从 Prompt 到 Skill,再到 App:老师正在成为 AI 时代的教育软件开发者

10 月 15 日，OpenAI 更新了面向美国 K–12 教育工作者的 AI Skills Jam 项目报告，标题是《From Curiosity to Classroom Outcomes》（从好奇到课堂成果）。这是一系列面向中小学教师和教育管理人员的 AI 实践培训。超过 1600 名教育工作者参加了活动。除了学习使用 ChatGPT，他们还在现场制作教案、教学材料、工作流程，甚至开发网站和小型应用。[1][2]

报告里有一组数据值得关注：在 802 份参与者反馈中，741 人表示自己带走了可以再次使用的工具或工作流程，约占 92%。在这 741 人中，18% 创建了 Skills、Projects 或 Apps，还有 10% 制作了网站。这些数据来自培训参与者的自我反馈，而且 Skills、Projects 和 Apps 被统计在同一类别，并不能据此判断有多少教师真正开发出了软件。[1]

但报告中的几个具体案例，让我注意到一种值得继续观察的变化：教师开始尝试把自己的工作方法、教学经验和具体需求，转化为可以反复使用的数字工具。

AI Skills Jam 由 OpenAI Academy 与 Walton Family Foundation 合作开展，2026 年夏秋两季在美国九个地区举办。[1]活动采取现场实践的形式。参与者在导师的指导下学习使用 AI，并尝试解决自己教学或管理中的真实问题。

报告介绍了几位教师的实践。伊利诺伊州的化学和物理教师 Karl Craddock，利用 ChatGPT 模拟实验，制作磁场等抽象概念的三维模型。对于磁场这样的内容，传统课堂往往依赖二维图片、板书或者实验设备帮助学生理解。现在，他可以将自己想到的教学活动快速转化为能够展示和操作的模型。Craddock 提到，有些在开车时想到的教学点子，可以在开课前制作好，准备在课堂上使用。[1]

犹他州的戏剧教师 Adam Hellewell 则从另一类需求出发。学校组织戏剧演出，除了指导学生排练，还需要安排试镜、拆解剧本、统计道具和服装、制定排练计划、与家长沟通。

Hellewell 在培训中开始借助 ChatGPT 制作一系列可复用的工具。有的用于整理试镜安排，有的将剧本转化为舞台制作清单，还有的尝试结合排练日程与当前进度，判断接下来需要处理的工作。这些工具还处于开发和探索阶段，并不是已经发布的成熟软件。但它们所对应的需求非常具体。[1]

对于一家商业软件公司来说，专门为某位戏剧教师开发一套符合其工作习惯的工具，可能很难获得足够的商业回报。而现在，提出需求的教师自己，就有机会借助 AI 尝试实现它。

报告中还有一位五年级教师 Ashtin Johnson，利用 AI 重建 Canvas 课程，并设计了五套不同主题的课程模板，包括统一的按钮、课程模块和面向家庭的信息页面。另一位教育管理者 Cesar Lopez，则创建了自己的 AI“幕僚长”，在每天工作结束前检查未读邮件，标出需要回复的事项。[1]

这些案例涉及的技术形态并不相同。有的是教学材料和模板，有的是可复用的工作流程，有的已经接近能够运行的小型应用。但它们有一个共同特点：需求来自教师和教育管理者自己的工作实践，工具也开始由他们直接参与创造。

过去，AI 教师助手主要围绕备课、出题、批改、沟通等任务提高效率。而在这些案例中，教师开始做另一件事：不只是使用 AI 提供的功能，而是尝试用 AI 创造自己需要的功能。这可能是一个更值得关注的变化。

过去几年，教师使用 AI，最常见的方式是 Prompt。比如，一位语文教师输入：“请根据这篇课文，为五年级学生设计十道阅读理解题。”AI 很快就能生成一组题目。这种方式当然有价值。教师可以减少准备常规材料的时间，把更多精力投入教学设计和学生反馈。

