9月16日，黄圃镇培红小学的集体备课时间有些不一样。

上午十点，会议室里坐着的不是"等讲座"的老师，而是"带着任务来"的老师。有人打开电脑登录知识库，有人把单词表拖进对话框，还有人举手喊助教过去看一眼——他们的屏幕上，跑的是一份份真实的教学任务。

这是中山市教师发展中心"AI进教研组"公益送培活动的一天。与常见的"请专家讲一场"不同，来的不只是讲座：中山市教师发展中心数字化学习部团队联合华南师范大学博士生团队，把专家"送进教研组"，和一线老师一起面对真实的备课痛点。而在这堂课开始之前，还有两个容易被忽略的前置动作——先收集需求，再做素养测评。

一、先测评、再开方：把"培训菜单"交给老师自己开

一场培训的成色，往往在开讲之前就定了。

入校前，团队做了两件事。

第一件是需求调研。团队提前到校对学校教研情况进行摸底，把老师们最"堵"的地方一条条记下来：作业分层的实操、个性化教学、精讲精练、关键信息提取；英语学科还提出了语音跟读、自然拼读、单词闯关等具体诉求。这些需求后来直接变成了当天的任务清单。

第二件是素养测评。参与活动的教师依托国家《教师数字素养》行业标准编制的测评问卷，从数字化意识、数字技术知识与技能、数字化应用、数字社会责任、专业发展五个维度完成了一次"数字画像"。测评完成后，系统生成个人数字素养测评报告，并给出相应的课程选报建议。

测评不是走过场。它决定了这一天怎么分场、怎么配任务：上午面向各学科教师，下午专门面向语文与综合学科教师，内容随对象调整。我们的理念是，培训要"对症下药"，而不是"一刀切"。

二、上午场：三个模块，人人动手，现场出成果

上午数字化学习部林老师和崔老师分别进行，博士团队全程担任助教，分散到各排走动指导。三个模块，一个比一个"接地气"。

在研讨的同时，团队走进学校课堂，邀请代表老师，开展深度调研，实现培训和调查两不误，后期还会邀请学校方开展相关主题研究。

模块一：一份"会自己统计"的分层作业

分层作业不是新概念，难的是"数据从哪来、做完怎么看"。现场演示的链路是这样的——

先在知识库里建起校本备课资源池，把课标、教学课件、教学设计、错题集分门别类存进去；再通过连接器把知识库和"企鹅教师助手"接入工作台；然后用一句大白话把任务说清楚："针对人教版五年级下册《分数的意义》，按ABC三层设计一份分层作业，以表格形式输出，知识点以教学设计或教学课件为准，参考课标要求"。

几分钟后，一份标准的分层作业Word文档生成，题目、参考答案、设计意图、评价标准一应俱全，老师还能直接在文档上改。

真正的"关键一跃"在后面：把三份分层作业分别存入腾讯问卷，学生扫码即答；再由AI生成一个HTML数据仪表盘，自动统计完成率、正确率、易错选项分布和知识点掌握情况。

从"布置作业"到"数据回收—精讲精练"，中间的录入、统计、制表全被省掉了。

模块二：英语老师想要的那个"跟读小工具"

英语学科有个老难题：个性化的跟读、拼读工具，网上很难找到刚好合适的。

现场演示的解法是"自己搭"：调用网页开发技能，上传自己的单词表，用自然语言描述需求——"生成一个自然拼读跟读界面，包含单词音标、中文释义，点击词条即可播放，支持跟读录音对比"。生成的网页能调节语速、音色、口音，学生录完音能看到评分和标准音对比，还有重点句型和记忆小贴士。

但这还不够。老师想知道学生练了多少、读得对不对，于是再补一句需求：加一个数据仪表盘，让教师看到每个学生的过程性记录。再补一句：把网页部署到云平台，这样学生在家里、老师在学校访问的是同一份数据。

同样的思路可以迁移：数学做公式记忆接龙，语文做古诗配对、成语接龙。

模块三：把"一个人的经验"变成"全组能用的流程"

