清华造AI课堂,港大做私人家教!这5个开源项目,正在颠覆传统学习软件

大家好，我是程序员老李。

最近两天，在 X 上突然连续出现了好几个与教育、学习有关的开源项目，有清华团队做的 AI 互动课堂，有港大团队开发的私人学习助手，还有程序员爸爸给孩子做的英语口语陪练。

还有几天前网上爆火的中小学的知识图谱项目。

原本我以为又是几个接入大模型的学习工具，仔细翻了一下 GitHub，发现这些项目的思路还真不太一样。

以前的一些所谓 AI 教育，基本上是拍照搜题、自动批改作业，或者让 ChatGPT 解释一道数学题。现在这些开源项目，已经开始尝试把整个学习过程重新组织起来了。

第一个项目叫 cn-math-taxonomy，是一个面向国内中小学的知识图谱项目，覆盖了从小学一年级到高三的所有知识点。

它最吸引我的地方，是能够沿着知识点之间的依赖关系，向前追溯学习问题。

举个例子，孩子到了初中，怎么都学不明白一元二次方程。你反复给他讲公式，甚至换几个老师讲，效果可能都不好。

但真正的问题，有可能是他小学的分数运算没学扎实，或者初一的整式运算就存在问题。

这个项目把不同年级的知识点组织成一张关系图，并标记哪些知识需要先掌握哪些基础内容。通过诊断题，能够尝试沿着这些关系寻找薄弱环节。

目前项目已经覆盖数学、英语、物理等学科，并陆续扩展语文、科学等内容，支持网页使用和前置知识诊断。

老李觉得这个思路很值得研究。

传统教学通常按照年级和教材章节推进，但孩子的知识掌握情况未必跟得上教材进度。如果能够准确定位前置知识缺口，辅导就能更有针对性。

第二个项目叫 Wrong Notebook，是一个开源的 AI 智能错题本。

相信不少家长都经历过这种场景：孩子做错一道数学题，家长让他抄到错题本里，写上正确答案，再整理一遍解题过程。

结果过了一个星期，同样类型的题目还是不会。

问题出在哪里？

我觉得错题本最大的价值，应该是帮助学生找到没有掌握的知识，并且通过后续练习确认有没有真正学会。

Wrong Notebook 就在尝试解决这件事。

它支持拍照或者输入题目，让 AI 自动识别、生成解析、标记知识点和难度，然后把错题归档管理。

比较实用的是，它还能围绕原来的错题生成同类变式题，支持间隔复习、掌握程度跟踪，以及把错题整理成试卷打印出来。

项目甚至加入了 SVG 动画讲解，可以把解题过程拆成多个步骤，配合语音进行演示。

如果把它和刚才的知识图谱放在一起理解，逻辑就比较清楚了。

知识图谱负责分析哪里可能没学懂，错题本负责记录和验证后续有没有学会。

这里说的是两类能力能够互补，并不是两个项目已经完成了直接集成。

Wrong Notebook 还提供 Windows、macOS、Linux、安卓等版本，也支持自己部署，普通家长可以优先尝试安装包。

相比前面两个项目，我反而很喜欢这个叫 Speaking Island（开口小岛） 的小应用。

作者是一位宝爸，使用蚂蚁百灵 Ming-3.0 语音系列模型，配合 AI 编程工具，做了一款儿童英语启蒙应用。

它的玩法很简单。

画面中有一只小熊，正在准备野餐。孩子需要通过英语表达自己想要的水果、颜色，以及一些简单的礼貌请求。

比如告诉小熊自己想要一个梨，说出对应的英文，小熊会根据任务判断孩子的表达，并给予反馈。

项目使用了三类模型能力：语音识别负责把声音转成文字，音频理解负责结合当前任务判断表达内容，语音合成则负责小熊的英文引导和回应。

我觉得它比单纯让孩子对着屏幕朗读单词更符合低龄学习场景。

毕竟很多孩子不愿意开口说英语，有时候只是因为害羞，或者觉得机械重复单词太无聊。

让他在完成游戏任务的过程中自然开口，至少提供了一种不同的练习方式。

这里还有一个值得注意的设计：项目会结合任务语境理解表达。例如 pear 和 pair 发音相同，系统可以参考当前水果任务进行判断，而不是完全依赖文字转写。

目前这个项目主要是固定场景下的口语表达练习，还没有实现完整的自由聊天、发音音素评分或个性化课程。