但如果仔细观察教师的工作，会发现很多任务背后其实都有一套相对稳定的方法。例如，同样是设计阅读理解练习，有经验的教师可能会先判断文章的难度，再确定训练目标，安排不同类型的问题。对于基础薄弱的学生，他可能更关注信息提取和内容理解；对于能力较强的学生，则会增加推理、分析和开放性问题。学生回答错误以后，教师也未必希望立即给出正确答案，而是先引导学生回到文本，寻找相关信息，再尝试修正自己的理解。这些决定来自教师长期积累的教学经验。

如果每次都通过 Prompt 向 AI 描述这套方法，教师需要不断重复相似的要求。但现在，他可以尝试把自己的教学方法整理成一组可复用的规则、步骤和判断标准，让 AI 在面对不同文章、不同学生时，都能够遵循这套方法。这就开始接近 Skill 或 Workflow 的形式。

这里的 Skill，并不特指某家公司的某种产品，而是泛指将任务规则、专业经验和处理步骤封装起来，使 AI 能够反复调用的能力。教师可以在后续任务中继续使用这套方法。

再进一步，如果教师希望学生直接在一个互动页面中完成练习，系统能够根据学生的回答提供不同提示，记录学习过程，并允许教师修改题目和反馈规则，那么这套教学方法就有机会被进一步组织成一个小型 App。

在这个过程中，Prompt、Skill 和 App 并不是必然递进的技术等级。Prompt 也可以复用，Skill 未必需要独立界面，App 也可以调用多个 Skill。不同形态适合解决不同的问题，并不存在越复杂就越有价值的关系。

但从这三个形态中，可以看到一种值得注意的变化：Prompt 主要帮助教师完成具体任务，Skill 让经验和方法得以复用，而 App 则可以把这些方法进一步转化为可交互、可持续运行的学习体验。

在一次性的 Prompt 中，教师主要告诉 AI：“帮我做什么。”当教学方法被封装成 Skill 或 App，教师就有机会进一步决定：“这个工具应该按照什么教学逻辑运行，如何回应学生，以及怎样判断任务是否完成。”

过去，教学经验主要存在于教师的实际行动、教案、教学资源和教研交流之中。现在，其中一部分经验有机会成为可以执行、复用和修改的数字能力。教师的教学经验，正在有机会变成工具本身的一部分。这比简单地让 AI 生成更多教学内容，可能具有更长远的意义。

要理解这种变化，需要回过头看看过去的教育软件是如何被创造出来的。无论是传统教育信息化产品，还是近几年的 AI 教育产品，它们大多遵循相似的开发逻辑：产品团队观察教育需求，选择具有一定代表性的场景，设计相应功能，再将软件交付给教师和学校使用。

一款作业系统提供布置、提交、批改和统计功能；一款备课软件提供教案、课件和教学资源；一款 AI 教师助手提供题目生成、课堂活动设计、作业反馈等能力。这些产品解决了大量实际问题。而且，教育软件的标准化也有其必要性。学校需要稳定的系统、统一的数据管理、可靠的安全机制，以及能够在不同年级和班级中持续运行的服务。

问题在于，真实的教学活动很难被一组预设功能完全覆盖。同样是五年级语文，不同学校、不同班级，甚至同一个班级在不同阶段，都可能需要不一样的学习活动。同样是一个科学实验，有的教师希望学生先观察现象再提出假设，有的教师希望学生通过改变变量发现规律，还有的教师可能希望把它设计成一项合作探究任务。教师会根据教学目标、学生经验和课堂反馈，选择不同的教学方式。

传统教育软件当然也可以提供参数配置、自定义模板、插件和其他扩展能力。但产品团队很难提前想到每一种教学情境，更不可能为每个教师的具体想法开发独立功能。因此，教师往往只能选择最接近自己需求的工具，再调整教学活动来适应软件。如果软件不支持某种教学流程，教师可能需要放弃部分设计，或者通过其他工具补充实现。

