1. 一个让人又爱又恨的现状打开任何一个号称“AI 学习助手”的产品，十有八九你会看到一个熟悉的界面：一个输入框，下面配一个发送按钮，旁边可能还有几个预设的提示词模板。你问它一道数学题，它给你一段推导；你让它解释一个概念，它给你一段文字；你让它出几道练习题，它给你几道题——然后呢？然后就没有然后了。这个现象我观察了挺长时间。从最早一批基于大语言模型做学习工具的产品开始，到后来各种“AI 家教”“AI 陪练”“AI 刷题助手”层出不穷，绝大多数产品的交互形态几乎没有变过——就是一个聊天框。你可能会说，聊天框不是挺好吗？自然语言交互，门槛低，什么都能问。这话没错，但问题恰恰出在“什么都能问”这五个字上。聊天框的本质是一个通用容器。它不预设任何学习路径，不强制任何学习节奏，不提供任何结构化的反馈。它把所有的组织责任都推给了用户——你得知道自己要问什么，你得知道怎么问，你得知道问完之后怎么判断答案对不对，你得知道下一步该干什么。对于一个自律性强、基础扎实的学习者来说，这或许够用。但对于绝大多数需要“学习工具”的人来说，这恰恰是他们最不擅长的事情。我拿一个具体的场景来说明。假设一个初中生想用 AI 工具复习一元二次方程。在聊天框里，他可能会输入“帮我讲讲一元二次方程”。AI 会给他一段解释，包括定义、求根公式、判别式等等。他看完之后，可能觉得自己懂了，也可能觉得没懂。如果没懂，他得自己想“我到底是哪里没懂”，然后组织语言再问。如果觉得懂了，他得自己想“我是不是真的懂了”，然后自己找题做。做完题之后，他得自己对答案，自己分析错因。整个过程中，AI 只承担了“回答”这一个环节，而学习中最关键的“诊断—规划—执行—反馈—调整”闭环，全部由用户自己完成。这就引出了一个核心问题：聊天框是一个交互形式，不是一个学习产品形态。它解决了“能不能问”的问题，但没有解决“怎么学”的问题。而学习工具的核心价值，恰恰应该落在后者身上。2. 为什么聊天框成了默认选项要理解为什么现在的 AI 学习工具大多长成一个聊天框，得从技术路径和产品逻辑两个层面来看。2.1 技术路径的惯性大语言模型的能力展示，最早就是通过对话形式呈现的。从最早的对话式 AI 到后来的各种大模型产品，聊天框是最自然的交互界面——它模拟了人与人之间的交流方式，用户不需要学习任何新的操作逻辑，打开就能用。对于开发者来说，做一个聊天框的成本也最低：前端一个输入框加一个消息列表，后端调用模型接口，把用户输入拼进提示词，再把模型输出渲染出来，一个“AI 学习工具”的原型就出来了。这种低门槛的开发路径，导致大量产品在形态上高度趋同。你去看市面上那些 AI 学习工具，底层可能用的是同一个或几个模型，提示词工程的水平参差不齐，但界面几乎一模一样。这不是因为聊天框是最好的学习交互形式，而是因为它是最容易做出来的形式。2.2 产品逻辑的偷懒更深层的原因在于，很多做 AI 学习工具的人，并没有真正理解“学习”这件事的复杂性。他们看到大语言模型能回答问题，就默认“能回答问题”等于“能帮助学习”。但实际上，回答问题和帮助学习之间，隔着一条很宽的河。学习是一个有目标、有路径、有反馈、有调整的过程。一个好的学习工具，需要知道学习者的当前水平，需要知道学习目标，需要规划从当前水平到目标之间的路径，需要在学习过程中不断诊断学习者的状态，需要根据诊断结果调整后续内容。这些事情，聊天框一个都做不了——或者说，聊天框把做这些事情的负担全部转嫁给了用户。我见过一些产品，在聊天框旁边加了一些功能按钮，比如“出题”“讲解”“总结”。这算是一点进步，但本质上还是在聊天框的框架里打转。用户点了“出题”，AI 出一组题；用户做完题，还得自己对答案；对完答案，还得自己判断下一步。整个流程依然是断裂的。2.3 一个被忽视的事实还有一个容易被忽视的事实：聊天框对用户的认知负荷要求很高。用户需要自己把学习需求翻译成清晰的提示词，需要自己判断 AI 的回答是否可靠，需要自己把 AI 的碎片化回答整合成知识体系。