教育AI智造者

大家好，欢迎回到《教育 AI 智造者》。
今天的嘉宾 Robert 是一位十七岁的高中生：他在北京一所国际学校读高三，是学生会主席、AI 社团社长，也是 Roto 的创始人。Roto 想做的，是陪学生完成研究性项目与项目式学习（PBL）的 AI Mentor——从兴趣、选题和计划，到任务推进、反馈、修改与最终产出。
这期对谈从一个不那么体面的起点开始。Robert 最早使用 ChatGPT，是为了处理自己不喜欢、却必须提交的作业。后来，他在学校研究项目里第一次真正感到：当学习不再是老师拆好的任务，而是要自己提出问题、找资料、安排时间、面对硬截止日期时，AI 的意义不该只是帮人赶上某一个 deadline。
他观察到，许多学生已经在用 AI 找文献、改大纲、润色文本，甚至直接生成内容；但这些帮助往往散落在聊天窗口、文档与搜索结果之间。学生完成了一个节点，却不一定理解一整个项目如何推进。Roto 因此不想成为另一个通用聊天框，而是尝试把零散的帮助组织成一段可回看、可修改、由学生参与主导的学习过程。
我们也细聊了 Robert 怎样在没有编程背景的情况下，和产品导师、Codex 一起把想法做成网站。他不会直接要求 AI“做一个产品”，而是先写清自己要解决的问题、预期体验与功能流程，再请 AI 解释技术方案、指出风险，最后才进入开发与测试。对他而言，AI 的执行可以很快，但问题是否值得解决、功能是否适合学生、结果是否符合预期，仍然需要人来定义和判断。
这也让 Roto 在开发中出现了一个重要转折。Robert 原本希望 AI 能够全程陪伴和主导；但真正考虑学校落地时，他发现真人教师依然不可缺少。教师不只是监督学生，也需要监督 AI 的任务、反馈和对现实可行性的判断。AI 可以帮助学生前进，却很难独自为一个学生是否真的理解、是否持续投入、是否能对成果负责作保证。
所以，这期节目表面上在讨论“一个高中生如何用 AI 做教育产品”，更深处讨论的其实是：
当 AI 可以把资料、建议、代码与方案变得越来越便宜时，学生怎样保留发起问题、作出选择、理解证据与承担结果的权利？
内容大纲
- Robert 会怎样向第一次见面的人介绍自己？他最早为什么会用 ChatGPT 帮忙完成作业？
- 从直接代做，到找文献、搭大纲和准备展示：他的 AI 使用方式为什么变了？
- EPQ（Extended Project Qualification）怎样让一位高中生第一次面对大学式的自主研究、硬截止日期与不确定性？
- 为什么“让 AI 帮我完成一个 deadline”，不等于“我学会了如何完成一个项目”？
- Roto 是什么？它怎样从兴趣发现、选题、计划一路陪学生走到论文或项目产出？
- 一个学生为什么会在多个聊天窗口、文档和搜索结果之间来回切换？Roto 想改变的到底是什么？
- 不会编程的 Robert，怎样和产品导师、Codex 一起把学习流程做成一个网站？
- 为什么他会先写文档、说清目标、要求 AI 给方案，再让 AI 进入开发？
- 当网站能跑起来时，谁来判断它的学习逻辑是否正确、是否真的适合学生？
- Roto 为什么从“AI 全程主导”转向必须让真人教师出现？
- 老师在 AI 项目式学习里要监督什么：学生、任务、反馈，还是 AI 的乐观判断？
- AI 帮找文献、想课题、拆 16 周计划、直接写报告，边界分别在哪里？
- 怎样判断一个项目仍然是学生自己的？哪些关键动作不能被交出去？
- AI 是否真的能让昂贵的导师式学习变得普惠？它又不能解决哪些资源差距？
- 从 access to AI 到把 AI 变成 leverage：当人人都有工具之后，新的优势会转移到哪里？
- 为什么 Robert 说“今天挖 A、明天挖 B、后天挖 C”，即使挖得更快也未必能找到水？
- 学生能否从课外活动和课程的消费者，变成自己学习过程的设计者与创造者？
- 如果学校为学生项目做“加法”，它可以怎样让学生的作品真正服务校园与社区？
本期最重要的关键词：主导力、关键动作、学习过程、真人监督。
AI 可以降低执行成本，也可以给学生更多选择；但它不会自动替学生选择值得投入的问题，更不能替学生理解证据或为成果负责。Roto 所尝试的，是把 AI 放进一个学生仍能发起、质疑、修改和承担结果的学习过程中。
-----------------------关于 Robert / Roto----------------------
-----------------------关于伊伊子----------------------
伊伊子的小红书传送门
伊伊子个人网站
EduAI Builders 网站
EduAI Builders GitHub
----------------------关于听友群-----------------------
如果您对 AI 和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧 点击链接或扫码，与更多志同道合的伙伴交流行业动态、分享实践经验，并共同讨论人工智能将如何改变教育。期待在听友群中与您相遇，共同成长！😊
请大家填写微信联系方式时，务必确认拼写完整、正确。我们遇到过几次微信 ID 无法识别的情况，谢谢大家！