这实际上是教育技术长期面临的一种结构性矛盾：软件需要规模化，教学却需要情境化。

商业软件必须考虑开发成本、维护成本和市场规模，因此通常优先满足最普遍、最具有共性的需求。而很多有价值的教学想法，恰恰来自非常具体的情境。某位数学教师发现，班里的学生总是在一种特定的解题思路上出错，于是希望制作一个针对这种错误的互动练习。这套练习可能只适合他的班级，甚至只适合某一阶段的学生。它未必值得一家教育科技公司专门开发，但并不意味着它没有教育价值。

在过去，这些需求很可能因为技术门槛和开发成本而无法实现。AI 改变的正是其中一部分成本结构。教师可以通过自然语言描述自己的教学意图，让 AI 协助生成代码、界面和交互逻辑，并在实际使用中不断修改。这并不意味着教师已经能够轻松完成成熟软件的全部开发工作，但制作一个能够运行的教学原型，已经不再像过去那样依赖专业开发团队。

一些原本因为过于个性化、缺少商业规模而无法得到满足的教学需求，现在有机会由教师自己实现。这让教育软件的创造过程，开始可能更加接近教学实践本身。

从这个角度看，AI 降低软件开发门槛的意义，不只是让更多人能够制作 App。对于教育来说，它还可能让那些难以被标准化产品覆盖的教学想法，获得新的实现机会。

事实上，教师从来都不只是教学工具的被动使用者。他们一直在设计课程、修改教材、制作课件、编写练习，也有一些教师会利用 Excel、脚本、低代码平台甚至编程工具来解决教学问题。“教师是设计者”，本身并不是一个全新的概念。

真正发生变化的是，将教学想法转化成可运行数字工具的成本，正在显著降低。以前，一位教师可能能够设计出很好的教学活动，但如果希望把它变成具有交互、反馈和记录功能的数字应用，往往还需要额外的技术能力。现在，AI 可以承担其中一部分技术实现工作。教师负责提出问题、确定目标、设定教学规则和判断效果；AI 协助生成代码、界面与工作流程。这让教师原本就具备的教学设计能力，有机会进一步延伸到数字工具的创造过程。

2026 年 6 月，一项关于 K–12 教师利用 Vibe Coding 创造 AI 学习工具的研究，提出了 GAIDE（A Guiding Framework for AI-Integrated Design for Educators）框架。研究者通过一场为期八周的工作坊，观察了三名教师和四名高校导师参与工具设计的过程，并据此完善框架。[3]

这是一项规模较小的探索性研究，还不足以证明这种方式能够在教师群体中普遍推广。但它提出了一个值得注意的方向：教师可以通过直接参与创造数字工具，发展自己的 AI 素养，并将教学知识带入技术设计。

如果沿着这个方向继续思考，教师与教育软件之间的关系，可能出现比使用方式更深层的变化。例如，同样是一个 AI 阅读辅导工具，一位教师可能希望系统先让学生独立思考，再逐步提供提示。另一位教师则可能更重视观点讨论，希望系统不断提出不同立场的问题，让学生通过比较和论证加深理解。两位教师可能使用相同的模型、课程材料和底层技术，但他们希望组织的学习过程并不一样。

如果系统只能按照开发者预设的方式运行，那么教师只能选择其中最接近自己需求的功能。但如果教师能够直接修改 AI 的反馈规则、交互流程和评价方法，就有机会创造出不同的学习体验。这才是我认为真正值得关注的地方。教师不只是选择使用哪种工具，还可以进一步参与决定工具应该如何开展教学活动。

当然，拥有这种能力，并不意味着教师一定会作出更好的教学设计。技术实现能力与教学判断能力仍然是两回事。OpenAI 的 Skills Jam 报告中，有一个案例恰好体现了这种区别。

佐治亚州的四年级教师 Francesca Summers，在使用 AI 设计课程时，首先确定课程标准、学习目标、成功标准，以及学生已有的学习表现，然后才让 AI 协助组织和调整教学材料。她会针对不同学生生成词汇支持、分层活动和小组学习安排，但 AI 提供的建议，仍然需要由她决定保留、修改还是舍弃。她强调的是，先从教学标准出发，而不是先从 AI 出发。[1]

