夜雨聆风
什么是正确的AI伴学?不是让学习变得更容易,而是更深刻丨头条
作者丨陆悦
蒲公英教育智库智能研究院执行院长
追求“精准学”，
学习容易变得“窄化”
谈到AI支持教育，大家比较熟悉的场景是“精准学”，它大致可分为四个步骤。
第一步是“测”（数据采集与诊断）。通过做几道诊断题、扫描日常作业、或者AI多轮对话，来探测学生在某个章节的掌握情况。
第二步是“诊”（归因与画像）。基于测试结果，系统在知识图谱上用各种颜色进行区分。比如，红色代表不会，黄色代表半懂，绿色代表掌握。
第三步是“学和练”（个性化的干预）。系统会自动屏蔽掉绿色（学生已完全掌握）的知识点，只给学生推送红、黄色知识点的讲解视频，旨在让学生把某个问题学懂。
第四步是“测”（二次验证）。AI再推送几道变式题给学生，以判断是否真正掌握。
过去，这种“精准学”提升了知识掌握层面的效率，适合做标准化诊断和补短板，在“把题做会”这个目标上是一种高效回答。
但追求精准，往往意味着严格对标考纲、避免超纲、尽量减少重复练习，从而通过算法实现最小投入、最大产出的分数优化。其设计基于以下几个基本假设——
第一个假设：“学习的目标就是把题做会，做对了就是学会了”。
第二个假设：“整体等于部分之和”。如果一个学科有2400个知识点，只要这些知识点全掌握，这门学科就学会了。
第三个假设：“重复与超纲是非必要或者是低效的冗余”。一个知识如果学生会了，就没有必要再学，再学就是浪费，应该只学他完全不会的东西。它看上去高效，却把学生圈养在一个相对窄化的图谱里。
这些假设其实经不起推敲。尤其是当新高考提出了“发展论”的新要求——从考知识转向考素养，反套路刷题的内容革新，将真实情境作为命题核心载体——此时，我们需要在教学和学习过程中，以发展论的视角看待学生的学习。我们希望目标更宽广，让学生在真实解决问题的过程中发展素养。
从学习动力学的角度，我们也比较担心。这种模式很容易把学习转化为被动做题、被动刷题，剥夺学生的探索价值和生存体验。他会觉得“今天把红黄点变成了绿点，学习任务就完成了”。长期来看，这会让学生丧失学习的自主性和探究意愿。
从“教的工具”，
走向“学的伙伴”
AI时代的学习，不再只是知识点的掌握，更要升维成一场自我选择、自主通关、自我挑战、认知升维的成长旅程。
蒲公英内涵建设研究院开发的LEGO森林课程，以全链条的任务式学习，融解所有学科，串联全部知识，贯通不同学段，以真实场景、学生主动探究、合作交流和任务驱动为核心，强调过程性学习、高阶思维培养、合作性、情境真实性以及学科融合。
当然，任务式方式在学校落地也面临一些难点——
一是引导难。学习任务相对灵活，给小组学生自由探究的时间，但老师很难清楚每个组遇到了什么问题、卡在了哪里——老师分身乏术，协作也比较困难。
二是协作难。合作低效，分工不明确。
三是反馈慢。反馈延迟，完成学习任务的过程中，缺乏实时干预机制。
四是评价浅。老师不了解学生过程中遇到什么卡点、如何解决，过程难以评价。
五是差异大。学生能力差异大，推进难度高。
那么，AI如何支持更深刻的学习？这就需要重建关系，包括生生关系、师生关系，尤其是技术与人的关系——不同的技术选择，工具站位、与人的关系完全不同。
“精准学”关注差距，目的是对齐目标补短板。它的角色是“教的工具”，像一个不知疲倦的补习老师，盯着错题，时刻准备纠正。这是一种居高临下的审视关系。
“智能伴”关注“任务”，目的是在解决问题中发展能力。它的角色是“学的伙伴”，像一个经验丰富的登山向导 ，不替学生走路，在迷路时提供指针，在力竭时递拐杖。这是一种平视的协作关系。
在探索技术路径时，我们发现生成式AI更有可能成为“学伴”。
第一，它能支持过程中的学习。精准学通常判断结果，而过程中十个学生可能有十种不同的解法，开发相应资源的成本很高，但生成式AI刚好能支持过程性学习。
第二，它能处理非结构化、非标准化的学习表达。组卷时大家有体会：一道单选题如果A和C都能选，那就是题目有问题。但任务式学习或探究性学习的结果，往往很难简单用对错评价，而是非标准化的学习成果。AI在分析这类非标准化数据上有天然优势。
第三，它能提供及时、适配、低门槛的支架。
第四，它更适合进入复杂任务，而非单点练习。
当然，生成式AI越有能力，越不能被原样搬进课堂。因为它能力太强，可能会减少学习的“摩擦”，反而替代了学生的学习，起到反作用。
生成式AI走进课堂
的挑战及解决方案
蒲公英教育智库智能研究院在开发“蒲公英AI学伴”时，我们定位为“任务式学习的思维伙伴与引导教练”。
这是一款专为任务式学习设计的智能学习助手，旨在通过智能陪伴、个性化引导和数据驱动的反馈，帮助学生更高效地完成学习任务。通过多个独立而协作的智能体共同为学生提供个性化指导，确保任务执行过程中每个环节都能得到精准辅助。
开发的过程中我们发现，生成式AI走进课堂面临四个挑战。
挑战1
AI进校的安全性问题
通用大模型默认用户是成年人，难以避免回答一些偏向成人的问题，比如与感情相关的内容。学生会主动试探AI的边界——问跟学习无关的问题，或者网络上的梗，看看AI怎么回答。而且，AI“幻觉”会在教学场景中会被放大。
