前，我们要适应软件。

软件有什么功能，按钮在哪里，流程怎么走，我们就跟着它来。

以后，我更希望是直接说出自己的需求，由 Agent 去理解，去找工具，去完成。

不是我围着一堆 APP 转，而是有一个智能助理，围着我的需求做事。

这个 Agent，可以是 Apple 的 Siri，也可能是 Muse，也可能是 Hermes、Pi……

名字是什么，其实没有那么重要。

重要的是，它能不能真正替我做事。

当每个人都有一个自己的 Agent，有问题直接跟它说，有想法直接让它去实现，谁还会先想着打开 App Store 呢？

所以，我有这个大胆的推论：

AI 时代，我们需要的不是一个更大的 App Store，而是一个真正能帮自己解决问题的 Agent。

让我们迎接人手一个智能助手 Agent 的时代。

AI在内容生产这一块，速度越来越快，质量越来越高，不管是文章，软件，APP, 图片还是视频包括电影电视剧等，之前需要的时间与现在需要的时间与工作量来比，之前是现在的成百上千倍。

今早我看到如下这个新闻：

今年上半年国内各平台上线了 36.7 万部微短剧，其中超过 74% 是 AI 生成的，平均每天新增超过 1500 部 AI 短剧。

现在 AI 生成的短剧，比之前真人短剧有意思多了，编剧更有趣，一些之前不好拍场景也可以随意生成。真人短剧受限于成本，一般场景设定都比较简单，出场人物也比较少，但是 AI 短剧完全没有限制。

人们现在能接触到内容真的是源源不断，应接不暇，但真正能认真看的，被受注意的内容并不会很多

一个人一天能花在看内容的时间是固定的，并不会增长，最长不超10小时，但大部人估计1到2小时

这些无穷的内容，真正能进入人们视线的估计10不存一，所以，

内容已经不值钱了

掌握人们看到什么的平台才是真正的现金牛

平台可以选择让哪些内容呈现给人们，它就有话语权，定价权

而那些内容生产者，只有被收割的份。

或许偶尔可以跑出一个爆款内容，但这估计也只是平台放出来的烟雾弹，想继续引诱内容生产人员加大投入，让他们有这个错觉，好像下一个爆款就是我

所以，在内容爆炸时代，注意力才是真正的稀缺资源。

对于个人而言，特别想要做一些事情的人，最核心的是保护自己的注意力，不要去被垃圾内容吸引

我们判断一个信息是否有价值的唯一判断标准是，这个信息是否能改进你当前的局面，当前的认知，当前的状态；而绝大部分的内容是无法做到这一点的。

真正优质的信息散落在海量的垃圾内容里，等待被有缘人发掘。

原文：https://mp.weixin.qq.com/s/Yc1-1d88aVQMn0wwzqHLqA

任何行业，只要加上AI的概念，就有了讲故事的空间。讲故事很容易，做好产品很难。
AI+ 教育亦是如此。 你以为AI在帮孩子学习，实际上AI在帮孩子偷懒。 你以为AI在给孩子讲题，实际上AI在直接给答案。
大部分人对AI教育的理解，从根上就错了。你以为拼的是大模型有多牛逼，其实根本不是。真正的AI教育，是多层技术栈的系统工程。99%的公司，连第一层都没做透。

教育的最小单元

教育说复杂很复杂，说简单也简单。

不管你用什么方法、什么工具、什么理论。

最终要把一个学生教会，本质上就是三件事：

第一，你得先知道他哪里不会。

第二，你得用他听得懂的方式，把不会的给他讲明白。

第三，你得确保他真的学会了，而且不会忘。

第一层：诊断

• 先搞清楚一个问题

为什么同样是错题本，有的越用成绩越好，有的越用越差？

因为前者在补”知识点”，后者在补”题”。

诊断，就是把”一道错题”还原成”整个知识体系漏洞”的那一步。

以前靠考试，一张卷子两小时，效率极低。孩子数学考 60 分，老师说“计算不行”，狂练三个月计算还是 60 分。真正的问题可能是三年级的“分数通分”没学好，导致后面所有涉及分数的复合题全错。补错地方了。

