夜雨聆风已经开始了
暑假期间，各地教育部门组织了不少 AI 教师培训。从网上的报道和搜索来看，一场培训，教室里坐着的老师也就几十人。多的时候上百人，算上线上同步收看的，一场下来能覆盖几百人。
全国义务教育阶段教师有多少人？超过 1000 万。
就算整个暑假排满，每场几百人，轮训一圈下来覆盖到的也只是零头。这不是哪个部门的组织能力问题，而是培训这种形式本身的天花板——它太慢了，慢到追不上产品迭代的速度。
但真正的问题，还不是培训覆盖面不够。
2026 年 5 月《中国教师生成式人工智能应用报告》·调查 8.6 万名教师
意愿不是问题——老师们不是不想用，而是在用。但同一份报告里，超过六成教师认为缺少合适的 AI 教育资源、遇到工具不稳定的问题。
也就是说，老师们卡在了「用了，但不好用」这个尴尬的位置。
这个卡点，很多人归因于「培训不够」「老师信息技术素养不足」。但这个归因是错的。
真正的障碍不是人，是产品。
过去这一两年，一个老师想用 AI 做点事情，需要跨越的门槛实在太高了：选哪个模型？怎么写提示词？文件怎么传？生成的内容格式乱了怎么办？不同平台之间怎么对接？每一步都需要学习，每一步都可能出错，好不容易跑通了，换个版本又不好使了。
这不是「老师学不会」的问题，而是产品还没有到「开箱即用」的临界点。就像智能手机出现之前，你要用手机上网，得懂 WAP 设置、得会输入网址、得忍受极慢的加载速度——不是你不想上，是门槛太高了。iPhone 出来之后，三岁小孩都会划屏幕。
AI 教学工具现在正处于 iPhone 出来之前的那一刻。
但临界点正在被突破。
2026 年 6 月 5 日，腾讯官方发布「效率智能体工具集」时，直接用了「开箱即用」这个表述。QClaw、WorkBuddy、元宝、ima、腾讯文档——这些工具不再要求用户研究模型、配置插件、调试接口，而是把模型能力、工具调用、文件处理和任务执行封装在一起，用户拿到手就能用。腾讯 AI 首席科学家姚顺雨的判断也很明确：AI 的下半场已从「找方法」转向「找问题」——你只需要知道你要解决什么，怎么解决交给 AI。
一个多月后的 WAIC 2026 上，这个趋势更具体了。在这场大会上，教育智能体已经实现个人注册即用——不需要学校采购系统，不需要信息中心审批。金山办公 CEO 章庆元也在 WAIC 期间发布了灵犀专业版和 WPS Comate 两款 AI 办公智能体，提出「AI 重构的不是软件，而是工作完成的范式」。整个 WAIC 2026 传递的信号很清楚：AI 行业看起来正在从「比拼参数造模型」走向「落地场景用模型」。
过去是「老师学习怎么使用 AI」——学模型、学提示词、学插件、学格式、学各种平台。现在，方向开始翻转了：AI 开始学习怎么完成老师的工作。
这个翻转意味着什么？
我在一门课程里看到了一位叫艾米的老师的案例。据课程中介绍，她每学期教两三门课，带十多名毕业生，事务性工作压力很大。她用 Codex 做了两件事。
第一件：成绩登记。两个班共 55 份实训报告，每份要按评级填分数，学生名字还是语音输入生成的，和成绩表原有名单对不上。Codex 怎么处理的？先读取已有资料，再生成结果，仅修改指定位置，不动原有版式，完成后自动核对验证。全程 12 分 04 秒。55 份报告，12 分钟，含自动核对。
第二件：课程思政示范课程申报书。这类材料最容易出问题的是内容空泛、和实际课程脱节。Codex 先读取学校模板、课程背景、真实课时安排等已有资料，再将内容填入正确位置。生成的申报书内容全部来自艾米电脑中积累的真实数据，修改后可直接提交。
艾米没有搭建什么大型系统。她从电脑里一个叫「第十档教书」的文件夹开始改造。
艾米老师说