============关键词解析============
Project-Based Learning（PBL）｜项目式学习
PBL 不是把一个作业换成“项目”这个名字。在本期的语境里，它要求学习者围绕一个问题持续行动：提出方向、作出选择、搜集证据、完成任务、接受反馈并修正。Roto 试图承接的是这段过程，而不是只在最后替学生交付一份漂亮的产出。
Extended Project Qualification（EPQ）｜拓展项目资格课程
EPQ 是 Robert 在学校参与的一项研究性项目课程。对他而言，它提供了一次接近大学自主研究的预演：学生需要提出课题、完成 proposal、做初步研究，并在固定截止日期下持续推进。它也是 Roto 最直接的个人经验来源。
AI Mentor｜AI 导师
AI Mentor 可以持续提问、协助计划、解释任务、给出初步建议。但它不是自动驾驶的真人导师替代品。本期的关键发现是：当任务牵涉现实可行性、学习质量、反馈校准和持续投入时，AI 的建议仍需要学生与教师共同审视。
Learning Process Design｜学习过程设计
学习过程设计关注的不是“最后交出什么”，而是学习者如何从兴趣走到可执行的问题，怎样被要求表达、选择、行动、回顾和修改。Roto 的产品逻辑不是把功能堆在一起，而是试图让这些步骤形成可见、可调整的路径。
Formative Assessment｜形成性评估
形成性评估发生在学习过程中。它不只在最后用一份报告或一次考试判断结果，而是通过学生的选择、解释、修改、阶段任务和反馈，看见理解怎样发展。在本期的讨论中，它也是防止 AI 只替学生产出答案的一种可能机制。
Human-in-the-Loop｜人在回路中
人在回路中不是让教师在 AI 做完后机械地点一次“确认”。在 Roto 的设想中，学生要保留表达兴趣、作出重要选择、理解证据、修改计划和为成果负责的动作；教师则需要检查任务是否可行、反馈是否可靠，以及 AI 是否过度乐观。
Critical Actions｜关键动作
Robert 用“关键动作”来划定 AI 辅助的边界。AI 可以给选项、推荐资料、拆分计划或提示问题；但学生需要真正决定选什么、为什么这样改、是否理解证据，以及是否愿意对最后展示负责。关键不在于 AI 被用了多少次，而在于这些动作有没有被保留。
Access to AI｜接触 AI 的机会
这指一个人是否有账号、设备、网络和合适的工具可以使用 AI。Robert 认为，这仍然重要，但它不再足以解释全部差距：当工具更普及后，问题会继续转向人是否知道如何使用它。
AI Leverage｜把 AI 变成杠杆的能力
AI leverage 不是会写几个提示词，而是能把工具嵌入一个真实目标：提出好问题，辨别答案，持续推进，根据反馈修正，并让 AI 承担适合它的执行工作。它依赖主动性、判断力、时间和环境支持，因此不会因为工具可用而自动平均分配。
Agency｜主导力 / 主体性
本期反复出现的核心概念。它不只是自律地把任务做完，而是能主动发现问题、选择方向、承担选择的后果，并在反馈出现后调整。对 Robert 来说，AI 越容易获得，人的主导力越成为稀缺而重要的能力。
Creator｜创造者 / 共同设计者
Robert 描述自己从教育体验的消费者逐渐变成创造者：不只接受别人设计好的课程和活动，也尝试设计一个服务学习的产品，并在测试、删改和取舍中学习。节目最后把这个想法延伸到学校：学生的项目可以成为服务校园和社区的真实作品，而不只是一项履历材料。

在小宇宙查看该单集文稿

大家好，欢迎回到《教育AI智造者》。
当 AI 可以在几秒内给出一份调研、一个研究路径、一段代码，甚至一个看起来完整的解释时，“得到答案”正在变得前所未有地容易。但这也让另一个问题变得更尖锐：我们究竟是在搜索已经存在的知识，还是在做研究？AI 替我们把事情完成，和我们真正理解其中的判断与证据，之间又差了什么？
这一期，我们邀请到Zhihao。他目前在香港中文大学攻读 AI 方向博士，关注具身智能中的 self-evolving agent（自我进化智能体）与 world model（世界模型），也做过自动化科研相关的开源实践。对他来说，研究不是某一类人专属的神秘活动，而是一个持续提出假设、寻找证据、验证并消除不确定性的过程；产品、工程和教育，也都可能有同样的结构。
对谈从Auto Research讲起：让智能体自动科研，真正困难的不只是让它“会做事”，而是定义一个可信的评估器。模型能力不足，或评估信号偏离目标，都会让自我优化朝错误方向加速。于是，研究品味（research taste）不再只是抽象的审美：它落在什么问题值得做、什么指标算进步、哪些反馈必须由人介入。
我们也把这个问题带到教育。数学和编程相对容易验证，教育中的学习、兴趣、情绪与认知变化却很难被简单的点击量、观看时长或一次考试完全捕捉。面对难以操作化的反馈信号，技术可以提供新的观察和模拟工具，但教师的判断、学习者的自我觉察，以及对“什么才算学会”的持续追问，仍然不能被一个漂亮的指标替代。
后半段，我们聊到世界模型：它不只是生成逼真视频，也不等于模型能用文字描述“杯子掉到地上会碎”。在本期采用的理解里，一个更完整的世界模型需要能推演状态变化、将状态渲染为可观察的画面，并根据目标输出行动。它之所以令人兴奋，是因为仿真环境或许能让机器人和智能体以更低成本反复试错；它之所以仍然困难，是因为物理世界的数据远比数字世界稀缺，真实世界的状态也远比表面画面复杂。
这期节目表面上讨论的是自动科研与世界模型，更深处讨论的其实是：
当 AI 的杠杆越来越长，我们如何不只是把判断外包出去，而是借它更清楚地认识问题、认识证据，也认识自己？

内容大纲
- 为什么Zhihao会从自己的科研需求出发，做自动化科研相关的开源项目？
- 搜索（search）和研究（research）的边界在哪里？“互联网上已经有答案”和“需要产生新知识”有什么区别？
- 对陌生问题先问 AI：这是效率提升，还是探索模型能力边界的一种方法？
- AI 已经替你总结论文之后，怎样避免“我以为我懂了”？
- 如何用自己的知识框架、Notion 或 Obsidian，让 AI 的信息进入而不是取代你的理解？
- 为什么复述、重讲和费曼学习法，仍然是检验理解的必要动作？
- Auto Research 自动化的到底是什么？评估器、搜索策略与人类介入分别承担什么角色？
- 基础模型能力与评估器质量，为什么是自我进化智能体的两条边界条件？
- “研究品味”如何具体地体现在定义问题、设定指标和判断方向上？
- 教育中的总结性评估与形成性评估，怎样对应不同类型的反馈信号？
- 点击、停留时长和完成率，为什么不能直接等同于学习真的发生了？
- 当教育中的兴趣、情绪和认知过程难以观测时，传感器与脑机接口可能提供什么，又不能替代什么？
- 为什么具身智能和机器人比数字世界里的 AI 更难做？物理数据为什么稀缺？
- 在本期的定义中，世界模型为什么需要状态预测、渲染与策略（policy）三种能力？
- 语言模型、视觉生成模型与世界模型：它们分别能描述、渲染或推演什么？
- 世界模型如果足够成熟，能否降低科学试错和探索式教育的门槛？
- 给普通听众的三个行动入口：尽快用 AI、搭建自己的知识体系、进入真实的 AI 社群与协作环境。
本期最重要的关键词：评估器（Evaluator）。它不只是给结果打分的工具，而是在决定一个智能体、一个研究流程，甚至一个学习系统会朝什么方向优化。