这些能力，恰恰是初学者最欠缺的。一个真正好用的学习工具，应该降低而不是提高用户的认知负荷。它应该替用户完成那些用户不擅长的事情，比如诊断薄弱点、规划学习路径、设计练习序列、分析错误模式。聊天框把这些全部推回给用户，本质上是一种产品设计上的偷懒。3. 学习工具到底应该长什么样既然聊天框不够用，那什么形态才够用？这个问题没有标准答案，但可以从几个维度来思考。3.1 从“问答”到“流程”学习工具的核心不是“回答”，而是“流程”。一个好的学习工具应该像一个有经验的老师，知道什么时候该讲，什么时候该练，什么时候该测，什么时候该复习。它应该有一个内在的流程引擎，根据学习者的表现动态调整。举个例子。一个理想的数学学习工具，在用户进入之后，应该先做一个简短的诊断，判断用户当前的知识水平。然后根据诊断结果，生成一个学习路径，比如“先复习因式分解，再学一元二次方程的解法，然后练判别式的应用，最后做综合题”。在用户学习的过程中，工具应该持续收集数据——做题的正确率、耗时、错误类型——然后动态调整路径。如果发现用户在某个知识点上反复出错，就自动插入额外的讲解和练习；如果发现用户掌握得很好，就加快进度。这个流程，聊天框做不了。它需要一个结构化的界面，可能需要一个知识图谱来支撑路径规划，需要一个数据层来记录和分析学习行为，需要一个推荐引擎来动态调整内容。这些东西加在一起，才构成一个真正的学习工具。3.2 从“文本”到“多模态”聊天框的另一个局限是它几乎只能处理文本。但学习这件事，很多时候需要图形、声音、动画、交互。比如学几何，光靠文字描述“三角形内角和为180度”是不够的，你需要一个可以拖拽的三角形，让用户自己把三个角拼在一起，亲眼看到它们组成一个平角。比如学物理，光靠公式推导是不够的，你需要一个可以调节参数的模拟实验，让用户自己观察变量之间的关系。现在的 AI 学习工具，绝大多数还停留在文本层面。少数产品开始加入图片识别，比如拍照搜题，但这依然是在聊天框的框架里做文章——拍完照，还是给你一段文字解答。真正的多模态学习工具，应该把图形、声音、交互都作为一等公民来设计，而不是作为文本的附属品。3.3 从“通用”到“专用”聊天框是一个通用容器，什么都能装，但什么都装不精。学习是一个高度分化的领域，数学的学习方式和语言的学习方式完全不同，编程的学习方式和历史的学方式也完全不同。一个好的学习工具，应该针对特定领域做深度优化，而不是试图用一个聊天框解决所有问题。比如语言学习，核心是输入和输出的循环——听、说、读、写。一个语言学习工具应该围绕这个循环来设计，可能需要语音识别来纠正发音，需要对话模拟来练习口语，需要间隔重复来记忆词汇。这些功能，聊天框只能覆盖很小一部分。再比如编程学习，核心是写代码和调试。一个编程学习工具应该提供一个可以运行代码的环境，能够自动检测代码中的错误，能够给出针对性的修改建议，能够设计循序渐进的编程项目。这些，聊天框也做不了。4. 技术上的难点在哪里为什么明明知道聊天框不够用，却很少有产品跳出这个框架？因为跳出聊天框，意味着要解决一系列技术上的难题。4.1 学习者建模要做流程化的学习工具，首先得知道学习者的状态。这需要学习者建模——通过分析用户的行为数据，推断他的知识水平、学习风格、薄弱环节、遗忘曲线等等。这件事说起来简单，做起来非常难。首先，数据从哪来？用户做题的正确率、耗时、修改次数、求助频率，这些都可以作为信号，但如何从这些信号中推断出可靠的知识状态，是一个开放的研究问题。其次，模型怎么建？是给每个知识点单独建一个掌握度模型，还是建一个整体的能力向量？是用贝叶斯方法还是深度学习？这些问题都没有标准答案。更麻烦的是，学习者建模需要大量的数据。一个新产品上线，没有用户数据，模型就无从训练。这就形成了一个鸡生蛋蛋生鸡的问题：没有好模型，用户体验不好；用户体验不好，就没有数据；没有数据，就训练不出好模型。4.2 内容结构化流程化学习工具需要结构化的内容。什么叫结构化？