「很多老师最累的地方不一定是上课，更消耗人的是那些上课之外的细碎的重复的还不能出错的事。」
整理成绩表、填写申报书、准备教学检查材料、撰写汇报材料——这些事情不难，但量大、琐碎、不能出错，做一遍两遍没什么，每学期重复几十遍，消耗的是人最值钱的精力。而 AI 现在恰恰开始能接管这些事情了。
艾米老师还说
「今年 AI 真正开始进入到工作流，就是因为它开始能按照我们自己的工作习惯开始办事。」
这句话的分量比「12 分钟完成 55 份成绩登记」要重得多。因为「快」只是量变，「按照我们自己的工作习惯办事」是质变——意味着 AI 不再要求你去适应它的逻辑，而是它开始适配你的逻辑。
但这里有一个容易被忽略的问题：产品变好用了，是不是所有人都能用好？
开箱即用，听起来好像人人都能用好。但「能用」和「用好」之间，还隔着一道看不见的墙。
同样一个 AI 工具，有人只能挖出皮毛，有人能挖出骨髓。差异不在工具本身——工具是一样的——差异在交互能力。
门槛低，天花板高——这是 AI 工具最反常识的特征之一。
为什么会这样？
因为 AI 不是一台你按一下按钮就出标准结果的机器。它更像一个极其聪明的助手——你交代任务的方式越清晰，它交付的成果就越精准；你给它的背景信息越充分，它生成的方案就越贴合你的实际；你和它反复磨合，它就越懂你的偏好和习惯。
我后来在自己开发的一个 AI 备课项目中，也听到了类似的反馈。参与测试的老师说：「越跟他聊，他就越懂你。」这不是一句玩笑话，而是对交互逻辑的准确描述——AI 会记住之前聊天的内容，每次对话都在积累对你工作场景的理解。你用得越多，它适配得越好；你用得越深，它交付得越准。
也就是说，交互能力不是一次性学完的技能，而是一种越用越强的能力。你现在花时间理解怎么跟 AI 对话、怎么给它提供背景、怎么验收它的成果——这些经验不会浪费。因为当产品真的做到「开箱即用」的时候，你不需要再从零开始学怎么跟它打交道。你已经知道它听什么、不听什么，你已经知道什么样的指令能产出什么样的结果，你已经知道怎么核对、怎么修正、怎么迭代。
而那些等到产品完全成熟才第一次打开的人，他们面对的是一个已经非常强大的工具，但手里没有和它磨合过的经验。同样一个工具，他们可能只能挖出 50% 的能力，你却能挖出 90% 甚至更多。
这不是天赋差异，是上车时间的差异。
说回那个 AI 备课项目。
今年 4 月，我用 TRAE 和 Codex 从零开始开发了一个备课工具。不是学校安排的任务，没有人要求我做，纯粹是自己想试试——一个一线教师能不能用 Agent 工具，自己造一个解决自己教学痛点的产品。
功能不复杂：输入一个备课课题，系统结合新课标、教材内容和教辅资料，自动完成三轮备课，生成一份教学设计，同时输出 PPT 脚本。
到 6 月份，项目已经成功对接了图片大模型——能够根据 PPT 脚本自动生成对应的页面，以图片形式输出，国内外的大模型都已经跑通。目前开发进度基本完成，准备邀请其他老师参与测试。
这个工具已经进入了我自己的日常备课工作流。
我只需要负责敲定一节课的教案——也就是教学设计。明确之后，后续对应的课件 PPT 页面内容、排版版式以及配图，都完全交给文生图大模型处理，一键下载制作好的 PPT 文件，上课时直接使用。
我不是程序员，也不会写复杂的代码。但 TRAE 和 Codex 这类 Agent 工具做的事情，恰恰是帮你把一个想法变成可运行的产品——你描述需求，它分解任务、调用工具、生成代码、调试运行。你不需要懂底层怎么实现，你需要的是：知道自己的教学场景里缺什么，然后能把这件事讲清楚。
也就是说，过去只有学校采购教学平台，一线教师是使用者；现在一个老师坐在自己的电脑前，就能根据自己的课堂需求，临时生成一个够用的教学工具。
这不只是我一个人的尝试。