-----------------------关于伊伊子----------------------
伊伊子的小红书传送门
伊伊子个人网站
EduAI Builders 网站
EduAI Builders GitHub
----------------------关于听友群-----------------------
如果您对 AI 和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧 点击链接或扫码，与更多志同道合的伙伴交流行业动态、分享实践经验，并共同讨论人工智能将如何改变教育。期待在听友群中与您相遇，共同成长！😊
请大家填写微信联系方式时，务必确认拼写完整、正确。我们遇到过几次微信 ID 无法识别的情况，谢谢大家！
============关键词解析============
Research｜研究
本期中，研究不是单纯找到现成答案，而是围绕一个尚未被充分解决的问题提出假设、设计验证，并逐步减少不确定性。搜索可以是研究的一环，但当答案只存在于已有资料中时，它本身还不等同于研究。
Search｜搜索
搜索是在已有信息、文献和经验中定位答案或线索。在 AI 时代，它可以极大缩短进入陌生领域的时间；但它提供的是已有知识的入口，不能自动保证问题本身新颖，也不能替代验证。
Auto Research｜自动化科研
让智能体参与资料搜集、提出方案、写代码、运行实验、读取反馈并迭代的工作流。本期的重点是：它能否成立，取决于模型能力、反馈质量以及研究者是否定义了真正值得优化的问题。
Self-Evolving Agent｜自我进化智能体
指能够在反馈回路中改进自身行为或能力的智能体。它不仅用 AI 做研究，也可能让智能体依据生成的轨迹与评估信号，在特定领域中进一步优化自身。
Evaluator｜评估器
评估器把“做得更好”转成可用的反馈信号。编程和数学往往有相对清晰的测试或答案；在开放研究、教育和现实任务中，评估器更难定义，也因此更需要人的判断与研究品味。
Human in the Loop｜人在回路中
人在关键节点审查方向、修正不合适的方案、解释例外的参与方式。它不意味着人要手工完成全部工作，而是把人的注意力保留给目标、边界、价值与不可轻率自动化的判断。
Research Taste｜研究品味
本期里，它是一种综合能力：能提出重要而有趣的问题，形成有价值的假设，设计验证，并在反馈中快速迭代。它可以经由研究训练增强，而不是少数人的天赋标签。
Formative Assessment｜形成性评估
发生在学习过程中的反馈，例如学习任务、解释、修改与阶段性产出。它的目的不是只在最后判定对错，而是帮助学习者和教师理解下一步应如何调整；简单行为数据可以提供线索，却不能自动等同于理解。
Summative Assessment｜总结性评估
通常在一个阶段结束时判断成果，例如考试分数或最终作品。它便于得到相对清楚的结果信号，但若只依赖它，往往无法看见学习在过程中的困难、兴趣和变化。
Embodied AI｜具身智能
让 AI 在机器人或其他物理载体中感知、行动和学习的方向。它面对真实世界中的摩擦、对象变化、失败恢复和数据收集，因此不能简单照搬数字世界的数据规模和训练方式。
World Model｜世界模型
本期借用的理解是：系统能根据当前状态与动作预测下一状态，将状态渲染为人可理解的观察，并根据目标输出行动。这个定义比“生成一个逼真画面”更严格；它仍是快速发展、尚有许多技术边界的方向。
State｜世界状态
指系统中与任务相关的真实条件，而不仅是文字描述或一张图像。例如物体的位置、速度、接触关系和任务是否成功，都可能属于状态。能否可靠地从有限观察中推断状态，是世界模型的核心困难之一。
Policy｜策略
在一个目标和当前状态下，决定下一步采取什么动作的规则或模型。世界模型若只能展示或预测，而不能帮助选择行动，仍不能完整承担具身任务中的决策角色。
Simulation｜仿真
在可控环境中模拟世界变化，以较低成本重复实验、恢复初始状态并比较方案。它可以扩展试错的规模，但仿真与真实世界之间的差异，仍需要谨慎验证。
Synthetic User｜仿真用户
用 AI 生成或模拟的用户，用于探索产品可能的交互路径。本期中的例子是模拟学生使用学习网站；它可协助测试假设，却不能直接证明真实学生已经发生了同样的认知与情感变化。