AI 诊断解决的就是这个问题：不用等考试，做几道题，就能精准定位出知识点里哪些没掌握，甚至追溯到是几年前的哪个前置漏洞导致的。

• 背后的技术栈：自适应的三代演进

这套系统不是黑科技，是教育行业几十年的算法演进，在工程落地中主要经历了三代变化：

第一代：IRT（项目反应理论） —— 相当于给题目的“难度”和学生的“战力”做个天平。学霸和差生做对同一道题，系统给加的经验值是不一样的。缺点是它是个静态快照，只能看当前，算不出你明天的变化。

第二代：BKT（贝叶斯知识追踪） —— 20年前自适应平台的核心。它给每个知识点安了一个动态胜率表，做对概率上升，做错概率下调。缺点是太孤立，看不懂知识点之间的连带关系。

第三代/前沿：DKT（深度知识追踪）与 GKT（图知识追踪） —— 依托深度学习。因为纯 DKT 是个不可解释的黑盒，现在业界头部的落地选型是 GKT（图知识追踪）+ 显式知识图谱。最新前沿甚至在尝试用 LLM 增强知识追踪（把学生的错因文本转化为高维向量灌入模型），完美复现知识点间的“塌方效应”。

这里面最难的根本不是算法，而是底层的知识图谱拆得够不够细（也就是微技能打标）。

“一元一次方程”只拆成一个点，再牛逼的模型也没用。必须拆到“识别同类项、移项变号、去分母”这种微技能（Micro-skills）级别，诊断才能真正精准。

大部分产品所谓的个性化，闭环逻辑粗暴得搞笑：学生做错了→ 自动丢进错题本→ 下次推同类型题。这不叫个性化，这叫错题本电子化。

真正的诊断，是穿透题目表面，看到底层的认知缺陷：能清晰区分出“这道几何题做错，到底是辅助线没掌握，还是代数计算粗心”。

• 看一个真实案例

Carnegie Learning：专做 K12 数学自适应。他们的 MATHia系统，光是“一元一次方程”就拆成了 17 个微技能节点。孩子做错题，系统精准提示：“你的问题出在‘移项变号’上，当前掌握概率只有 32%。”

就诊断这一件事，他们死磕了 15 年。

这，才仅仅是第一层。第二层：教学

• 先下一个定义

直接给答案的AI，是搜题工具；会提问的AI，才是老师。

好的教学，不是把答案灌输给孩子，是一步步引导孩子自己想明白。

很多人以为，AI 讲题不就是把题目扔进 GPT，让它输出解题步骤吗？

这样做，会遭遇三个致命硬伤：

1. 幻觉与超纲： 明明是小学几何题，它可能会给出高中的向量解法。
2. 不讲人话： 开口就是“根据定理 3.2 我们可以得出…”，学生完全听不懂。
3. 零引导： 直接给终极答案，剥夺了学生的思考过程。

真正的 AI 教学系统，孩子拍了张照上传，它不会直接给答案，而是扮演“苏格拉底”，一步步启发：

“你看看这两个三角形，有没有发现什么关系？” 

“如果这两条边相等，对应的两个角是什么关系？”

• 背后的技术栈：启发式教学的五个底层模块

要实现这种“像好老师一样”的启发式对话，绝对不是接个 API 就能搞定的，背后是一整套复杂的工程栈：

垂域大模型微调（说人话）： 通用模型是不懂教学规律的。你得用数十万小时的名师讲题录音、结构化题库去专门调教它，把模型从一个“冷冰冰的学者”变成一个“懂克制、会说人话的老师”。

多智能体反思架构（后台自纠错）： 单一模型讲题很容易陷入“自圆其说”的幻觉——自己算错了还觉得自己特有道理。成熟的产品在线下会跑多 Agent 对抗，一个负责解题，一个扮演“纠错官”，一个负责把步骤拆成提问。在把话发给学生之前，它们在后台先“打一架”，确保万无一失。

