先从一个悖论开始

自适应学习系统追求的终极目标，是"让AI系统比学生自己更了解学生"。

当系统真的做到这一点，会发生一件矛盾的事：

系统告诉学生"你今天该做这5道题"，学生照做了，效率极高——但他的自主学习能力，可能正在悄悄退化。

因为他不再需要判断"我该学什么"，不再需要规划"我应该先补哪个知识点"，系统帮他做了所有决策。

这个悖论，不是一个哲学问题，而是一个真实的产品设计难题。

做自适应学习产品的PM，早晚要面对它：你是要让系统越来越聪明，还是要让学生越来越自主？

两者之间的边界如何设计，是这个方向最深的产品问题——比算法更深，比知识图谱更深。

但我们先从基础讲起。

什么是真正的"自适应学习"？

行业里有很多产品声称自己做了"自适应"，但实际上做的是一个程度差异极大的事情。

安永-博智隆发布的《中国智适应教育行业白皮书》把自适应学习产品划分为L1到L5五个等级：

L1-L2：测评+内容推荐。 根据测评结果推荐内容，但推荐逻辑是静态的——测完之后推一次，之后不再动态调整。这类产品本质上是"带测评的题库"，不是真正的自适应。

L3：AI技术切入教学辅助环节。 AI能在教学过程中实时采集学生的答题行为，动态调整推荐内容。这是大多数声称"AI自适应"的产品的实际水平。

L4：AI主导教学过程。 系统能够独立地设计和调整学习路径，实时诊断学习状态，并做出有意义的教学干预——不只是推题，而是能判断"这个学生现在需要换一种方式解释这个知识点"。

L5：AI全权负责教学。 实现全流程数据打通，千人千面的学习体验，系统能像一个经验丰富的老师一样，做出复杂的教学决策。

目前国内真正做到L4-L5的产品极少，松鼠AI是明确以L5为目标的代表。

这个分级，对PM的意义在于：当你在评估一个声称"AI自适应"的产品时，第一个问题应该是：它真正达到了哪个L级？

自适应学习的底层，是三层技术的协同

大多数PM对自适应学习的理解，停留在"算法推荐题目"这一层。

这是错的。

自适应学习系统的底层，是三层技术的紧密协同：

第一层：知识表示层知识图谱 ——把一门学科所有知识点以及它们之间的前置关系、并列关系、应用关系编织成一张网第二层：学生建模层深度知识追踪（DKT）——实时估计学生对每个知识点的掌握概率以及学习状态的动态变化第三层：决策推荐层基于知识图谱和学生模型决定：下一道题推什么？这个知识点换哪种讲解方式？现在应该复习还是推进新内容？

这三层，任何一层做不好，整个系统的效果就会大打折扣。

Knewton在这三层上的技术设计，是全球自适应学习领域的标杆参考：

知识图谱层：建立标准化的图谱体系，将知识点与学习目标、教材大纲、考纲精确关联，让AI的推荐始终在课程标准的边界内运行。

学生建模层：采用连续型的自适应——不是测完一次建模一次，而是系统始终不断地伴随学生行为进行实时计算和预测，每一次互动都在更新学生模型。

决策推荐层：结合间隔重复算法，在学生即将遗忘某个知识点的时刻精准推送复习，而不是等到学生已经遗忘了再去补救。

这三层协同运作，才是真正让"因材施教"从口号变为可实现的技术基础。

松鼠AI花了10年积累的护城河，长什么样？

松鼠AI是目前国内自适应学习方向做得最深、数据积累最厚的公司。解剖它的护城河，能帮助PM理解这个方向的真实壁垒在哪里。

护城河第一层：纳米级知识图谱

松鼠AI把K12各学科的知识点进行"超纳米级拆分"——把一个看似单一的知识点，拆解成更小的认知单元，并精确标注它们之间的依赖关系。

举个例子：中学数学里的"一元二次方程"不是一个知识点，而是一棵知识树——它的前置知识包括一元一次方程、整式运算、因式分解……这棵树上每一个节点之间的关系，都需要教研专家和算法工程师协作完成标注。

这个工作，松鼠AI已经做了将近10年。

松鼠AI的纳米级知识图谱，依托十年积淀的千亿级学习资源、百亿级学生行为数据与百万级学生画像，构建精密知识图谱，其深度诊断独创"五重错因分析法"，从知识漏洞、思维路径、概念关联、解题习惯、认知水平五个维度精准定位学习漏洞，算法准确率超90%。