在小宇宙查看该单集文稿

大家好，欢迎回到《教育AI智造者》。
过去两年，我做了很多看起来彼此分散的教育 AI 项目：帮助自己理解日语剑道视频的学习工具、论文搜索与阅读、从研究到产品需求的转换、知识图谱、数学概念可视化、互动学习页面、教学智能体、评价器，以及学习者运行记录。
这些项目有的仍在继续，有的已经停止，有的只是很快做出来的原型。它们看起来并不属于同一个产品，却不断把我带回同一个问题：
当人工智能已经可以非常快速、低成本地生成内容、页面和软件以后，教育产品中真正值得被认真设计的，究竟是什么？
我现在的答案越来越接近四个词：目标、判断、证据和责任。
我们想让谁发生什么变化？为什么选择这一步，而不是另外一步？看见了什么，我们才有资格说学习可能发生了？当系统并不确定时，它应该继续给出一个自信的答案，还是停下来寻找更多证据？
EduOS 就是在我试着把这些问题写进软件以后，逐渐长出来的东西。
这个名字里的 OS，是 Operating System，也就是“操作系统”。但我并不是想重新制造一个庞大的教育平台，也不是想把老师、学生、课程和人工智能全部装进同一个超级应用。相比一个所有人都必须进入的界面，我更想做的是一套教学运行环境：它可以被老师直接使用，也可以被教育科技产品放进自己的系统，还可以由更大的智能体工作框架在需要教学判断时调用。
它最初被设计成一个命令行工具。模型和智能体可以提出方案，但验证、授权、执行和记录要由更稳定的系统负责。一次教学判断使用了什么证据、调用了什么能力、为什么进入下一步，都应该能够被检查和追溯。
但这期节目不是一次产品发布。
EduOS 做到一半，被我自己推翻了。
它已经有能够运行的代码、教学图、案例、学习程序、事件记录和解释工具。也正因为它真的运行起来了，我才看见一个无法继续忽视的空缺：这套系统可以把一个教学决定执行得很规范，却没有真正回答——这个决定为什么值得产生？
如果目标、评价标准、学习困难和教学动作都已经被预先写进输入，系统当然可以稳定地执行；但最困难的教学智慧，会不会早已被偷偷放进了输入？面对一个陌生的学习者、一项新的学科任务和一组很长的材料，模型怎样发现真正的学习困难？当几种教学理论彼此冲突时，它怎样保留张力，而不是从目录里挑一个听起来合适的名字？
如果这些问题没有解决，那么完整的工程结构和漂亮的运行日志，也可能只是把一个未经证明的教学判断执行得更加稳定。
所以，我没有发布 EduOS。
但推翻一个项目，并不等于这段探索什么都没有留下。
在这期节目里，我会从最早的 YouTube Sensei 讲起：为什么一个只想帮助自己听懂剑道老师的个人工具，让我开始相信软件可以围绕人的真实需要重新生长；为什么实现越来越便宜以后，选择和判断反而变得更加昂贵；以及我怎样从一个个具体应用，逐渐走向“教学基本单元”和“框架优先，应用其次”。
我也会具体解释，什么是教学基本单元。它并不只是按钮、卡片、高亮或拖动组件，而是一种把教学目的、适用条件、学习者动作、学习证据和使用边界连接起来的设计结构。界面告诉我们“可以做什么”，教学基本单元还要回答“为什么在这里这样做，以及我们凭什么认为它可能帮助学习”。
推翻 EduOS 以后，我又开始尝试一种“工作图”：让模型先形成一个公开、可检查、可修改的学习设计状态，再围绕局部关系继续读取材料、选择能力和生成产物。它不是模型私下的思维链，也不是一张为了展示而存在的漂亮流程图。它更像一个人和系统都能共同查看的推理工作台。
这轮实验仍然没有给出一个宏大的答案。它没有证明把输出画成图以后，模型就会变得更聪明；但它让我更清楚地看到，教学设计中的关系、证据、不确定性和注意焦点，需要以什么方式变得可见。
这也改变了我对开源的理解。
开源不一定只发生在成功以后。没有发布的系统、走错的图结构、失败的提示词、解析规则、评价方法、开发日志，以及能够独立使用的教学基本单元，也可以成为公共材料。重要的不是把所有代码原封不动地扔出来，而是诚实标明：什么已经可以运行，什么仍然只是实验，什么已经被推翻，什么还没有证据。
所以，这期节目表面上是在复盘一个没有发布的“教育操作系统”，更深处讨论的其实是：
当人工智能可以生成越来越多东西以后，我们怎样让教学判断变得可见、可讨论、可修改，也保留人拒绝系统判断的权利？

内容大纲
- EduOS 为什么叫“教育操作系统”？它为什么不是一个把所有功能装进去的超级应用？
- 从一个只想听懂日本剑道老师的个人需求出发，YouTube Sensei 如何改变了我对个性化学习工具的理解？
- 软件能不能不再要求所有人进入同一个固定房间，而是让不同能力围绕真实任务临时组合？
- 当生成页面和应用越来越便宜，为什么“选择什么值得做”反而成为更昂贵的能力？
- 从教育研究到产品设计：什么是“操作化”？为什么“深度理解”“有效反馈”和“提供支架”不能只停留在产品介绍或提示词里？
- 什么是教学基本单元？它与按钮、卡片、高亮、拖动等普通界面组件有什么区别？
- 从英语长句分层到面积与周长可视化：一个教学基本单元为什么必须同时包含目的、条件、学习动作、证据和边界？
- 为什么把几个优秀组件拼在一起，并不会自动得到一节好课？教学基本单元、教学流程和完整学习案例分别保存什么？
- “框架优先，应用其次”到底是什么意思？为什么它不是说应用、界面和使用体验不重要？
- EduOS 为什么采用命令行？老师、教育科技产品和更大的智能体工作框架，可以怎样从不同入口调用同一套教学能力？
- 一个已经能够运行、测试和重建记录的系统，为什么反而被我推翻？
- 当系统擅长验证、执行和记录，却不知道一个教学决定为什么值得产生，工程完成度还能代表问题已经解决吗？
- 什么是工作图？它与思维链、知识图谱、课程目录和预先写死的控制流程有什么不同？
- 固定拓扑、字符画和严格输出格式分别带来了什么失败？为什么机器需要稳定的关系表达，而人需要一眼能够看懂的空间视图？
- 不同云端模型和本地模型在复杂指令与严格格式下表现如何？“有能力推理”和“能够被智能体安全调用”为什么是两个不同的问题？
- 一张图为什么不会自动带来长期记忆或节省上下文？局部焦点、能力选择和运行权限应该怎样分层？
- EduOS 没有发布以后，教学基本单元为什么仍然值得被整理、验证和开放？
- 开源是否只能开放成功的完成品？失败案例、实验记录和被推翻的假设，可以怎样帮助后来的人少走一些弯路？
- 真正以人为中心的软件，为什么不仅要响应人的需要，还要允许人参与定义需要、看见决定依据，并知道系统什么时候不应该越过边界？

