从一位高中数学老师,到 Nectivon 0.8.6——我想工程化的,不只是“错题本”

272 · Nectivon 开发札记｜2026 年 9 月｜0.8.6

一、为什么当年我们班很少有人下课问数学题

高中时，我在建邺高级中学中华班。丁兴春老师既是班主任，也是数学老师。很多年以后再回头看，我觉得最反常、也最能说明问题的一个细节，不是“他讲过多少难题”，而是：我们班同学很少在下课以后围着老师问数学题。

这件事放在当时并不显眼。反过来看才会发现，它和周围不少班级“数学越学越不懂、课后还要继续追着老师问”的状态形成了很明显的对照。中华班本身是尖子班，学生基础、同伴氛围、自主学习能力都会影响结果，所以不能把全部差异都归因于一个老师；但班级内部长期形成的共同感受仍然很清楚：数学不是一堆碰运气的怪题，而是有结构、有方法、有规律可循。

我后来越来越觉得，丁老师真正厉害的地方，不只是会把一道题讲对，而是能提前消灭大量“为什么我自己一做就不会”的问题。他会让学生继续追问：为什么想到这个方法？用了哪些课本知识？有没有二级结论？结论成立需要什么条件？还有没有别的方法？如果条件变了，还能不能继续用？

二、我后来才理解：真正稀缺的不是答案，而是“判断”

如果优秀教师的价值只是“知道很多题的答案”，那么到了 2026 年，搜索、题库和大模型早就拥有远超个人的知识容量。可为什么毕业多年以后，我们仍然会怀念一位真正优秀的老师？

因为真正稀缺的是判断：同样一道题，什么值得留下，什么只是一次性计算；学生真正卡在哪里；这道题代表哪个方法；哪些关系可以提炼成以后反复调用的二级结论；什么时候应该想到它；缺少哪个条件就不能用；下一道训练题应该练什么，而不是单纯“同知识点再来一道”。

这也是我现在重新理解“特级教师”三个字的地方。稀缺的从来不是某一个单点能力，而是学科知识、考试经验、题目筛选、抽象归纳、学生诊断、方法触发、边界意识和训练节奏同时集中在一个人身上，并且能长期稳定地执行。

三、到了 2026 年，学习 APP 已经做到哪一步？

因此，在做 Nectivon 0.8.6 之前，我专门重新看了一遍截至 2026 年 9 月 26 日公开可见的学习产品能力。结论并不是“别人都还停留在搜题”。恰恰相反，头部产品已经把很多我们熟悉的能力做得很成熟。

注：上表概括的是截至 2026 年 9 月 26 日公开页面所展示的能力边界，只用于说明产品路径，不据此判断各产品的真实学习效果。具体来源见文末“资料说明”。

这张表反而让我更确定一件事：如果 Nectivon 只是再加一个“AI 错题分析”、再做一个“智能同类题推荐”，差异并不成立。错因分析、薄弱点诊断、举一反三、掌握度、错题本，市场上都已经有人做。甚至“多轮复习”“间隔重复”“PDF/Word导入”“OMR 机读卡扫描”这些单点能力，也都不是什么无人区。

四、0.8.6不该重复做“另一个 AI 错题本”

因此，我现在对 0.8.6 的定义越来越清楚：它不是给原来的知识库硬塞一个“错题本模块”，而是第一次尝试把我曾经亲身体验过的一套优秀教师工作流工程化。

1. 错题和好题，都可以成为学习资产

传统错题本天然从“做错了”开始。但丁老师当年的训练并不是只有错题才值得留下。一道题即使做对，只要方法典型、结构漂亮、能导出二级结论、存在容易忽略的条件，或者能代表一整个题型族，它就值得整理。

因此在 Nectivon 里，“错没错”更应该只是题目的一项属性，而不是进入系统的唯一门槛。真正的对象不是 Wrong Question，而是一条可以不断生长、修订和复用的学习资产。

2. 二级结论不能退化成“AI 总结一句话”

网上从来不缺“高中数学二级结论 50 条”“圆锥曲线常用结论大全”。问题是，如果二级结论只剩下一张需要背诵的清单，它很容易重新变成另一种公式表。真正有价值的二级结论，至少应该回答四件事：它从哪来、什么条件下成立、什么时候想到它、什么时候不能套。

这也是我希望 Nectivon 第二层真正做深的地方。一个二级结论可以有来源题、一级依据、推导过程、成立条件、触发特征、边界与反例、相关方法族、支持证据，以及人工确认状态。更进一步，它甚至应该有版本。