就是把知识点拆解成原子化的单元，标注它们之间的依赖关系，给每个单元配上讲解、示例、练习、测试。这件事的工作量极大，而且高度依赖领域专家。以初中数学为例，知识点可能有几百个，每个知识点需要配多少道题？题的难度怎么分级？知识点之间的依赖关系怎么确定？这些问题，靠算法自动解决目前还不现实，靠人工标注又成本极高。很多产品之所以选择聊天框，就是因为聊天框不需要结构化内容——模型自己会生成。但模型生成的内容，质量参差不齐，而且缺乏系统性。你问它一个问题，它给你一个回答；你再问一个相关的问题，它可能给你一个完全不同的回答。这种碎片化的内容，很难支撑系统性的学习。4.3 反馈的即时性和准确性学习工具的核心价值之一是反馈。用户做了一道题，工具需要立刻告诉他对不对，错在哪里，为什么错，怎么改。这个反馈的即时性和准确性，直接决定了学习效果。聊天框也能给反馈，但它的反馈是文本形式的，而且往往不够精准。比如用户做错了一道数学题，聊天框可能会说“你的答案不对，正确答案是 X，解题过程如下”。但用户真正需要知道的，不是正确答案是什么，而是“我为什么会做错”——是概念理解错了，还是计算粗心了，还是思路方向偏了。要给出这种级别的反馈，需要工具能够分析用户的解题过程，而不仅仅是最终答案。这就涉及到过程性数据的采集和分析。用户是在纸上做的题，工具怎么知道他的解题过程？可能需要手写识别，可能需要步骤输入，可能需要交互式的解题界面。这些技术，目前都还不够成熟。5. 一些值得关注的方向虽然聊天框仍然是主流，但已经有一些产品在尝试跳出这个框架。我观察到的几个方向，值得关注。5.1 自适应练习系统有些产品把重点放在“练习”这个环节，做自适应出题。用户做一道题，系统根据正确率和耗时，决定下一道题的难度和知识点。这种系统通常有一个题库，每道题标注了知识点和难度，有一个算法根据用户的表现动态选题。这种系统的优点是聚焦——它不试图解决学习的所有环节，只解决“练什么”的问题。但它的局限也很明显：它假设用户已经具备了基础知识，只需要通过练习来巩固。对于需要从头学起的人来说，光有练习是不够的。5.2 交互式讲解有些产品在“讲解”环节做创新，不是给一段文字，而是给一个可交互的演示。比如讲概率，给一个可以调节参数的模拟器，用户自己动手调一调，看看概率怎么变化。这种交互式讲解，比纯文本更直观，也更容易让人理解。但交互式讲解的开发成本很高。每个知识点都需要单独设计交互形式，需要前端工程师和领域专家紧密配合。而且，交互式讲解很难规模化——你不可能为每个知识点都做一个定制化的交互演示。5.3 学习路径规划有些产品试图做学习路径规划。用户输入一个目标，比如“我想在三个月内学会 Python 基础”，系统生成一个学习计划，包括每周学什么、做什么练习、达到什么标准。然后用户按照计划执行，系统跟踪进度，动态调整。这个方向听起来很美好，但做起来很难。难在路径规划需要精确的学习者建模和内容结构化，而这两件事前面已经说过，都不容易。而且，学习路径规划需要用户有较强的自律性——系统给你规划了，你得执行。如果用户不执行，再好的规划也没用。6. 实操：如果你要做一个非聊天框的学习工具假设你现在要做一个学习工具，不想做成聊天框，应该怎么入手？我基于自己的经验，给一个可参考的思路。6.1 第一步：选定一个极窄的场景不要试图做一个“通用学习工具”。选一个极窄的场景，比如“初中数学一元二次方程”或者“Python 列表操作”。场景越窄，越容易做深。为什么？因为窄场景意味着知识点有限，你可以手工梳理知识图谱，可以手工标注题目，可以手工设计学习路径。这些手工工作，在窄场景下是可行的，在宽场景下是不可行的。6.2 第二步：梳理知识图谱把选定场景的所有知识点列出来，标注它们之间的依赖关系。比如“一元二次方程的求根公式”依赖于“配方法”，“判别式”依赖于“求根公式”。这个图谱是后续所有功能的基础。梳理知识图谱的时候，要注意颗粒度。太粗了，路径规划不精准；太细了，工作量爆炸。