人工智能可以生成一个看起来完整的答案，但教育真正困难的部分，是判断什么变化值得发生、什么证据足以支持下一步，以及谁应该为这个决定负责。
-----------------------关于伊伊子----------------------
伊伊子的小红书传送门
伊伊子个人网站
EduAI Builders 网站
EduAI Builders GitHub
----------------------关于听友群-----------------------
如果您对 AI 和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧 点击链接或扫码，与更多志同道合的伙伴交流行业动态、分享实践经验，并共同讨论人工智能将如何改变教育。期待在听友群中与您相遇，共同成长！😊
请大家填写微信联系方式时，务必确认拼写完整、正确。我们遇到过几次微信 ID 无法识别的情况，谢谢大家！
============关键词解析============
EduOS｜教育操作系统
EduOS 中的 OS 来自 Operating System，也就是“操作系统”。这里的操作系统并不是一个类似电脑桌面的巨大界面，而是一种教学运行环境：它负责组织教学能力怎样进入任务、模型可以读取什么、能够调用哪些工具、什么判断必须验证，以及一次学习过程需要留下什么记录。
本期讨论的 EduOS 没有正式发布。它已经形成过可以运行的工程结构，但由于没有解决“可靠教学决定如何形成”这一核心问题，开发在中途被主动停止和重新审视。
Pedagogical Runtime｜教学运行环境
教学运行环境是模型真正开始处理教育任务时，安排它如何工作、允许它做什么，以及要求它留下哪些证据和记录的那一层。模型可以提出建议，但建议不应自动变成决定；能力、权限和责任必须被区分。
Command Line Interface（CLI）｜命令行界面
命令行不是通过网页按钮操作，而是在终端中输入明确指令，例如编译教学图、组合案例、运行活动、查看轨迹，或者询问系统为什么选择某一步。
它并不是所有老师最终都要面对的界面，而是一个透明、容易组合的底层入口。老师可以直接使用，教育科技产品可以在后台调用，更大的智能体工作框架也可以把它作为教学能力的一部分。
Agent Harness｜智能体工作框架
智能体工作框架是承载人工智能完成复杂任务的外部系统。它可能负责文件、日程、工具调用、权限、记忆和任务状态。在 EduOS 最初的设想中，更大的工作框架可以处理一般事务，并在真正需要教学判断时调用 EduOS。
Pedagogical Primitive｜教学基本单元
教学基本单元不是普通界面组件，也不是“最佳教学法”清单。一个相对完整的教学基本单元至少需要说明五件事：它想达到什么教学目的、适合什么条件、学习者需要进行什么动作、什么可以成为学习证据，以及在什么情况下不应该使用。
它尝试把教学意图、学习动作、表现形式、证据要求和使用边界连接起来，使一种教学能力可以被不同老师、产品和系统复用、修改与检验。
Operationalization｜操作化
操作化是把抽象概念转化成可以观察、执行和检验的结构。教育产品经常使用“深度理解”“有效反馈”“启发性”和“个性化”等词；如果不能继续说明它们改变了什么、产生什么证据、在什么情况下成立，这些词就很容易变成装饰。
Framework First, Apps Second｜框架优先，应用其次
“应用其次”并不是说应用、界面或体验不重要。这里的“优先”是指：先明确哪些教学判断、证据关系和权责边界，不应该随着某一个具体界面一起消失；再让不同应用成为检验这套框架的真实证据。
框架提供方向，应用提供证据。应用并不是框架的包装，它也会通过真实使用不断暴露框架的问题。
Learning Evidence｜学习证据
点击、停留时间和完成率可以提供线索，但不能被直接等同于理解。更有价值的学习证据，可能来自学习者选择的理由、修改前后的变化、能否迁移到新情境，以及能否区分相似但不同的概念。
当系统缺少足够证据时，更负责任的做法可能不是继续下结论，而是保留不确定性，并设计一个成本较低、能够区分不同原因的后续任务。
Trace｜运行轨迹
运行轨迹不是为了监控学习者的每一次点击，也不是把一个人变成一串数据。它是为了让系统能够回到真实发生过的事情：学习者提交了什么，系统引用了哪一段作为证据，依据什么标准形成了怎样的有限判断，又为什么选择下一步。
Working Graph｜工作图
工作图不是模型私下的思维链，也不是传统知识图谱、课程目录或预先写死的流程。它是一种公开、可以检查、可以修改和复用的学习设计推理状态。
它让人能够看见：当前怎样理解学习问题，哪些关系彼此支持或限制，系统此刻关注哪里，以及这一局部为什么需要某一种教学能力。
Deterministic Parser｜确定性解析器
确定性解析器通过明确规则检查模型输出，而不是再请另一个模型猜测原模型想表达什么。符合协议的结果可以继续运行；可以安全修复的格式问题会被透明标明；存在歧义、无法可靠解释的内容则会被拒绝。
模型说得有没有道理，与它的输出能不能被智能体安全地继续使用，是两个不同维度。
Human-in-the-Loop｜人在回路中
人在回路中并不只是让教师在人工智能完成工作以后按一下确认。它意味着人能够看见系统使用的证据和理由，修改目标，拒绝不恰当的判断，并决定哪些权力不能交给模型。
真正以人为中心的软件，不只要能够响应人的需要，还要让人有能力参与定义需要；不只替人做决定，还要让决定的依据可见；不只越来越聪明，也要知道什么时候不应该越过边界。
Open Source｜开源
开源不只是公布一个成功的完成品。开发日志、失败案例、提示词实验、解析规则、评价方法和可独立使用的教学基本单元，也可以成为公共材料。
负责任的开源需要说明状态：什么已经可以运行，什么仍然只是实验，什么已经被推翻，什么还缺少证据。开放的价值不在于要求所有人接受同一套框架，而在于让判断有机会被看见、争论、修改和重新组合。

在小宇宙查看该单集文稿

大家好，欢迎回到《教育AI智造者》。
过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。
但如果 AI 已经能在几分钟内写出一份项目方案、一套课程流程，项目式学习（PBL）真正困难的问题还剩下什么？
这一期，我邀请到了 Xichen。她曾在中美不同的教育场景中从事项目式学习：从社会科学夏令营、机器人与 STEM 教育，到美国公立学校；如今，她也在为成人设计与真实企业问题相连的 AI 技能培训。
这次对谈让我重新理解了一件事：PBL 并不是“把一节课做得更热闹”，也不是给学生一个看似开放的题目，再让他们交一份漂亮的作品。真正困难的部分，是让学习者面对一个真实、恰当、值得自己投入的问题；是让教师从内容传递者变成问题解决者和引导者；也是让学校、社区、企业与学生之间，建立起足以承载责任的信任。
Xichen 提到，一个好的项目不会从一份完美课件开始，而是从 problem framing 开始：先理解真实约束——学生是谁、教师能投入多少时间、师生比如何、是否有外部组织愿意参与、最终要让学生展示什么。项目的核心也不是“没有标准答案”，而是帮助不同起点的学习者，在脚手架的支持下，找到对自己真正有意义的答案。
我们也具体聊了 AI 在 PBL 中最值得进入的位置：它可以帮助小团队搭建学生数据系统，处理大量形成性评估的初步扫描，标出需要教师重点关注的学生；但最重要的里程碑、专家的隐性知识、教师对学生的理解，以及学生愿不愿意对一个问题负责，依然不能被简单自动化。
所以，这期节目表面上在讨论“AI 如何帮助 PBL”，更深处讨论的其实是：
当我们把越来越多教学工作交给 AI，教育里哪些东西会因此被放大？又有哪些东西，仍然必须由人与人之间的信任来发生？