在 Summers 的课程规划实践中，AI 承担材料的组织和调整，教学目标与取舍仍由教师决定。

因此，未来衡量教育 AI 的价值，或许不能只看它已经内置了多少功能，还需要进一步追问：它允许教师改变多少东西？教师能否自行定义教学流程，修改反馈规则，组合不同能力，甚至创造原本不存在的学习活动？当 AI 的行为不符合预期时，教师是否能够检查问题、调整方法，并真正改变系统接下来的行动？这些问题关系到教师对数字教学工具的设计权与控制权。

从这个角度看，AI 时代教师的技术素养，也可能发生变化。过去，我们关注教师是否能够操作某款教学软件。后来，我们开始关注教师是否掌握 Prompt，是否能够借助 AI 提高工作效率。而未来，教师可能还需要具备另一种能力：把教学问题清楚地定义出来，并与 AI 协作，将自己的教学经验转化成可以实践、验证和改进的工具。

即使不具备传统的软件开发技能，教师也可能更深入地参与技术创造。

如果教师越来越容易创造自己的教学工具，那么教育软件行业会发生什么变化？我认为，一个值得关注的方向是：教育产品的价值，可能逐渐从提供多少预设功能，扩展到为教师提供多大的创造空间。

过去，教育软件公司主要围绕特定场景开发产品。围绕作业场景开发作业系统，围绕备课场景开发备课工具，围绕英语口语训练开发口语陪练。AI 让这些产品具备了更强的生成能力，但很多产品的底层逻辑仍然相似：由产品公司定义场景、设计流程，教师在预设框架内使用。即使增加了大量 AI 功能，教师通常仍然只能在既有的功能边界中完成任务。

未来可能出现另一种产品形态。平台提供可靠的模型能力、课程资源、数据接口、权限管理、运行环境和安全保障，而教师则可以根据自己的需求，创建小型应用、组织工作流程、定义交互方式，并与其他教师分享和改进。同一个稳定、灵活的平台，可以支持教师持续创造工具，发展不同的教学实践。

这并不意味着预设功能会消失。对于考试管理、成绩统计、学生信息管理等需要高度可靠性和统一性的场景，标准化仍然非常重要。教师也没有必要为每个常规任务重新开发一套软件。但在教学活动设计、资源适配、个性化练习和课堂互动等领域，教师自主创造的空间可能会越来越大。

甚至，未来学校中可能会出现大量过去不值得被商业化开发的“小工具”。一个数学教师为某类常见错误制作的交互式练习，一个历史教师为某个专题设计的角色模拟活动，一个科学教师为某项实验制作的变量控制工具。这些应用未必有成千上万的用户，也不一定需要成为商业产品。只要能够解决具体的教学问题，它们就有存在的价值。

当然，当这样的工具越来越多，也会带来新的问题。如果每位教师都制作自己的应用，学校如何管理？如果工具需要保存学生的学习记录，怎样确保数据安全？如果多个教师希望复用同一套工具，如何避免重复开发，保证后续维护？

这也让专业教育软件有机会提供新的服务。教育技术公司提供可靠的基础设施、通用能力与运行平台，教师贡献具体的教学经验和需求，学校则负责必要的技术支持、质量管理与安全治理。软件公司不需要完全退出教学功能的设计，教师也不必独自承担整个开发过程。两者之间的分工可能会更加灵活。

这里还有一个值得继续观察的变化。过去，优秀教师的教学经验主要通过公开课、教案、培训和教研活动传播。如果这些经验能够被封装成 Skill 或小型应用，其他教师就不只是阅读一份教学方案，还可以直接体验它的运行方式，根据自己的学生和课堂情况进行修改，再把新的经验反馈进去。教学经验的传播对象，可能从静态的内容和方法，进一步扩展到能够运行、修改和组合的数字工具。