这时它就不再是“AI 帮我总结了一句话”，而是一个真正会随着新题生长、也允许被新证据推翻的个人知识资产。

3. “同类题”不等于“针对训练”

针对训练同样不能只做“错题 → 知识点 → 随机再找三道同知识点题”。因为知识点标签正确，不等于训练决策正确。

例如，一道导数题真正暴露的问题可能是：看到“存在唯一零点”时，没有想到把问题转成单调性或极值分析。如果系统只标记“导数”，它完全可能从整个导数题库里推来基础求导、切线、恒成立、参数压轴甚至竞赛风格题。数据库层面是“同知识点”，对考前复习却可能毫无价值。

所以，Nectivon 的针对训练更应该沿着“错因 → 方法 → 方法触发 → 当前需要训练的能力 → 考试范围→ 题源”继续往下走。训练题为什么被推荐，也应该能够解释。

·考试范围闸：先限制当前课程、考试阶段和允许难度，避免偏题、怪题、超纲题。

·训练目标闸：明确究竟在练知识点、方法、二级结论、触发条件、边界还是某一类错因。

·难度锚点闸：以用户真实做过的题和当前掌握度为参照，不让“难度”变成大模型拍脑袋。

·题源优先级闸：优先使用用户自己的真实资料，其次是真题、高质量模拟卷和已审核题库，AI 生成题只作为补充。

4. 多轮复盘，不只是“隔几天再刷一遍”

高考复习时，我自己常把同一批错题复盘三到四遍。后来再看，这件事说明“错题”不应该是一个静态条目，而应该是一条时间线。

第一次复盘可以问“还会不会做、能不能独立做、原来的错因还在不在”；第二次继续看“还需不需要提示、方法能不能自己想到”；第三次看“变式还能不能做、边界条件还会不会混”；到了后面再判断“是否已经稳定掌握、是否可以退出高频复习队列”。

这也能和“会做 ≠ 会讲”接起来。一个学生可能已经独立做对，但仍然说不清为什么这样做；也可能会讲原题，却在条件稍微变化以后再次失效。这样的差异，比单纯给一道题打“已掌握/未掌握”更有价值。

真正到了期中、期末或高考前，系统也不应该把几百道旧错题全部重新搬出来，而应该继续压缩：必须重做的题、少量代表题、高频二级结论、自己最容易犯的边界问题。已经连续多次稳定掌握的内容，可以降频，甚至压缩成“一道代表题 + 一个方法结论 + 一个易错边界”。

五、第二条真实输入链：把《自动控制原理》作业拍进平台

0.8.6 还有另一条很现实的验证链。错题整理工作流不能只停留在“平台里已经有一条结构化题目”，真实学生最常见的入口仍然是纸面作业、试卷和手写过程。因此我准备继续由自己提供资料，用正在学习的《自动控制原理》作业题测试拍照上传。

这里真正要验证的也不是“相机能不能拍一张图”，而是照片进入以后，平台能否可靠地还原成后续工作流可以使用的题目对象：题号、题干、公式、结构图/信号流图、学生作答、解题步骤之间的归属能不能分清；OCR 或题目切分错了以后，用户能不能直接修正；原始证据还能不能回到具体页面和区域。

这条链路如果跑通，Nectivon 才会形成真正完整的闭环：真实资料进入 → 做题 → 拍照回传 → 识别与人工修正 → 单题整理 → 跨题归纳 → 针对训练 → 多轮复盘 → 考前压缩。

六、Nectivon真正可能形成的竞争优势是什么？

现在我越来越不想用“功能更多”来描述 Nectivon。因为功能表很容易误导：作业帮有错题本和薄弱点，小猿有错因分析和举一反三，智学网有扫描、阅卷和学情，小型错题 APP 还能做间隔重复。把这些功能名称排在一起，很容易得出“别人什么都有”的结论。

但教育产品真正的深度不等于功能数量。关键在于，一道题进入以后，这套系统能不能长期回答一串彼此关联的问题：

·为什么这道题值得留下？

·为什么会错，或者为什么这道好题值得整理？

·它代表什么方法、什么题型族？

·能抽象出什么二级结论？结论如何推导？

·成立条件、触发条件、边界和反例分别是什么？

·下一步究竟该练什么，为什么是这道题？

·练完以后是真的会做、会讲、会迁移，还是只是刚刚看懂？

·三个月以后，考前还需要再看什么？

如果这些东西最终都只是一次性的大模型输出，意义仍然有限。Nectivon的老路线——证据绑定、人工可修订、原始来源可追溯——反而应该继续成为底座：用户自己的真实材料，经过用户自己的修订，逐渐形成用户自己的方法体系和长期复盘记录。