我的经验是，一个知识点对应一个“可以在 5 分钟内讲解清楚，并且可以通过 3-5 道题检测掌握程度”的单元。6.3 第三步：设计学习流程基于知识图谱，设计一个学习流程。典型的流程可能是：诊断 → 讲解 → 示例 → 练习 → 测试 → 复习。每个环节都需要设计具体的交互形式。诊断环节，可以用一组覆盖各个知识点的题目，快速判断用户的水平。讲解环节，可以用文字加交互式演示。练习环节，用自适应出题。测试环节，用综合题。复习环节，用间隔重复算法。6.4 第四步：实现核心算法核心算法包括：学习者建模、自适应出题、间隔重复。学习者建模可以用简单的贝叶斯方法，给每个知识点维护一个掌握度概率。自适应出题可以根据掌握度选择最合适的题目。间隔重复可以用 SM-2 算法或者类似的变体。这些算法都不复杂，网上有大量开源实现可以参考。关键是要和你的知识图谱、题库对接好。6.5 第五步：迭代上线之后，收集用户数据，分析哪些环节用户流失率高，哪些题目正确率异常，哪些知识点用户反复出错。根据数据迭代你的知识图谱、题库和算法。这个思路的核心是：用工程化的方式做学习工具，而不是用聊天框的方式。它需要更多的前期投入，但长期来看，它能提供聊天框提供不了的价值。7. 常见问题与排查在实际做这类工具的过程中，我踩过不少坑。这里整理几个典型问题和应对思路。问题一：知识图谱梳理到一半发现颗粒度不对，返工成本很高。这是最常见的问题。我的建议是，先不要追求完美，快速梳理一个粗粒度的图谱，然后在实际使用中逐步细化。另外，可以参考现有的教材目录和课程标准，它们通常已经做了不错的知识点划分。问题二：用户不做诊断题，直接想学新内容。很多用户觉得自己“知道哪里不会”，不想做诊断。这时候可以设计一个“跳过诊断”的选项，但在后续学习过程中，如果发现用户在某个前置知识点上出错，就自动插入一个“补课”环节。这样既尊重了用户的意愿，又保证了学习效果。问题三：自适应出题的算法效果不好，用户觉得题目太难或太简单。自适应出题的核心是准确估计用户的掌握度。如果估计不准，选题就会偏。我的经验是，初期不要用太复杂的算法，用简单的规则——比如连续答对两道就升难度，答错一道就降难度——效果反而更稳定。等数据积累多了，再切换到更精细的模型。问题四：用户坚持要用聊天框。有些用户就是习惯聊天框，觉得其他形式不自由。这时候可以做一个折中：保留聊天框作为入口，但在聊天框里嵌入结构化的学习流程。比如用户问“帮我学一元二次方程”，聊天框不直接给一段文字，而是回复一个“学习卡片”，卡片里有“开始诊断”“直接看讲解”“做练习”几个按钮。这样既满足了聊天框的使用习惯，又引导用户进入结构化流程。问题五：内容更新和维护成本高。结构化内容的一个缺点是维护成本高。每加一个知识点，都要配讲解、示例、题目。我的建议是，把内容做成模块化的，讲解、示例、题目分开管理，这样可以复用。另外，可以用 AI 辅助生成初稿，人工审核和修改，降低生产成本。8. 一些个人体会我做这类工具最大的体会是：学习工具的核心不是 AI，而是学习科学。AI 只是一个技术手段，它可以用来生成内容、分析数据、驱动交互，但它不能替代对学习过程的理解。如果你不懂学习是怎么发生的，不懂学习者需要什么，不懂怎么设计有效的练习和反馈，那再强的 AI 也做不出好的学习工具。另一个体会是：不要试图用聊天框解决所有问题。聊天框是一个很好的交互形式，但它不是万能的。有些学习环节适合用聊天框，比如答疑、讨论、头脑风暴；有些环节不适合，比如系统学习、刻意练习、诊断测试。一个好的学习工具，应该根据不同的学习环节，选择最合适的交互形式，而不是把所有环节都塞进一个聊天框里。最后，我想说的是，跳出聊天框不是为了标新立异，而是为了真正解决学习中的问题。如果你做一个学习工具，用户用了之后确实学得更快、更扎实、更有动力，那不管它是不是聊天框，都是一个好工具。反过来，如果用户用了之后只是觉得“这个 AI 挺能聊”，但学习效果没有提升，那再花哨的聊天框也没有意义。