但它已经给开发者和家长提供了一个可以继续改造的基础。

如果说前面几个项目还在解决具体的学习问题，那么 OpenMAIC 就开始尝试把整个课堂搬进 AI 了。

这是一个由清华相关研究团队开发的多智能体互动课堂项目。

你可以输入一个想学习的话题，也可以上传自己的学习资料，让系统生成一堂包含讲解、课件、测验和互动内容的课程。

比如你想学习量子力学，又不想一上来就啃厚厚的教材，可以先让它围绕基础概念组织一堂课。

AI 老师负责讲解，能够配合语音和白板绘制内容，AI 同学也可以参与讨论。课堂还支持随堂测验、交互模拟、小游戏以及在线编程等形式。

有些抽象的知识，确实需要通过操作和观察才能理解。

比如学习物理时，与其听老师反复解释某个变量对实验结果的影响，不如直接调整参数，看结果如何变化。

OpenMAIC 已经在尝试把这些交互能力整合到一堂课里。

更实用的是，生成的课堂还可以导出成演示文稿或者离线网页，方便后续使用。

不过要使用完整的生成能力，通常还需要配置相应的大模型和服务，生成图像、音频等内容也可能产生调用费用。

从工程角度看，它最值得研究的是多智能体之间的任务编排，以及如何把模型生成的内容组织成可交互的学习场景。

最后一个项目是 DeepTutor，来自香港大学数据智能实验室相关团队。

这个项目的功能相当丰富，可以围绕个人上传的课本、讲义、论文和笔记进行问答、知识讲解、出题、学习规划以及研究分析。

它和普通 AI 聊天工具相比，我觉得最值得关注的是持续学习和记忆管理。

不知道大家有没有遇到过这种情况。

你用 AI 学习一个知识点，聊了半个小时，好不容易把问题弄明白了。过几天再打开一个新对话，又得重新解释自己学过什么、还有哪些地方不懂。

DeepTutor 尝试通过长期记忆解决这种上下文断裂的问题。

它将记忆组织成多个层次，包括原始交互记录、提炼后的事实，以及进一步形成的综合信息。用户也可以检查和调整相关记忆内容。

这意味着系统有机会根据过去的学习记录，持续提供更符合个人情况的建议。

比如前几天你还在学习微积分的导数，今天开始学习积分，AI 就可以结合已有学习背景组织内容。

当然，记得你曾经讨论过某个知识点，并不能直接证明你已经掌握它。这个区别对教育产品尤其重要。

目前 DeepTutor 已经集成知识库、笔记本、练习、学习路径、研究工具等多个模块，项目仍在持续迭代。

以前做在线教育产品，大家习惯围绕课程、题库、老师和教学内容来设计。

做英语的提供英语课程，做数学的提供数学题库，做职业教育的提供录播课。

用户要适应产品事先设计好的学习流程。

但现在情况开始发生变化。

一个有编程能力的家长，可以利用开源项目改造适合自己孩子的口语游戏；一个想学习新技术的程序员，可以利用 AI 生成互动课程；已经掌握的知识、反复出错的问题以及后续学习进度，也可以被系统持续记录下来。

这些能力过去需要投入大量研发资源才能实现，现在开源项目已经提供了相当多的基础组件。

但我也发现一个问题：目前这些项目大多只解决了学习过程中的某一部分，还缺少真正可靠的学习效果验证。

AI 可以生成一堂非常漂亮的课程，可以画出知识图谱，也可以记住你之前问过什么。

可是，学生是否真正理解了知识？能否在新的问题中独立运用？系统给出的诊断有没有误判？

这些问题，目前仍然需要更严谨的评价方法。

从产品角度看，老李反而觉得这里还有很大的机会。

未来的 AI 学习应用，可能越来越像一套可以自由组合的工具。课程生成、知识诊断、练习反馈和长期记忆分别由不同模块负责，再根据学习者的实际情况组织起来。

至于传统教育软件会不会因此受到冲击，我觉得最先面临压力的，可能是那些主要依靠固定课程、简单题库和重复性功能收费的产品。

而真正懂教学、能够验证学习效果，并持续提供高质量内容和服务的团队，依然有自己的价值。

如果让我从这五个项目里挑一个方向继续研究，我会比较关注 知识图谱与长期学习记忆的结合。前者帮助系统理解知识之间的关系，后者提供学生的历史学习记录，两者结合后，才有机会让 AI 更准确地判断一个人接下来应该学什么。