如果老师直接把AI交给学生，看不见使用过程、无法管控，就无法放心使用。
专业AI能力底座，专为教育现场需求而训练
针对教学场景，我们对AI能力底座做了调试。
第一，限定使用范围，降低无关领域干扰。
第二，确保内容健康性，屏蔽不当内容。
第三，控制幻觉。在AI底层加入所有版本的学校教材和大量教参，对于课标相关问题基本不会出现严重幻觉。
第四，分步解答：提供适量上下文，减少复杂主题，这样学生的思路不会受到太大影响。
第五，个性化支持：根据评估水平和之前的记忆，判断学生在哪些方面偏弱、对哪些方面感兴趣，回答时更贴近学生的兴趣和当前素养水平。
硬件级数据围栏，适配学校安全标准
AI学伴支持APP一键安装/卸载、浏览器域名控制、一键分组/全体锁屏，由学校直接管控。
挑战2
AI代劳学生的认知劳动
我们希望AI好用，但又不能太好用，因为学生容易把 AI 当成代写、代做、代思考工具。如果过程被外包，学习表面提效，但实际掏空，而且教师难以判断哪些成果是学生真实完成的。
而且，AI 如果直接给答案，会削弱任务式学习最重要的认知劳动。
设计启发式AI支架，不让AI成为作弊器
通过苏格拉底式提问引导学生主动学习，多用追问、提示、拆解、反馈来推动学生思考。每个智能体可以单独控制回答权限——根据任务需求调整支持程度。在某些复杂写作任务中，AI不但不回答问题，还会主动提问，让学生思考写好文章需要准备哪些内容。
挑战3
通用AI会回答，
但未必懂课堂任务
这是典型的“认知对齐”问题。AI能回答问题，但回答方式和内容可能与课堂任务无关；还可能脱离课堂规则，给出“场外”答案。
我们曾见过一个案例：老师根据任务设计了一套数据，但没有给AI；学生去问AI，AI给了另一套数据，学生不知道该用老师的还是AI的。
设计智能学习单，与AI对齐教育目标
“智能学习单”背后，是一个结构化的提示词：我的任务是什么？目标是什么？学生需要输出什么？每个步骤要做哪些事？AI哪些事不能帮学生做？我希望培养哪方面的能力？这样能帮助智能体更了解课堂，更自然地引导学生关注任务背后的思维目标。
挑战4
课堂需要连续支持，
而不是即用即走的问答工具
大多数AI提供的是单一服务。AI能力全面，但不同智能体的风格和规则不同，工作流程和要求都不一样。如果做一个大而全的万能智能体，非常难用，经常在不同地方突然“失忆”或出错。
还有一个重要问题是过程不可见。不少老师用豆包或AI老师与AI对话示范，但不直接把AI交到学生手里——因为一旦交到学生手里，每个学生开一个豆包，老师基本上不知道他们聊了什么，过程不可见，最终只能看到结果。
多智能体协同设计，以学生为中心的智囊团
每个智能体为任务的特定阶段调试，只完成一部分任务，调试更精准，也支持自定义。所有智能体的核心设计是“共享记忆”。如果在豆包上创建多个智能体，每个智能体是独立窗口，聊天记录不互通，需要复制粘贴结果。
我们把它做成了共享记忆的智能体池，就像学生与不同智能体拉了一个群，大家在群里聊天。学生在第一步分解任务时的想法、创意，第二个智能体接手时无需再描述一遍，减少认知对齐的成本。
我们还特别注重一点：非线性设计。目前网上能看到的学习机，基本都是线性设计。比如学写一个汉字，第一步临摹，第二步学拼音，一步一步完成。这样做确定性很强，有框架感和完成感。但学生的思维不是线性的，我们把“调用哪个智能体”的主动权交给学生，由学生自己决定在什么状态下调用哪个智能体，而不是由我们全程设计。
对学生学习情况的长期追踪
AI学伴落地学校后，有多层次的账号系统（老师、学生、班级），所有与AI对话的数据都在后台沉淀，可供查询。同时有长期记忆系统，在多轮对话后，AI能记住学生的特点和爱好，支持较少的token调用和处理。
过程/成果的数据反馈
AI学伴会把学生与AI互动的过程数据全部收集下来，每个任务涉及哪些素养，在有完整量规的情况下，支持过程性数据挖掘和长期记忆。使用一段时间后，就能沉淀出学生完整的素养画像。
未来课堂需要的AI：
不是让学习变容易，而是变深刻
当老师拥有这样的AI学伴——一个适合课堂的AI能力底座，并配置了智能学习单，在学习单中规定教学内容、教学规则，设定多个教学智能体——我们就像拼搭乐高一样，可以搭建出智能化的课堂。AI学伴落地学校后，会发展出一种“千人千面，千课千面”的气质。
在整个AI学伴的设计过程中，我们遵循以下原则：辅助而非主导，过程而非结果，发展而非灌输，可控而非泛用。
AI学伴的最终目标，不是替代老师，而是——
成为学生的学习教练，激发长期主动性，提升问题解决能力；
成为老师的智能助手，帮助减负、增效；
成为学校创新的工具，加速任务式学习等新型课堂样态的常态化、高质量落地。
未来课堂需要的AI，不是让学校学习变得更加容易的AI，而是让学习变得更加深刻的AI。技术总在追问怎样更高效，教育却必须追问什么值得被慢慢完成。答案，也许就藏在那些不能被压缩、不能被外包、不能被替代的成长里。