视觉解析与符号几何引擎的耦合（神经网络+符号主义）： 理科的几何题是重灾区。光靠大模型盲猜辅助线，准确率是不稳定的。必须通过视觉识别（OMR）看懂图形的拓扑关系，再把关系输入给确定的几何解题引擎去算，用机器的严谨去补足大模型的“感性”。

对话状态追踪与延迟控制（不冷场）： 讲题是长轮次对话。系统不仅要精准追踪学生“卡在哪一步”，更要在工程上把首字响应延迟（TTFT）压到 3 秒以内。在教学中，超过 3 秒的停顿冷场，孩子的注意力就彻底散了。

教学策略引擎（因材施教）： 这是一个强化学习问题。系统能从数据里学会：对基础薄弱、容易气馁的孩子多鼓励、多用大白话；对学霸则言简意赅，直接点拨核心。

• 看一组真实数据

宾大沃顿商学院曾针对近 1000 名高中生做过一项严格的随机对照实验（RCT），他们被分为三组：

• 第一组： 传统教学，不使用任何 AI。
• 第二组： 使用普通 ChatGPT（直接搜答案）。
• 第三组： 使用加了教学护栏的 AI Tutor（引导式讲题）。

实验结果让人警醒：

• 普通 ChatGPT 组： 刷题练习时成绩暴涨 48%，但到了独立正式考试，成绩反而比不用 AI 的普通学生还要低 17%（学生对直接要答案产生了严重的心理依赖）。
• 引导式 AI Tutor 组： 练习成绩暴涨 127%，正式考试成绩也获得了显著的实质性提升。

差的不是大模型，是大模型内外的多层教学策略和引导护栏。

这，是第二层。

第三层：练习

• 再理解一个现象

讲懂了，不代表学会了。学会了，不代表不会忘。在传统教育里，练习和复习才是真正拉开学生差距的地方。

很多 AI 教育产品在“讲完题”之后就撒手不管了，这就是它们没用的根源——它们只做了“输入”，没做“内化”。

同样是学一个知识点：

• 有的孩子可能学一遍就记住了。
• 有的孩子可能写了十遍，过三天还是忘。 这真不是孩子笨，而是刷题的节奏、复习的时机完全搞错了。

好的 AI 练习系统，就像一个全天候盯着孩子的私教。它会死死记住你家孩子哪个知识点容易忘，在快要遗忘的临界点突然推一道题过来巩固，直到真正变成长期记忆。

• 背后的技术栈：自适应练习的四大内核

这一层外行看不见，也吹不了牛。它在底层其实是一套纯粹的数据闭环，通过算法把刷题变成了“打游戏”：

最近发展区： 算法在给学生挑题时，既不挑太难的（打击自信），也不挑太简单的（浪费时间）。它永远在计算你的能力边界，保证下一道题刚好在你的“最近发展区”——就像打游戏，关卡难度刚好是你踮起脚尖、集中精神就能打过的“精英怪”。

知识追踪模型： 这是个强化学习问题。学生每做一道题、每看一分钟视频，甚至在题目上停顿了十秒钟，数据都会被喂进模型，实时更新他对每个微技能的掌握概率。在系统后台，学生的“技能雷达图”和“知识点血条”每秒钟都在变。

间隔重复算法： 大家都听过艾宾浩斯遗忘曲线，但怎么用好它？算法会根据你前几次的做题速度和对错，精准算出你对这个公式的“半衰期”。不等你全忘光，在记忆即将断裂的那个早晨，它会准时把复习题推到你面前。

流式行为数据分析： 厉害的系统连学生做题时鼠标的停顿、手写笔的回退、修改轨迹都能捕获。你在这里卡了 15 秒，系统就知道你虽然最后做对了，但其实是在纠结两个公式，掌握得并不扎实。