以下这些案例，不是孤立的试点，而是同一条曲线上的不同点位——从个人尝试到课堂展示，从特殊教育到常规学科，从教师自研到高校培训。
2026 年 4 月，重庆西南大学附属中学举办了一场 AI 赋能课堂教学展示。厦门双十中学、重庆南开中学、西南大学附中、人大附中、衡水中学、成都七中等多所学校的教师，在语文、数学、英语、物理等九大学科开展了课堂展示。AI 落地不再只有信息技术课，而是开始进入英语写作、历史、数学和物理这些常规学科。
7 月初，北京海淀举办了特教教师数字化应用能力展示与交流活动，覆盖全国 31 个省级地区。AI 被用于特殊教育测评、分层教学、康复辅助和课堂互动反馈。特殊教育教师通常不可能自己训练模型，他们需要的恰恰是已经嵌入评估和支持流程的、开箱即用的工具。
5 月底，四川遂宁安居区的唐圣明老师用 AI 开发了高中物理抽象概念可视化工具，在当地教育部门的 AI 教学实践交流中展示了成果。他解决的不是「怎么用 AI 上课」，而是「物理概念太抽象、实验器材成本高、课堂展示困难」这个具体的学科痛点。
7 月 21 日，哈工大（深圳）开展了 WorkBuddy 师资实战研修，培训内容涵盖课程开发、教学案例设计、实践项目组织和课堂活动设计。这是目前能检索到的、明确点名 WorkBuddy 的教师应用案例。
把这些事情放在一起看，趋势已经很明显了：从个人尝试到课堂展示，从特殊教育到常规学科，从教师自研工具到高校实战培训——AI 教学工具的落地，已经不是「会不会来」的问题，而是「正在发生」。
而教育部今年 4 月发布的《「人工智能+教育」行动计划》已经把教师应用场景写得非常具体：课前备课与学情分析、多模态教学资源自动生成、作业批改答疑辅导、课堂教学行为分析、AI 循证教研——覆盖课前、课中、课后教育教学全过程。文件还明确提出要「降低应用创新门槛」「打通人工智能应用最后一公里」。
政策在推，产品在迭代，一线教师在试。
三股力量正在汇到同一个方向。
但需要说清楚一件事：AI 正在成为越来越好用的教师工作台，但它还不是可以独立负责学生成长的教师。
这个结论跟我在实际使用中的感受是一致的。我的备课工具能帮我生成教案、生成 PPT、省下大量重复劳动——但「这节课该不该放慢节奏」「这个学生的沉默是因为没听懂还是因为今天心情不好」「这个知识点要不要换个角度再讲一遍」，这些判断，AI 做不了。这些判断不是信息检索，不是模式识别，是对具体的人、在具体的场景里、做出的具体回应。这是教师的私有知识——只有你站在那个讲台上、面对那些学生时，才成立的东西。
所以，AI 接管的是杂活，不是教师。它帮你省下来的时间，最终要还给你去做只有人能做的事——观察学生、判断学情、调整教学、回应个体。
还有一点必须提醒：涉及学生姓名、成绩、家庭情况的数据，应优先脱敏处理，不能直接上传到未经学校确认的消费级云端工具。教育部《「人工智能+教育」行动计划》也明确要求防范隐私泄露、学术造假和不当依赖等风险。工具在进步，但边界意识不能丢。
回到最初的问题：现在先学一点交互逻辑，值不值？
值。
因为产品正在突破「开箱即用」的临界点。当这一天真正到来——当老师只需要有一个念头，剩下的交给 AI 去执行——先上车的人手里已经攒够了和 AI 磨合的经验。你知道怎么给它交代任务，你知道怎么验收它的成果，你知道它会在什么地方犯傻、什么地方靠谱。这些经验，不是等产品成熟后突击几天能补回来的。
同样一个工具，有人只能挖出皮毛，有人能挖出骨髓。差异不在工具，在交互能力。而交互能力，是时间喂出来的。
怎么判断自己该不该现在上车？标准很简单：你能不能用一句话说清楚，你每周最耗精力的那件重复性工作是什么。能说清楚，你就能用 AI；说不清楚，先想清楚再说。
先上车，值。