1. 一个让人又爱又恨的现状打开任何一个号称“AI 学习助手”的产品，十有八九你会看到一个熟悉的界面：一个输入框，下面配一个发送按钮，旁边可能还有几个预设的提示词模板。你问它一道数学题，它给你一段推导；你让它解释一个概念，它给你一段文字；你让它出几道练习题，它给你几道题——然后呢？然后就没有然后了。这个现象我观察了挺长时间。从最早一批基于大语言模型做学习工具的产品开始，到后来各种“AI 家教”“AI 陪练”“AI 刷题助手”层出不穷，绝大多数产品的交互形态几乎没有变过——就是一个聊天框。你可能会说，聊天框不是挺好吗？自然语言交互，门槛低，什么都能问。这话没错，但问题恰恰出在“什么都能问”这五个字上。聊天框的本质是一个通用容器。它不预设任何学习路径，不强制任何学习节奏，不提供任何结构化的反馈。它把所有的组织责任都推给了用户——你得知道自己要问什么，你得知道怎么问，你得知道问完之后怎么判断答案对不对，你得知道下一步该干什么。对于一个自律性强、基础扎实的学习者来说，这或许够用。但对于绝大多数需要“学习工具”的人来说，这恰恰是他们最不擅长的事情。我拿一个具体的场景来说明。假设一个初中生想用 AI 工具复习一元二次方程。在聊天框里，他可能会输入“帮我讲讲一元二次方程”。AI 会给他一段解释，包括定义、求根公式、判别式等等。他看完之后，可能觉得自己懂了，也可能觉得没懂。如果没懂，他得自己想“我到底是哪里没懂”，然后组织语言再问。如果觉得懂了，他得自己想“我是不是真的懂了”，然后自己找题做。做完题之后，他得自己对答案，自己分析错因。整个过程中，AI 只承担了“回答”这一个环节，而学习中最关键的“诊断—规划—执行—反馈—调整”闭环，全部由用户自己完成。这就引出了一个核心问题：聊天框是一个交互形式，不是一个学习产品形态。它解决了“能不能问”的问题，但没有解决“怎么学”的问题。而学习工具的核心价值，恰恰应该落在后者身上。2. 为什么聊天框成了默认选项要理解为什么现在的 AI 学习工具大多长成一个聊天框，得从技术路径和产品逻辑两个层面来看。2.1 技术路径的惯性大语言模型的能力展示，最早就是通过对话形式呈现的。从最早的对话式 AI 到后来的各种大模型产品，聊天框是最自然的交互界面——它模拟了人与人之间的交流方式，用户不需要学习任何新的操作逻辑，打开就能用。对于开发者来说，做一个聊天框的成本也最低：前端一个输入框加一个消息列表，后端调用模型接口，把用户输入拼进提示词，再把模型输出渲染出来，一个“AI 学习工具”的原型就出来了。这种低门槛的开发路径，导致大量产品在形态上高度趋同。你去看市面上那些 AI 学习工具，底层可能用的是同一个或几个模型，提示词工程的水平参差不齐，但界面几乎一模一样。这不是因为聊天框是最好的学习交互形式，而是因为它是最容易做出来的形式。2.2 产品逻辑的偷懒更深层的原因在于，很多做 AI 学习工具的人，并没有真正理解“学习”这件事的复杂性。他们看到大语言模型能回答问题，就默认“能回答问题”等于“能帮助学习”。但实际上，回答问题和帮助学习之间，隔着一条很宽的河。学习是一个有目标、有路径、有反馈、有调整的过程。一个好的学习工具，需要知道学习者的当前水平，需要知道学习目标，需要规划从当前水平到目标之间的路径，需要在学习过程中不断诊断学习者的状态，需要根据诊断结果调整后续内容。这些事情，聊天框一个都做不了——或者说，聊天框把做这些事情的负担全部转嫁给了用户。我见过一些产品，在聊天框旁边加了一些功能按钮，比如“出题”“讲解”“总结”。这算是一点进步，但本质上还是在聊天框的框架里打转。用户点了“出题”，AI 出一组题；用户做完题，还得自己对答案；对完答案，还得自己判断下一步。整个流程依然是断裂的。2.3 一个被忽视的事实还有一个容易被忽视的事实：聊天框对用户的认知负荷要求很高。用户需要自己把学习需求翻译成清晰的提示词，需要自己判断 AI 的回答是否可靠，需要自己把 AI 的碎片化回答整合成知识体系。