内容大纲
- 从中国到美国、从 K12 到成人培训：为什么 Xichen 有意识地在不同学习场景中做 PBL？
- PBL 与传统学科教学最大的不同是什么？“没有标准答案”为什么不等于“没有要求”？
- 成人学习与儿童学习的共同点：学习者都在试图解决当下的问题，也都带着自己的经验进入课堂。
- PBL 不是买一套案例、套进学科就能发生：教育者为什么必须先经历一次真正有效的项目式学习？
- 从教师自己的兴趣出发：一位喜欢音乐的语文老师，如何让歌词、创作与表达自然长成一个项目？
- 课程设计的第一步不是写活动，而是 problem framing：如何识别项目的约束条件（design constraints）？
- 为什么“谁都可以照着上”的标准化 PBL，反而可能失去灵魂？教师培训、教师兴趣与项目运营之间如何配合？
- 真实问题为什么重要？外部组织、社区与企业的参与，如何让学生的成果不只是一道“假题”？
- 低年龄学生能不能做 PBL？从 Reggio Emilia 到 PBL literacy：项目的复杂度应该如何逐步增加？
- AI 在项目式学习中应该做什么：学生数据追踪、形成性评估初筛、界面与工具开发；又有哪些事仍应由教师完成？
- 从 backward design 到 project milestone：如何先定义要培养的能力，再找到最值得人工深度评估的关键节点？
- 专家为什么仍然不可替代？观察专家如何解决模糊问题，如何帮助我们看见 AI 不容易显性的隐性知识？
- AI 是 co-pilot 还是 autopilot？如果把 PBL 流程完全自动化，最容易丢掉的是什么？
本期最重要的关键词：**trust**。学生愿不愿意承担责任，往往取决于是否有人真的相信他们，也是否有一个社区认真对待他们做出的成果。
-----------------------关于伊伊子----------------------
伊伊子的小红书传送门
----------------------关于听友群-----------------------
如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊
请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！

============关键词解析============
Project-Based Learning（PBL）｜项目式学习
PBL 不是“以项目为包装的活动课”。在这期对谈中，它指向的是一种以开放问题和真实产出为中心的学习方式：学习者需要在持续探索、协作和迭代中，解决一个对自己或外部世界有意义的问题。项目可以没有唯一答案，但仍然需要清晰的目标、支架与评估。
Open-Ended Question｜开放性问题
开放性问题不是一道“老师早就知道答案”的题，而是允许多种合理路径与成果的复杂问题。它要求学习者解释自己的判断、与同伴协作，并在不确定性中不断调整方案。PBL 的价值不只在于最终做出什么，也在于学习者如何走过这个过程。
Problem Framing｜问题建构 / 问题框定
拿到一个模糊需求后，课程设计并不会直接开始。设计者需要先明确学习者特征、时间、师生比、教师经验、预算、培训投入、项目运营方式等约束，再决定问题应该被设计到什么范围。好的 framing 不只是“定义题目”，更是在决定什么样的学习体验在现实中真的可行。
Design Constraints｜设计约束
设计约束是项目中无法忽略的现实条件，例如：有多少位教师、教师能否得到培训、学生有多少时间、是否能接触真实企业或社区。它们不是限制创意的附属信息，而是决定一个 PBL 项目能否被真实、稳定地实施的前提。
Authentic Problem｜真实问题
真实问题并不一定意味着“很大”或“很难”，而是有人真正关心它、学生的工作能够被真实的人看见并回应。Xichen 认为，如果只是为课堂虚构一个问题，学生往往知道那又是一道题；而与社区、企业或组织相连的问题，才更可能让学生感到自己的努力有意义。
Facilitator｜学习引导者
在 PBL 中，教师不只是讲授知识的人，更要帮助学生理解问题、管理协作、获得必要资源、在卡住时提供支架，并在恰当的时候退后。这个角色要求教师具备很强的判断与现场应对能力，因此 PBL 很难只靠一份固定教案被“复制”。
Scaffolding｜脚手架
脚手架是在学习者暂时还不能独立完成任务时，提供的结构性支持：可能是问题框架、基础技能练习、示范、检查点，也可能是一轮高质量反馈。它的目的不是替学生完成项目，而是让学生最终能够独立承担更多工作。
PBL Literacy｜项目式学习素养
正如玩家对游戏有不同的熟悉程度，学生对项目式学习也有不同的准备程度。一个刚开始做项目的学生，可能还不擅长设定目标、管理时间、协作或面对模糊问题；因此，项目的开放程度与复杂度需要逐步提升，而不能默认每个学生都已具备自驱与协作能力。
Formative Assessment｜形成性评估
形成性评估发生在学习过程当中，用来帮助学生和教师看见“现在学到了哪里、下一步需要什么”。在这期节目里，它可以是反思、同伴反馈、小组产出或阶段性作业。AI 可以协助初步浏览大量材料、标出异常或需要关注的学生，但不应替代教师对关键学习时刻的理解。
Summative Assessment｜总结性评估
总结性评估通常发生在一个学习阶段结束时，例如考试、最终作品或展示，用来判断学习者达到目标的程度。PBL 并不排斥总结性评估；关键是不能只在项目结束时才发现学生一路上已经偏离了方向。
Backward Design｜逆向设计
逆向设计是先确定希望学生最终发展出的能力与成果，再反推需要哪些学习经历、支架和评估节点。本期中，Xichen 的团队会先关注问题解决、沟通、协作与自我管理等能力，再选择最能体现这些能力的项目里程碑。
Project Milestone & Showcase｜项目里程碑与成果展示
里程碑是项目中少数需要被认真设计、并由教师深度关注的关键时刻。例如：学生如何界定企业的根本问题，或如何在最终展示中讲清楚解决方案、推理过程与成品。相比把所有作业都平均用力地批改，聚焦里程碑更能让有限的教师时间落在真正重要的学习上。
Tacit Knowledge｜隐性知识
AI 很擅长调用显性的流程、概念与答案；但专家在真实工作中形成的判断——何时追问、何时换工具、什么是“暂时不用学”的知识——往往并没有完整写在任何教材里。观察专家解决真实问题、与专家对话，是课程设计者提炼这种隐性知识的重要方法。
Human-in-the-Loop｜人在回路中
AI 可以成为课程设计与运行的辅助系统，但它不应把教师、专家和学习者移出决策。更好的路径是：让 AI 处理重复、规模化的信息工作，把人类的注意力留给关系、判断、反馈、意义与责任。
Trust｜信任
这是贯穿整期节目、也最难被产品化的概念。学校是否信任教师有空间设计项目？教师是否信任学生能承担一部分真实责任？学生是否相信自己的投入会被认真看待？如果没有这些关系，PBL 很容易只剩下一套形式；而有了信任，学生才可能真正把学习的责任扛在自己肩上。