七、这条路线是否成立，要交给第零批用户

到这里仍然不能宣布“我们已经找到了答案”。基于目前公开资料，我很少看到主流产品把“好题/错题筛选—错因与方法—二级结论—成立条件—方法触发—边界反例—针对训练—多轮复盘—考前压缩”以这样的深度长期串成一个闭环；但“公开资料里没看到”不等于绝对不存在，更不等于用户一定愿意长期使用这么深的流程。

真正需要验证的问题不是“这些技术能不能做”。OCR、题库、推荐、间隔复习、智能阅卷，大量单点能力都已经证明技术上可以成立。真正的问题是：学生愿不愿意持续沿着这样一条工作流走下去；这套整理能不能真的减少无效刷题；三个月后，用户留下的是不是比传统错题本更少、更准、更能迁移的知识资产。

如果以后一个用户原本只会收藏 100 道错题，最后 Nectivon 能帮助他压缩成 12 个真正的薄弱模式、8 个方法触发、6 个二级结论、4 个反复踩的边界问题，并且围绕这些东西复盘三四轮，那么这个方向才真正被证明。

结语：我想留下的，不是一道题的答案

很多年以后，我已经记不清高中做过的绝大多数数学题，却还记得丁老师要求我们怎么看题、怎么复盘、怎么总结。也许优秀教学真正留下来的，从来不是那一张试卷本身，而是处理以后陌生问题的一套方法。

0.8.6 对我来说，就是Nectivon 第一次认真尝试把这件事情做进产品。

我不想把它做成一个“功能更多”的 AI 错题本。真正值得验证的是：软件能不能把优秀教师原本高度依赖个人经验的深度学习工作流，降低到普通学生也能长期执行的成本。

0.8.6 也不会是这套学习工作流的终点。后续我还会继续通过与不同背景、不同学习阶段的用户访谈和长期交流，观察他们真正需要什么样的学习流程，再从真实需求里逐步抽象出更多可以复用的通用工作流。

比如，T0 学生真正缺的可能并不是“把不会的题讲明白”，而是怎样更高效地筛选高价值好题、识别更深的结构、建立方法族，并把已经掌握的知识进一步压缩。像兰州大学数学系的李一凡这类学生，可能更关注解题研究、好题筛选、多解法比较、证明思路和结论之间的联系；而方以雯这样的医学生，面对大量概念、机制、知识依赖和长期记忆任务，所需要的工作流很可能与数学完全不同。

再往工科场景走，电赛备赛同样不是一种统一的学习方式。控制、信号、电源等方向各自都有不同的知识组织方式：有的更强调系统模型、条件和调参经验，有的更强调波形、频域分析和信号链路，有的则高度依赖器件特性、拓扑选择、实验现象与工程经验。

所以后续真正要做的，不是提前假设“所有学生都应该按照同一套错题流程学习”，而是先进入不同用户的真实学习环境，理解他们原本是怎样学习、哪里最耗时间、哪些经验最难沉淀，再判断哪些环节值得被工程化。

Nectivon 最终希望沉淀的，也不只是某一套固定的“错题工作流”，而是一组来自真实用户、经过反复验证、能够适配不同学科与不同学习阶段的通用学习工作流。

资料说明

本文关于竞品能力的概括，以 2026 年 9 月 26 日仍可公开访问的官方产品页面和应用商店页面为依据。这些页面能够证明“产品公开宣称提供哪些能力”，但不能单独证明实际学习效果、平均推荐质量或不同学段上的效果差异。

〔1〕小猿 AI（Apple App Store 中国区）：公开介绍包含全学科作业批改、错因分析、错题管理、改进方案、解题要点、举一反三与薄弱点精准练习等能力。

〔2〕小猿搜题（Apple App Store 中国区）：公开介绍包含 32 亿题库、拍照解题、作业检查、同步练习、错题本及真人讲题等能力。

〔3〕作业帮官网：公开介绍包含海量真题试卷、个性化推荐练习、智能分析薄弱点、同步复习，以及 OCR 与检索相关技术能力。

〔4〕智学网帮助中心、答题卡制作页及学生/教师端公开说明：可确认答题卡制作、扫描答卷、智能阅卷、考后分析、学情分析、练习中心、错题本等能力。