这些能力，恰恰是初学者最欠缺的。一个真正好用的学习工具，应该降低而不是提高用户的认知负荷。它应该替用户完成那些用户不擅长的事情，比如诊断薄弱点、规划学习路径、设计练习序列、分析错误模式。聊天框把这些全部推回给用户，本质上是一种产品设计上的偷懒。3. 学习工具到底应该长什么样既然聊天框不够用，那什么形态才够用？这个问题没有标准答案，但可以从几个维度来思考。3.1 从“问答”到“流程”学习工具的核心不是“回答”，而是“流程”。一个好的学习工具应该像一个有经验的老师，知道什么时候该讲，什么时候该练，什么时候该测，什么时候该复习。它应该有一个内在的流程引擎，根据学习者的表现动态调整。举个例子。一个理想的数学学习工具，在用户进入之后，应该先做一个简短的诊断，判断用户当前的知识水平。然后根据诊断结果，生成一个学习路径，比如“先复习因式分解，再学一元二次方程的解法，然后练判别式的应用，最后做综合题”。在用户学习的过程中，工具应该持续收集数据——做题的正确率、耗时、错误类型——然后动态调整路径。如果发现用户在某个知识点上反复出错，就自动插入额外的讲解和练习；如果发现用户掌握得很好，就加快进度。这个流程，聊天框做不了。它需要一个结构化的界面，可能需要一个知识图谱来支撑路径规划，需要一个数据层来记录和分析学习行为，需要一个推荐引擎来动态调整内容。这些东西加在一起，才构成一个真正的学习工具。3.2 从“文本”到“多模态”聊天框的另一个局限是它几乎只能处理文本。但学习这件事，很多时候需要图形、声音、动画、交互。比如学几何，光靠文字描述“三角形内角和为180度”是不够的，你需要一个可以拖拽的三角形，让用户自己把三个角拼在一起，亲眼看到它们组成一个平角。比如学物理，光靠公式推导是不够的，你需要一个可以调节参数的模拟实验，让用户自己观察变量之间的关系。现在的 AI 学习工具，绝大多数还停留在文本层面。少数产品开始加入图片识别，比如拍照搜题，但这依然是在聊天框的框架里做文章——拍完照，还是给你一段文字解答。真正的多模态学习工具，应该把图形、声音、交互都作为一等公民来设计，而不是作为文本的附属品。3.3 从“通用”到“专用”聊天框是一个通用容器，什么都能装，但什么都装不精。学习是一个高度分化的领域，数学的学习方式和语言的学习方式完全不同，编程的学习方式和历史的学方式也完全不同。一个好的学习工具，应该针对特定领域做深度优化，而不是试图用一个聊天框解决所有问题。比如语言学习，核心是输入和输出的循环——听、说、读、写。一个语言学习工具应该围绕这个循环来设计，可能需要语音识别来纠正发音，需要对话模拟来练习口语，需要间隔重复来记忆词汇。这些功能，聊天框只能覆盖很小一部分。再比如编程学习，核心是写代码和调试。一个编程学习工具应该提供一个可以运行代码的环境，能够自动检测代码中的错误，能够给出针对性的修改建议，能够设计循序渐进的编程项目。这些，聊天框也做不了。4. 技术上的难点在哪里为什么明明知道聊天框不够用，却很少有产品跳出这个框架？因为跳出聊天框，意味着要解决一系列技术上的难题。4.1 学习者建模要做流程化的学习工具，首先得知道学习者的状态。这需要学习者建模——通过分析用户的行为数据，推断他的知识水平、学习风格、薄弱环节、遗忘曲线等等。这件事说起来简单，做起来非常难。首先，数据从哪来？用户做题的正确率、耗时、修改次数、求助频率，这些都可以作为信号，但如何从这些信号中推断出可靠的知识状态，是一个开放的研究问题。其次，模型怎么建？是给每个知识点单独建一个掌握度模型，还是建一个整体的能力向量？是用贝叶斯方法还是深度学习？这些问题都没有标准答案。更麻烦的是，学习者建模需要大量的数据。一个新产品上线，没有用户数据，模型就无从训练。这就形成了一个鸡生蛋蛋生鸡的问题：没有好模型，用户体验不好；用户体验不好，就没有数据；没有数据，就训练不出好模型。4.2 内容结构化流程化学习工具需要结构化的内容。什么叫结构化？