第三个模块讲Skill。

什么是Skill？通俗讲，就是把一个固定流程固化下来：先做什么、再做什么、最后输出什么。相比临时写的提示词，它更稳定、可复用、可传递、可优化。

现场演示了两个例子。一个是教学设计Skill：联动知识库里积累的优秀教学设计，归纳出本学科备课的一般流程，再套用教师自己的教学设计模板，自动填充教学内容、学情分析、目标、重难点、教学方法、教学环节和教学反思。另一个是报销Skill——发展中心已经建成，把一堆电子材料交给它，表格自动填好，打印出来就能交财务。

好Skill有标准：资料名称明确、适用场景清楚、输入说明清晰、步骤可执行、输出结果具体。崔静老师的一句提醒很实在："越单一，执行效率和质量越高。"

三、下午场

语文老师的"翻盘机会"，和四个"库"

下午的对象换成了语文与综合学科教师，林老师先讲了三个判断。

第一个判断关于时机。他说，AI刚刚经历了一轮更迭，变化最大的不是某个功能，而是教育生产模式。这像一趟快车，"搭上了，后面的路会好走很多"。而对语文老师来说，机会尤其明显——因为用好AI有一个共同前提：谁能更准确地描述自己的需求，谁就能抢占先机。语文老师在这方面有天然优势。

第二个判断关于角色。过去用大模型，一次一个指令，只能办一件事；现在可以把一整天的复杂任务一次性交代清楚——明天上什么课、讲哪一课、手头已有哪些材料，然后由它统筹完成。老师们要意识到一个转变："你不再只是执行者，而是调度者。"

第三个判断，也是下午最实在的部分：要建库。

林老师把学校该建的库拆成了四类：

为什么要建库？答案很直接："大模型要发挥威力，必须依靠数据。没有数据就没有威力。"但他同时强调，数据不能由一个人建，必须协同建构——一个人的力量永远是有限的，只有全校协同，库才能真正发挥作用。

下午还交流了两个务实话题。一是算力怎么省：每日积分可以手动领，也可以配一个定时任务自动领；模型按需选择，性价比高的优先；更彻底的办法是配置自定义模型，接入免费的模型接口，跑任务时不消耗积分；实在不够，再购买API专用通道。二是"专家"和"技能"的区别：专家是一个领域角色，负责把握框架和思路；技能负责具体执行。两者可以组合使用——比如先建一个"数学分层作业专家"统领流程，再配"生成分层作业"和"批改补偿"两个技能。

四、把"库"留在学校，把"机制"留下来

一天下来，比操作技巧更值得带走的，是方法。

林老师在下午反复提到一件事：不少学校以为数字化就是添置设备，其实不然，"最重要的是制度化建立协同机制"。哪个教研组先形成共建共享的习惯，哪个教研组的效率就会先提升——这种红利，越早建立越早享受，基础薄弱的学校反而更应该尽早动手。

换句话说，培训要留下的不只是几个提示词模板，而是学校自己的数据底座和一个能持续运转的协作机制。

五、重实效、强转化：这场培训怎么"收口"

"AI进教研组"的理念是把更多的时间用于动手实操，少讲多做。

后期研讨活动的设计是"三个一"：即每组至少产出一份AI辅助修改的教学设计或作业设计、一个可以直接进课堂的小工具、一句"AI帮我解决了什么"的感悟。粗糙没关系，真实最重要。

活动结束前，老师们可以扫码完成了一份大约3分钟的短问卷。请老师分别回想"刚入场时"和"现在"两个时点，对自己的了解程度、操作能力、应用信心和价值认同各打一次分。这样测出来的，是这场活动真实带来的变化。

一个月后，还会有一轮轻量回访：两题追踪加作品征集，优秀作品推荐参加市级展示交流。

主观增益加客观产出，两条证据链，回答同一个问题：这场培训，到底改变了什么。

结语

从"听讲座"到"一起干"，从"送一场培训"到"留一套机制"。

当AI走进教研组、当老师们的电脑屏幕亮着真实的任务、当一份份资源沉进学校自己的知识库，"AI赋能"才不只是一句口号。这也正是"AI进教研组"的初衷——让每一所学校都有底气、有能力用好AI，而且花很少的钱。