夜雨聆风两条路径在五个维度上的实际差异。
先说时间和门槛。VocaQuest 的 RPG 对战、错题分析、词包上传这些机制，全部是我自己写代码实现的，断断续续花了两个月，期间还要正常上课。AI Classroom 的 5 个agent，是在 MagicSchool 这个现成平台里配置prompt 和规则做出来的，不需要写一行前后端代码，几天之内就能上线。这个差距不是因为哪套系统更复杂，而是因为平台已经把底层的工程问题解决掉了——LLM 驱动的教育平台让个性化和规模化不再需要每个老师自己从零搭基础设施（Hu et al., 2025），这也是为什么 AI Classroom 能在一个学期内覆盖 92 个学生，而 VocaQuest 现在还停留在一个班、十几个活跃用户的规模：不是 VocaQuest 不好，是独自维护一个自建系统的时间成本，天然限制了它能铺开的速度。
但门槛低的代价是定制深度。AI Classroom 的 5 个 agent 再怎么配置，本质上还是在 MagicSchool 已经定义好的“agent”框架里做选择题——能调整 prompt、调整规则，但底层的交互方式、生成逻辑是平台决定的，不是我决定的。VocaQuest 不一样：把背单词做成对战、把错题变成针对性推送，这些机制在任何现成平台里都找不到现成模块，必须自己设计、自己实现。Koehler 和 Mishra 2005 年的一项研究发现，教师亲自参与设计教育技术的过程，会显著加深他们对技术、教学法和具体学科内容三者如何咬合在一起的理解——这跟我自己的体会一致：写 VocaQuest 的两个月里，我被迫对每一个细节做出明确判断（要不要扣血、扣多少、怎么判定一个词“掌握”了），这种被逼出来的决策密度，在配置现成平台的 agent 时是不会发生的，因为很多决策平台已经替你做好了。
这两条路径没有哪个更高级，区别在于解决的是哪种问题。如果痛点需要一个现成工具里完全没有的新机制——像把检索练习包装成一场对战——那可能值得花时间自建，但要接受它短期内大概只能在小范围验证。如果痛点是“我需要 AI 在标准任务上做判断和个性化”——批改反馈、苏格拉底式提问、错题诊断——平台型的 agent 工具能让你快得多地把规模铺开，但要接受很多底层逻辑不是你能改的。
说清楚一点：我手上只有一个自建案例和一个平台案例，都是我一个人在不同班级、不同时间做的，这不是一个严谨的对照实验，只是把两条真实走过的路放在一起看了一眼。如果你也在纠结要不要自己写一个工具，还是先在现成平台上试一试，欢迎聊聊你具体卡在哪个环节。
参考文献
Hu, X., Xu, S., Tong, R., & Graesser, A. (2025). Generative AI in education: From foundational insights to the Socratic playground for learning(arXiv:2501.06682). arXiv. https://doi.org/10.48550/arXiv.2501.06682
Koehler, M. J., & Mishra, P. (2005). What happens when teachers design educational technology? The development of technological pedagogical content knowledge. Journal of Educational Computing Research, 32(2), 131–152. https://doi.org/10.2190/0EW7-01WB-BKHL-QDYV
#AI教育 #edtech #教育学视角 #一线教师 #英语教学 #VocaQuest #MagicSchool