就是把知识点拆解成原子化的单元，标注它们之间的依赖关系，给每个单元配上讲解、示例、练习、测试。这件事的工作量极大，而且高度依赖领域专家。以初中数学为例，知识点可能有几百个，每个知识点需要配多少道题？题的难度怎么分级？知识点之间的依赖关系怎么确定？这些问题，靠算法自动解决目前还不现实，靠人工标注又成本极高。很多产品之所以选择聊天框，就是因为聊天框不需要结构化内容——模型自己会生成。但模型生成的内容，质量参差不齐，而且缺乏系统性。你问它一个问题，它给你一个回答；你再问一个相关的问题，它可能给你一个完全不同的回答。这种碎片化的内容，很难支撑系统性的学习。4.3 反馈的即时性和准确性学习工具的核心价值之一是反馈。用户做了一道题，工具需要立刻告诉他对不对，错在哪里，为什么错，怎么改。这个反馈的即时性和准确性，直接决定了学习效果。聊天框也能给反馈，但它的反馈是文本形式的，而且往往不够精准。比如用户做错了一道数学题，聊天框可能会说“你的答案不对，正确答案是 X，解题过程如下”。但用户真正需要知道的，不是正确答案是什么，而是“我为什么会做错”——是概念理解错了，还是计算粗心了，还是思路方向偏了。要给出这种级别的反馈，需要工具能够分析用户的解题过程，而不仅仅是最终答案。这就涉及到过程性数据的采集和分析。用户是在纸上做的题，工具怎么知道他的解题过程？可能需要手写识别，可能需要步骤输入，可能需要交互式的解题界面。这些技术，目前都还不够成熟。5. 一些值得关注的方向虽然聊天框仍然是主流，但已经有一些产品在尝试跳出这个框架。我观察到的几个方向，值得关注。5.1 自适应练习系统有些产品把重点放在“练习”这个环节，做自适应出题。用户做一道题，系统根据正确率和耗时，决定下一道题的难度和知识点。这种系统通常有一个题库，每道题标注了知识点和难度，有一个算法根据用户的表现动态选题。这种系统的优点是聚焦——它不试图解决学习的所有环节，只解决“练什么”的问题。但它的局限也很明显：它假设用户已经具备了基础知识，只需要通过练习来巩固。对于需要从头学起的人来说，光有练习是不够的。5.2 交互式讲解有些产品在“讲解”环节做创新，不是给一段文字，而是给一个可交互的演示。比如讲概率，给一个可以调节参数的模拟器，用户自己动手调一调，看看概率怎么变化。这种交互式讲解，比纯文本更直观，也更容易让人理解。但交互式讲解的开发成本很高。每个知识点都需要单独设计交互形式，需要前端工程师和领域专家紧密配合。而且，交互式讲解很难规模化——你不可能为每个知识点都做一个定制化的交互演示。5.3 学习路径规划有些产品试图做学习路径规划。用户输入一个目标，比如“我想在三个月内学会 Python 基础”，系统生成一个学习计划，包括每周学什么、做什么练习、达到什么标准。然后用户按照计划执行，系统跟踪进度，动态调整。这个方向听起来很美好，但做起来很难。难在路径规划需要精确的学习者建模和内容结构化，而这两件事前面已经说过，都不容易。而且，学习路径规划需要用户有较强的自律性——系统给你规划了，你得执行。如果用户不执行，再好的规划也没用。6. 实操：如果你要做一个非聊天框的学习工具假设你现在要做一个学习工具，不想做成聊天框，应该怎么入手？我基于自己的经验，给一个可参考的思路。6.1 第一步：选定一个极窄的场景不要试图做一个“通用学习工具”。选一个极窄的场景，比如“初中数学一元二次方程”或者“Python 列表操作”。场景越窄，越容易做深。为什么？因为窄场景意味着知识点有限，你可以手工梳理知识图谱，可以手工标注题目，可以手工设计学习路径。这些手工工作，在窄场景下是可行的，在宽场景下是不可行的。6.2 第二步：梳理知识图谱把选定场景的所有知识点列出来，标注它们之间的依赖关系。比如“一元二次方程的求根公式”依赖于“配方法”，“判别式”依赖于“求根公式”。这个图谱是后续所有功能的基础。梳理知识图谱的时候，要注意颗粒度。太粗了，路径规划不精准；太细了，工作量爆炸。