在小宇宙查看该单集文稿

Hello 大家好，欢迎回到《教育AI智造者》。
过去两年，我们已经见过太多教育 AI 产品：生成教案、生成 worksheet、生成 quiz、生成课程、生成反馈……大语言模型让“生成教学内容”第一次变得如此廉价。
但我越来越觉得，教育 AI 真正困难的问题，可能从来都不是“如何生成”，而是：我们到底应该生成什么？为什么这样生成？以及，我们凭什么认为生成出来的东西有助于学习？
这一期，我邀请到了 EduAide 联合创始人 Thomas。
EduAide 是一个让我第一次看到就非常感兴趣的产品。它没有把 ChatGPT 简单包装成一个“教师版聊天框”，而是试图做一件困难得多的事情：把教育研究和学习科学真正转化成老师可以直接使用的 AI 工具。
Thomas 自己就是一名教师，也接受过教育研究训练。EduAide 的诞生，也不是从“AI 能做什么”开始，而是从一个老师非常具体的问题开始：ChatGPT 的确可以在几秒钟内生成 worksheet 和 lesson plan，但什么才是一张真正设计得好的 worksheet？一道高质量的 worked example 应该包含什么？什么时候应该使用 retrieval practice？什么时候应该给学生更多引导，又什么时候应该逐渐撤掉 scaffold？
这些问题的答案，并不在模型本身，而在教学法里。
所以 EduAide 做了一件非常“笨”、却也非常特别的事情：团队筛选和整理了超过 1000 篇教育研究，将研究中的教学原则、适用条件和边界条件组织成知识图谱，再把它们转化为 110 多种教师可以直接使用的教学工具。
而更让我感兴趣的是，他们并没有停留在“把论文塞进 RAG”。
从研究筛选、知识编码，到教学方法的结构化，再到 Prompt、Rubric、Evaluation、Recommendation Engine 和最终可编辑的 Artifact，EduAide 实际上在尝试建立一整条链路：
Research → Pedagogy → Tool → Prompt → Generation → Evaluation → Teacher Decision
我们也因此聊到了一个我一直非常关心的问题：如果未来模型越来越强，教育 AI 产品真正需要构建的，究竟是什么？
也许不是更多内容，而是隐藏在内容背后的教学决策系统。
这一期我们还讨论了很多没有标准答案的问题：老师到底需不需要读论文？AI 帮我们自动阅读研究，是效率提升还是 cognitive offloading？怎样评价一个 AI 生成的教学材料到底“好不好”？为什么一个好的教育 AI 不应该要求老师学习 Prompt Engineering？为什么 Thomas 至今仍然谨慎地不让 AI 直接成为学生的 Tutor？
最后，我们还聊到了 EduAide 作为一家三人 bootstrap 公司，如何依靠教师订阅生存，再从真实的教师使用反向进入学校和学区。
所以，这一期表面上是在拆解 EduAide，实际上我觉得我们讨论的是一个更大的命题：
当“生成”越来越容易之后，教育 AI 的竞争，会不会最终从模型能力，回到我们对“学习究竟如何发生”的理解？

🧭 内容大纲
1️⃣ 从老师到创始人：教育 AI 的起点不应该是 AI 能做什么，而应该是什么更可能让学习发生。
2️⃣ 📚 Evidence-Based Teaching：教学其实是一场“概率游戏”, 好的老师不是遵循教学 checklist，而是拥有足够丰富的教学工具箱，并知道什么时候用什么。
3️⃣ 🔬 1000+ 篇论文如何变成 110+ 个 AI 教学工具？论文不是知识库的终点。真正困难的是把 evidence 变成可以执行的 pedagogical decision。
4️⃣ 🧠 AI 可以帮我们读论文，但什么不应该被自动化？Cognitive Offloading 可以节省时间，但如果把形成专业判断力的过程也一起外包，我们可能失去的恰恰是最重要的能力。
5️⃣ 🌉 Research-to-Practice Gap：真正缺失的不是更多教育研究，而是把研究转化成实践的基础设施。
6️⃣ 🛠️ 最好的教育 AI，也许应该让老师“不需要懂 Prompt”:不要训练老师成为 Prompt Engineer，而应该把 Pedagogy 做进产品本身。
7️⃣ 🧩 从 Generator 到 Recommendation Engine: 育 AI 不只是“帮我生成什么”，未来更重要的能力可能是“帮我判断现在应该做什么”。
8️⃣ ⚙️ Prompt Engineering 背后，其实是 Pedagogical Engineering: 真正困难的不是 Prompt 写得多漂亮，而是我们能不能把“好的教学”描述成机器可以执行的结构。
9️⃣ 📏 Rubric + Evaluatio：教育 AI 的护城河可能不只是 Generation，而是 Evaluation——你必须先知道“好”是什么，才能不断逼近它。
🔟 📄 Artifact + Human-in-the-Loop：AI 给起点，老师继续驾驶; 好的教育 AI 不是把教师移出回路，而是让教师拥有更强的 Agency。
1️⃣1️⃣ 🎮 为什么“游戏 + 答题”并不等于 Game-Based Learning？真正的学习游戏，应该让“赢得游戏”本身就意味着学生展示了对学习目标的掌握。
1️⃣2️⃣ 🤖 为什么 EduAide 没有急着做 AI Tutor？AI → Teacher → Student，可能仍然是现阶段非常值得认真探索的一种教育 AI 架构。
1️⃣3️⃣ 💰 三个人的 Bootstrap 公司，如何与 EdTech 巨头竞争？
1️⃣4️⃣ 🌱 当生成越来越便宜，教育 AI 最后在竞争什么？
也许教育 AI 最终真正竞争的，不是谁生成得更多，而是谁对学习理解得更深。