这个知识图谱，是新进入者短期内无法复制的。不是因为技术不够，而是因为它需要大量教研专家的时间和大量真实学习数据的标注——这些是需要时间和耐心积累的，不是靠算力堆出来的。

护城河第二层：百亿量级的行为数据

松鼠AI将过去积累的2400万学生的100亿学习行为全流程数据与大模型结合，更好地捕获数据中的复杂关系和模式，更高效地发现知识点之间的隐含关系和学生的学习能力，让推荐算法、深度知识追踪等AI技术都得到提升。

这100亿条数据的价值，不只是数量大，而是它们是全流程的行为数据——不只是"答对了还是答错了"，而是"答这道题花了多长时间"、"看了几遍题目"、"在哪个步骤停顿了"、"什么时候选了然后又改了"……

这些细粒度的行为数据，是训练更精准的"学生状态估计模型"的燃料。数据越多，模型对"这个学生现在处于什么认知状态"的估计就越准——这是自适应系统真正的智能所在。

护城河第三层："3131现象"与督学服务体系

学习机行业存在一个"3131"现象，即3周后用户使用时长降至首周的10%，3个月后活跃用户降至首月的10%。

这个数字说明了一件事：无论自适应算法有多好，单靠软件产品本身，很难维持用户的长期使用。

松鼠AI的解法是把线下督学服务纳入产品体系——智能自习室里有督学师，引导孩子使用系统学习，帮助孩子建立学习习惯，解决了纯软件产品无法解决的"用户执行力"问题。

这个"软件+硬件+服务"三合一的产品形态，是松鼠AI最难被纯软件公司复制的地方。

大模型时代，自适应学习的底层逻辑变了吗？

这是做这个方向的PM最需要想清楚的问题。

短答案：没有变，但被加速了。

大模型改变的，是自适应系统三层技术里的**第一层（知识表示）和第三层（决策推荐）**的建设成本和效果上限。

传统知识图谱，主要靠教研专家手动标注，耗时耗力。大模型的出现，让知识点的自动抽取和关系推断变得可能——生成式人工智能对于改善知识图谱有很大想象空间，通过更强大的机器学习能力改善人类经验"织成"的知识图谱，更快速发现知识点和知识点之间、知识点和题目之间、题目和孩子能力之间的关系。

大模型改变不了的，是**第二层（学生建模）**的核心逻辑——因为深度知识追踪需要的，是学生真实学习行为的时序数据，而不是通用文本语料。这部分数据，只有在真实学习场景里长期积累才能得到，大模型无法凭空生成。

这就是为什么"有了大模型，自适应学习门槛会降低"这个判断是错误的。

大模型降低的是知识图谱的建设成本，但没有降低"让AI真正理解学生正在哪个认知状态"的数据壁垒。后者，仍然是这个方向最高的护城河。

最难的产品问题：自主性悖论，如何破解

回到文章开头的悖论：系统越聪明，学生的自主学习能力越可能退化。

这不只是松鼠AI面对的问题，是所有做自适应学习产品的PM都无法回避的产品哲学问题。

目前行业里有几种不同的设计取向：

取向A：系统完全主导，学生执行。（高效率，低自主性）

系统决定学什么、怎么学、学多久。学生只需要按照系统的安排执行。这种设计的学习效率通常最高，效果数据最好看——但它的隐患是，学生离开系统之后，自主学习能力可能没有得到充分发展。

取向B：系统提供建议，学生选择。（中等效率，中等自主性）

系统给出推荐路径，但学生可以选择接受或拒绝。增加了学生的主动判断过程，但如果学生总是选择"最容易的那条路"，系统推荐的价值就大打折扣。

取向C：系统引导思考，学生主导。（较低效率，高自主性）

系统不直接推内容，而是通过问题引导学生自己诊断薄弱点，自己规划学习路径。这是最接近"培养自主学习能力"的设计，但短期效率最低，用户感知到的"进步速度"最慢，留存挑战更大。

没有哪种取向是绝对正确的。

对于应试导向、有明确考试目标的学生，取向A往往效率最高，家长和学生满意度也最高；对于培养长期学习能力、探索性学习场景的用户，取向C可能更有长期价值；取向B适合大多数中间状态。