这有机会形成另一种教研协作方式，也要求平台支持工具的复用、协作、验证与持续演进。教育软件也可能成为由教师持续塑造的工具体系。

不过，这种变化还面临不少现实问题。首先，能够制作一个运行中的应用原型，与能够制作安全、稳定、有效的教育产品，中间仍然有很长的距离。

AI 可以很快生成一个互动练习，但它设计的反馈是否符合教学目标？能否真正促进学生理解？是否会产生错误信息？如果应用需要处理学生姓名、学习记录和课堂表现，如何保证数据隐私？如果某个教师制作的工具被其他学校采用，谁来负责测试、维护和更新？这些问题不能仅靠 AI 会写代码来解决。

而且，不同教师拥有的技术经验、时间和学校支持条件并不相同。如果把开发 AI 应用变成教师新的工作要求，反而可能增加负担，甚至进一步扩大教师之间的数字能力差距。

因此，教育 AI 生态还需要提供持续的支持，让教师能够低门槛地表达需求、生成原型、检查效果，并在需要时获得专业人员的安全审查、技术支持和长期维护。教师应该拥有决定教学工具如何服务教学的权利，同时获得足够的支持，而不必独自承担开发和运行的全部成本。

另一个需要注意的问题是，AI 能够帮助教师创造工具，并不自动意味着它会增强教师的专业自主性。如果系统默认决定教学节奏、学生分组、反馈方式和学习评价，而教师只能接受算法建议，那么即使系统具有很强的生成和自动化能力，也未必真正提高了教师的自主权。因此，比教师能不能创建 App 更重要的，是教师能否始终参与并掌握关键的教学判断。

这也需要回到 OpenAI 的 Skills Jam 报告本身。报告展示的是培训活动中的实践成果，并没有系统追踪这些工具在几个月之后是否仍然被使用，也没有验证它们是否真正改善了学生的学习效果。[1]从一次培训中的工具原型，走向能够持续服务教学的数字应用，还需要经过实际使用、反馈和验证。目前的证据尚不足以证明教师已经普遍开始开发教育软件，更无法断言未来的教育产品一定会转向由教师自主创造的模式。但这些实践已经让我们看到了另一种可能性。

过去几十年，教育软件一直在尝试将教学过程数字化、标准化和智能化。但在这个过程中，教师也经常需要学习软件的操作方式，理解产品预设的流程，再把自己的教学活动组织到这些功能之中。

AI 正在让另一种关系成为可能。教师可以从自己的教学问题出发，定义需要的功能，让 AI 协助实现，再根据实际效果继续修改。

从 Prompt 到 Skill，再到 App，教学经验与数字技术之间的距离正在缩短。

这种能力一旦成熟，教育技术行业可能需要重新思考一个问题：既然技术已经能够更容易地适应人的想法，为什么还要让教师不断地适应软件的设计？

未来的教育产品，当然仍然需要可靠的模型能力、教学内容、安全机制和学习效果验证。但除此之外，或许还需要一个越来越重要的维度：一款产品能够在多大程度上支持教师发挥自己的专业判断和创造力？

教育的复杂性，注定不可能被一套固定的产品功能完全覆盖。而这种复杂性，恰恰也是教师专业价值所在。过去，教师主要选择、学习和使用别人设计的软件。未来，他们有机会更直接地参与定义、创造和改进自己的数字教学工具。

老师不一定需要成为程序员。但那些最了解学生、最理解教学目标、最清楚某个课堂活动为什么要这样设计的人，可能终于能够以更低的门槛，把自己的教育想法变成真正可用的工具。这或许是 AI 给教育带来的另一种重要可能：让教师的判断拥有更大的实现空间。

资料来源：

[1] OpenAI：From Curiosity to Classroom Outcomes，K–12 AI Skills Jam 项目实践报告。

[2] OpenAI：Helping K–12 educators build practical AI skills，2026 年 7 月 8 日发布，10 月 15 日更新。

[3] Song et al.：A Guiding Framework for K–12 Teachers in Creating AI-powered Learning Technologies through Vibe Coding，arXiv 预印本，2026 年 6 月 9 日提交。