-----------------------关于伊伊子----------------------
伊伊子的小红书传送门
----------------------关于听友群-----------------------
如果您对AI和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨AI如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊
请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信ID无法识别的情况~谢谢大家！

========================关键词解析========================
01｜Evidence-Based Teaching｜循证教学
循证教学并不是“研究证明这种教学法最好”，而是依据已有研究，选择在特定学习者、内容和环境下更可能促进学习的方法。Thomas 特别强调它的边界条件：一种有效方法并不会在任何课堂、任何学生身上都同样有效。
02｜Retrieval Practice｜检索练习
检索练习指主动从记忆中提取已经学习的信息，而不仅仅是重新阅读材料。测验、回忆问题等都可能成为检索练习。它的重要价值之一，是让“回忆”本身成为学习过程，而不只是学习结束后的检查。
03｜Cognitive Load｜认知负荷
人的工作记忆容量有限。如果题目的措辞、界面或无关信息消耗了过多注意力，学生用于理解核心知识的认知资源就会减少。Thomas 提到“最低限度差异化”的题目设计，就是希望减少与学习目标无关的额外负荷。
04｜Prior Knowledge｜先验知识
学生进入一个学习任务之前已经拥有的知识和技能。它不仅包括“知道什么”的陈述性知识，也包括阅读、分析、写作、解题等程序性能力。同一种教学方式对初学者和已有丰富先验知识的学习者，效果可能完全不同。
05｜Worked Example｜范例题 / 完整示例
Worked Example 不只是“给学生看答案”，而是把解决问题的过程显性化，让学生看到每一步为什么发生。高质量范例还可能加入 self-explanation、常见错误、部分完成练习，以及逐步撤除支架等设计。
06｜Scaffolding & Fading｜脚手架与逐步撤除
Scaffolding 是在学生尚不能独立完成任务时提供结构性支持；Fading 则意味着随着能力提升逐步撤掉这些支持。EduAide 的范例题会从完整示范走向 partially completed example，让学生逐渐承担更多认知工作。
07｜Self-Explanation｜自我解释
不是让学生简单重复“这一步做了什么”，而是要求他们解释“为什么这样做”。例如：“为什么这一步首先使用分配律？”这种活动迫使学习者连接已有知识、推理过程与当前问题，加深对底层结构的理解。
08｜TPACK｜技术—教学法—学科内容知识
TPACK（Technological Pedagogical Content Knowledge）强调，优秀的技术整合并不是单独懂技术、教学法或学科内容，而是理解三者如何相互作用。AI 时代的问题因此不只是“模型能做什么”，而是它如何进入具体学科的教学决策。
09｜Knowledge Graph｜知识图谱
在 EduAide 的语境里，知识图谱不是简单储存论文，而是把研究、教学方法、适用情境、资源类型等关系组织起来，让系统能够理解某项研究与某个教学工具之间为什么相关，从而支撑推荐、生成和评估。
10｜Rubric-Based Evaluation｜基于评分标准的评估
与其笼统地问“AI 输出好不好”，不如把质量拆成可检查的标准。例如：是否有逐步引导？是否包含自我解释？是否提供后续练习？EduAide 会让不同 Prompt 在不同主题和年级上重复生成，再根据 rubric 比较稳定性。
11｜Cognitive Offloading｜认知卸载
认知卸载是把原本需要自己完成的认知任务交给外部工具，例如让 AI 搜索、阅读和总结论文。它可以提高效率，但 Thomas 提出了一个重要风险：如果一个初学者研究者过早把全过程交给 AI，可能也失去了形成研究判断力的机会。
12｜Research-to-Practice Gap｜研究—实践鸿沟
教育研究中已经存在大量关于学习和教学的知识，但这些知识往往没有进入真实课堂。Thomas 认为，问题不应该简单归咎于“老师不读论文”，而是研究成果缺少能够直接转化成不同学科、不同课堂情境的实施形式。
13｜Recommendation Engine｜推荐引擎
与“你问什么 AI 就生成什么”不同，EduAide 会尝试先识别教师的教学意图，再把目标匹配到适合的教学工具。这里 AI 承担了一部分 pedagogical selection：不仅生成资源，也开始帮助老师判断“此时可能应该使用什么”。
14｜Artifact｜可操作的生成对象
Artifact 指 AI 生成后能够继续编辑、评估、组合和迭代的对象，而不是聊天框里一次性的答案。对于教育 AI 来说，这一点尤其重要：教学材料天然需要老师根据学生、课堂和实际实施情况持续修改。
15｜Human-in-the-Loop｜人在回路中
Human-in-the-Loop 强调 AI 并不是封闭地完成整个决策，而是让人类持续参与判断和修正。在 EduAide 中，AI 可以生成、推荐和评估，但教师仍然能够编辑 Artifact、改变方向，并决定最终如何进入真实课堂。
16｜Teacher Agency｜教师主体性
教师主体性指教师能够基于自己的专业判断、课堂情境和学生需求做出决定，而不是被技术规定教学路径。好的教育 AI 不一定意味着“替老师多做一些”，也可能意味着给老师更好的结构和信息，让老师拥有更强的决策能力。
17｜Game-Based Learning｜游戏化学习 / 基于游戏的学习
真正的 Game-Based Learning 不只是给练习题套上积分、角色或闯关外壳。Thomas 提出的一个很好的判断标准是：游戏的胜利状态能否直接体现学习目标的掌握？ 如果拿掉题目后游戏依然完全成立，它可能只是“答题换皮”。
18｜Bootstrapping｜自力创业
Bootstrapping 指公司主要依靠创始团队和自身收入发展，而非依赖外部风险投资。EduAide 采用教师个人订阅形成稳定 MRR，再通过教师在学校内部的自然采用进入学区市场，使商业增长与真实用户使用形成连接。

在小宇宙查看该单集文稿