夜雨聆风
AI对话正经历架构革命。从前我们直接与模型对话，依赖其预训练知识。如今RAG、Skills等基础设施让大模型退居推理核心，平台成为系统中心。这解决了幻觉与工具调用等痛点，但对教育而言，需要增加技术编排层。
教育的瓶颈从来不是知识供给不足，而是认知过程缺失。现在有的基础设施即技术编排层追求输出效率，而教育编排层追求过程价值。它不能简单套用RAG+Skills框架，而必须注入教学认识论：操作对象不是知识单元，而是认知事件；核心任务不是替学生走完思维路程，而是精确搭建临时性脚手架，既不让学习者退缩，又不因过度辅助而丧失思考必要。
其首要理念是从"答案供给"转向"问题维持"。面对"讲解放大电路"的请求，通用AI会输出完美解释，却将本应经历困惑、冲突与修正的认知过程压缩成可背诵的结论。教育编排层应成为精密的问题维持系统：当学生询问失真原因，系统不立即给答案，而是设计递减提示，引导其画出波形、判断相位、探究工作点与摆幅关系。答案的延迟不是缺陷，而是教学设计的有意留白。
更深层的理念是对认知冲突的精密设计。通用AI视错误为缺陷，教育却视受控冲突为学习引擎。编排层需分辨安全偏差与致命迷思，依据皮亚杰与维果茨基理论，在学生回答中植入精确张力，精准设计"撞墙"——不能太轻，有"老经验当众失灵"的错愕感，才是迫使他重新思考。也不能太狠，否则他直接摔得不想学了。
脚手架的动态变化是编排层最精妙的地方。系统根据学生当下理解程度，随时调整帮扶力度：比如，遇到饱和区边界卡壳时，先放下公式，改用水流作比喻；等想明白了，再扔掉比喻回到晶体管原理。每一次调整都在重新划定他此刻能独力走到的最远边界。
在电工学等工程课程中，编排层还需嵌入学科认识论。工程教育的核心不是推导严格性，而是物理直觉与工程折衷的共生。当学生调整电路参数时，系统不应只反馈增益数值，而应引导其思考：为增加这一分贝增益牺牲了多少带宽？这种将技术决策嵌入价值语境的编排，是工程教育的灵魂。