PM需要在产品定位时就想清楚：你的产品，最终是为了让学生在考试中表现好，还是让学生在离开产品之后依然能自主学习？

这两个目标不是完全对立的，但它们之间确实存在张力——而你对这个问题的选择，将直接影响你的知识图谱设计颗粒度、推荐算法逻辑、以及用户界面的信息透明度。

大模型浪潮下，自适应学习PM的3个新机会

机会一：垂直学科的"小而深"知识图谱

全学科K12知识图谱的建设门槛极高，是松鼠AI等公司多年积累的壁垒。但单个垂直学科的知识图谱建设，门槛相对可控。

比如：K12数学的某一个模块（函数与图形），或者某一个职业资格考试的知识体系（会计师、执业医师），这些垂直场景的知识图谱深度可以做得极高，同时竞争对手较少。

结合大模型的辅助，一个小团队在3-6个月内完成一个垂直学科的高质量知识图谱，在技术上已经是可行的。

机会二：成人职业学习的自适应系统

目前自适应学习系统高度集中在K12市场，成人职业学习领域几乎空白。

但成人学习者的自适应需求，某种程度上比K12更强——他们的学习目标更明确（通过某个考试、掌握某项技能），时间更紧张，个体差异更大（不同职业背景、不同知识起点）。

这个方向的付费意愿比K12更高，因为成人学习往往和职业晋升、薪资提升直接挂钩，ROI更容易被量化和感知。

机会三：大模型时代的"可解释自适应"

传统自适应系统有一个长期被忽视的用户体验问题：学生不知道"为什么系统给我推这道题"。推荐逻辑是黑箱。

大模型改变了这件事——系统现在可以用自然语言向学生解释推荐逻辑："你今天做了这道题，因为你上周在这个知识点上犯了类似的错误，这道题是专门设计来检验你是否真正理解了的。"

松鼠AI已经开始这样做：松鼠AI在智能教育硬件产品中有一个虚拟AI学伴，它会全程引导孩子，将智适应学习中的精准检测薄弱点、个性化学习路径、千人千面的学习内容、知识点追根溯源等过程清晰地展现在孩子面前，让复杂的AI算法的每一步推送逻辑可以智能外化，让科学的算法推荐的学习流程可解释、可直观感受。

"可解释的自适应"——让推荐逻辑对学生和家长透明——是大模型时代这个方向最有产品价值的创新方向之一，也是目前做得好的产品极少的一个维度。

给想做这个方向的PM的3个判断

判断一：没有3-5年的数据积累计划，不要贸然进这个方向。

自适应学习系统的核心价值，来自真实学习行为数据积累出来的学生模型精度。这个精度，在头一年内不会好，在头三年内只是堪用，在五年以上才会真正形成竞争壁垒。

如果你的团队没有耐心做这条慢路，就不要进场——做出来一个半吊子的自适应系统，对用户的伤害比没有系统更大（因为不准确的推荐会让学生浪费时间在错误的内容上）。

判断二：你的知识图谱，是学科专家做的，还是靠抓取做的？

知识图谱的质量，直接决定自适应系统的天花板。靠爬虫抓取网上题目、用大模型自动生成知识点关系的低质量图谱，支撑不了真正有效的自适应。

在这件事上，投入真正懂学科的教研专家，做精细的人工标注，是绕不过去的。

判断三：你在解决哪一类用户的哪一个具体学习障碍？

自适应学习不是一个"万能解法"，它对有具体知识掌握目标（考试、技能认证）的用户效果最好，对开放性探索类学习场景的适配度相对较差。

想清楚你的目标用户群体，以及他们的学习障碍的具体形态——这个问题的答案，决定了你的知识图谱应该覆盖到什么颗粒度，以及你的推荐算法应该优化哪个目标函数。

最后：这个方向，是最接近"教育理想"的技术路径

孔子说"因材施教"。这四个字，是教育界几千年来的理想，也是几千年来从未真正大规模实现过的目标——因为没有任何人力系统，能在规模化的同时做到真正的个性化。

自适应学习，是历史上第一次，让"规模化的因材施教"变得技术上可实现。

它不完美——学生会有自主性退化的风险，数据积累需要漫长时间，知识图谱建设需要巨大投入。

但它的方向是对的。

做这个方向的PM，不只是在做一个产品，是在回答教育史上最古老的一个问题：我们能不能让每个学生，都按照自己的节奏和方式，学到他们真正需要学的东西？

如果这个问题让你觉得值得，这个方向值得做。

数据来源：

1.安永-博智隆《中国智适应教育行业白皮书》；

2.松鼠AI官方数据及新华网专访（2024年）；

3.Knewton技术架构分析（知乎，2018年）；

4.松鼠AI学习机体验分析报告（博客园，2025年12月）；

5.21世纪经济报道关于松鼠AI智适应大模型报道（2024年1月）。

[PM自测] 如果你要做一个自适应学习产品，你会选择文中提到的哪种自主性设计取向（A/B/C）？你的目标用户群体是谁？这个选择能自洽吗？