我的经验是，一个知识点对应一个“可以在 5 分钟内讲解清楚，并且可以通过 3-5 道题检测掌握程度”的单元。6.3 第三步：设计学习流程基于知识图谱，设计一个学习流程。典型的流程可能是：诊断 → 讲解 → 示例 → 练习 → 测试 → 复习。每个环节都需要设计具体的交互形式。诊断环节，可以用一组覆盖各个知识点的题目，快速判断用户的水平。讲解环节，可以用文字加交互式演示。练习环节，用自适应出题。测试环节，用综合题。复习环节，用间隔重复算法。6.4 第四步：实现核心算法核心算法包括：学习者建模、自适应出题、间隔重复。学习者建模可以用简单的贝叶斯方法，给每个知识点维护一个掌握度概率。自适应出题可以根据掌握度选择最合适的题目。间隔重复可以用 SM-2 算法或者类似的变体。这些算法都不复杂，网上有大量开源实现可以参考。关键是要和你的知识图谱、题库对接好。6.5 第五步：迭代上线之后，收集用户数据，分析哪些环节用户流失率高，哪些题目正确率异常，哪些知识点用户反复出错。根据数据迭代你的知识图谱、题库和算法。这个思路的核心是：用工程化的方式做学习工具，而不是用聊天框的方式。它需要更多的前期投入，但长期来看，它能提供聊天框提供不了的价值。7. 常见问题与排查在实际做这类工具的过程中，我踩过不少坑。这里整理几个典型问题和应对思路。问题一：知识图谱梳理到一半发现颗粒度不对，返工成本很高。这是最常见的问题。我的建议是，先不要追求完美，快速梳理一个粗粒度的图谱，然后在实际使用中逐步细化。另外，可以参考现有的教材目录和课程标准，它们通常已经做了不错的知识点划分。问题二：用户不做诊断题，直接想学新内容。很多用户觉得自己“知道哪里不会”，不想做诊断。这时候可以设计一个“跳过诊断”的选项，但在后续学习过程中，如果发现用户在某个前置知识点上出错，就自动插入一个“补课”环节。这样既尊重了用户的意愿，又保证了学习效果。问题三：自适应出题的算法效果不好，用户觉得题目太难或太简单。自适应出题的核心是准确估计用户的掌握度。如果估计不准，选题就会偏。我的经验是，初期不要用太复杂的算法，用简单的规则——比如连续答对两道就升难度，答错一道就降难度——效果反而更稳定。等数据积累多了，再切换到更精细的模型。问题四：用户坚持要用聊天框。有些用户就是习惯聊天框，觉得其他形式不自由。这时候可以做一个折中：保留聊天框作为入口，但在聊天框里嵌入结构化的学习流程。比如用户问“帮我学一元二次方程”，聊天框不直接给一段文字，而是回复一个“学习卡片”，卡片里有“开始诊断”“直接看讲解”“做练习”几个按钮。这样既满足了聊天框的使用习惯，又引导用户进入结构化流程。问题五：内容更新和维护成本高。结构化内容的一个缺点是维护成本高。每加一个知识点，都要配讲解、示例、题目。我的建议是，把内容做成模块化的，讲解、示例、题目分开管理，这样可以复用。另外，可以用 AI 辅助生成初稿，人工审核和修改，降低生产成本。8. 一些个人体会我做这类工具最大的体会是：学习工具的核心不是 AI，而是学习科学。AI 只是一个技术手段，它可以用来生成内容、分析数据、驱动交互，但它不能替代对学习过程的理解。如果你不懂学习是怎么发生的，不懂学习者需要什么，不懂怎么设计有效的练习和反馈，那再强的 AI 也做不出好的学习工具。另一个体会是：不要试图用聊天框解决所有问题。聊天框是一个很好的交互形式，但它不是万能的。有些学习环节适合用聊天框，比如答疑、讨论、头脑风暴；有些环节不适合，比如系统学习、刻意练习、诊断测试。一个好的学习工具，应该根据不同的学习环节，选择最合适的交互形式，而不是把所有环节都塞进一个聊天框里。最后，我想说的是，跳出聊天框不是为了标新立异，而是为了真正解决学习中的问题。如果你做一个学习工具，用户用了之后确实学得更快、更扎实、更有动力，那不管它是不是聊天框，都是一个好工具。反过来，如果用户用了之后只是觉得“这个 AI 挺能聊”，但学习效果没有提升，那再花哨的聊天框也没有意义。