• 看不见的基本功

练习这一层，在产品发布会上最难吹牛。因为你没办法在 PPT 上跟观众吹：“我们的间隔重复算法让复习效率优化了 2%”，观众听了只想打哈欠。

大家都喜欢吹“我们的大模型参数有多少亿”、“我们的生成速度有多快”。但真正决定提分效果的，往往就是这些看不见的、极其枯燥的、需要用真金白银砸数据去跑 A/B 测试的算法细节。

AI 教育是个真正的慢生意。你得沉下心来，一年一年地跑数据，一毫米一毫米地磨细节。这里，没有任何捷径可走。

这，是第三层。
AI+教育的三个闭环

市面上 99% 融了钱、开了发布会的 AI 教育产品，在接下来的两三年里大概率会无声无息地死掉。

不用看它的大模型参数有多高，也不用听它的营销故事有多性感。在商业落地和用户留存的生死线上，你只需要用三个闭环指标去穿透它：

1. 结构化内容闭环：你的“颗粒度”能支撑算法跑多远？

如果一个项目宣称自己用的是大模型自适应，你只需要看他的知识图谱打标精度。

伪概念： 连自主知识图谱都没有，指望大模型靠语义理解直接去猜学生的漏洞。

真壁垒： 能够跨学科拆解出 10 万个以上的微技能（Micro-skills）节点，并且有底气掏出针对 Bad Case（错误标注）的动态修正流。算法只是发动机，强结构化的内容图谱才是原油。没有原油，再好的算法也是空转。

2. 跨模态工程闭环：你能否跨越“神经网络”与“符号主义”的鸿沟？

K12 教育（尤其是数理化）是重度依赖图形、公式和长文本推理的。

伪概念： 拍一张模糊的几何题照片，直接调用一个通用多模态大模型 API，然后赌它输出解题思路的正确率。

真壁垒： 前端靠高级 OMR 进行视觉拓扑解析，后端必须将数据降维，灌入确定的几何符号引擎（Solver）。能清晰报出自身在权威数据集上的跑分，并把端到端首字响应延迟（TTFT）卡在用户注意力分散之前。跨不过这道工程坎，产品体验就是灾难。

3. 数据与评测闭环：你是在做“体验爽感”，还是在做“统计学显著”？

伪概念： 拿不出任何严谨的数据，只会用“用户反馈很好”、“孩子更爱学习了”这种无法量化的感性词汇来掩盖留存率的拉胯。

真壁垒： 能够真正跑通随机对照实验（RCT）。敢于把真实的样本量、对照组数据、提分百分点以及 $p < 0.05$（统计显著性）的实验报告拍在桌子上。只有通过了统计学检验的产品，才具备真正的续费壁垒。

这三个闭环，就是大模型浪潮退去后，AI+教育真正应该思考的方向。

AI 从不负责凭空创造教育奇迹，它只负责把那些对教育规律的纯粹敬畏、对教育细节的工匠雕琢，精准地转化为因材施教的生产力。
后记

每一次技术浪潮来临，行业都在争论“AI 会不会让老师失业”。

这个讨论，从一开始就失焦了。

在过去很多年的时间里，我们的学校和机构被迫采用了“流水线”式的工业化教育：一个老师，带着 50 个学生，用统一的教材，用同样的进度，刷同样的题。

在这种模式下，老师被迫变成了“讲题机器”和“批改工具”，他们 70% 的精力都在做毫无技术含量的机械重复。而学生，则被迫抹平了个性，去适应流水线的速度。

AI 教育真正的变革，不是消灭老师，而是要终结这种反人性的工业化流水线。

它把老师从“讲题机器”的苦役中解放了出来。

省下来的时间，老师终于可以去履行教育最本源的职责： 去观察那个坐在角落里、内向不敢举手的孩子； 去和最近状态下滑的学生在操场上散散步、聊聊天； 去点燃孩子的内驱力，去培养他们的批判性思维和创造力。

AI 负责把知识“降维传输”，老师负责把灵魂“升维点燃”。

这场变革才刚刚开始。

那些只会念 PPT、只会逼学生机械刷题的“生产线工人”，确实该面临转型了；

而那些真正有温度、有信仰的教育者，又怎么会轻易被AI替代。