关于作业推送、错题举一反三、资源精准投放，以及我做的省市区教育数字基座，一些偏个人的判断

去年我去一所中学看智慧作业系统演示。屏幕跳出个学生的画像：数学，薄弱点十二个，建议练习时长四十五分钟。老师点点头说挺准。可我坐在那，想起自己念书时最怕的，不是被告知你薄弱，而是被告知之后，没人告诉我今天先补哪一个。那十二个薄弱点，先动哪个，动到什么程度算翻篇，系统没说，老师也没空一个个看。

大数据和 AI 进校园这几年，喊得最响的词是精准。可精准这两个字，说和做之间差着一座桥。它服务的其实就是教育喊了很久的那个理想：因材施教。只是理想很轻，桥很重。

一、先破一个误区：我们把学生贴满标签，却以为懂他了

（一）标签方便统计，不方便教书

教育里最早的“大数据”，其实就是分班和排名。后来系统先进了，标签也变细了：视觉型、听觉型、冲动型、沉思型。我见过不少产品做成雷达图，五颜六色，看着专业。可一个被标成冲动型的孩子，你明天上课到底要不要多给他三秒思考时间？标签答不上来。它只描述，不决策。有一篇讲人群策略的文章里说法我挺认同：画像的终点不是让用户更像一个真人，而是让企业知道下一步干什么。放在教育里也一样，学情画像的终点，不该是“这个学生长这样”，而该是“他下一道题该做哪一道”。

（二）有用的不是标签，是“决策变量”

什么才是一个学生的决策变量？不是年级性别家住在哪，而是：在哪一种认知任务上、处于什么状态，他会突然卡住。一个学生分数加减总错，标签给的是“计算薄弱”，决策变量却是“带括号混合运算里他永远先算加法再算减法，运算顺序没建立”。前者告诉他不行，后者告诉他从哪下手。这两件事，差了十万八千里。精准推送能不能准，起点就在这一步：你到底是在推一个标签，还是在推一个决策变量。

二、精准推送的引擎：从“描述”到“预测”再到“处方”

把分析能力分三层看，会更清楚我们卡在哪。

最底下是描述性，回答发生了什么，也就是现在的学情报告。中间是预测性，回答接下来会怎样，比如哪个学生两周内要掉队、哪类错题会蔓延，这一步才真正配叫大数据，因为它看趋势不是只看结果。最上面是处方性，回答那现在该干什么，这一步才是老师真正盼着的。现实是绝大多数产品在第一层打转，少数摸到第二层，第三层基本还活在 PPT 里。问题不在算不动，在于预测出来之后，没有一套能落进真实课堂的动作去接住它。这又绕回那座没修通的桥。

三、拆解三种精准推送

（一）作业智能推送：推的不是题，是“下一步”

不少系统嘴里的智能推送，逻辑是“你这题错了，再给五道同知识点”。结果学生越做越烦，因为他刚才就卡在这，你又塞五道一样的，等于反复撞同一堵墙。我理解的智能推送，是这样一条链路：

中间那步“诊断卡点类型”，背后是教育里两门真功夫：认知诊断和知识追踪。认知诊断判断一个知识点他掌握到什么程度，知识追踪盯着他每次练习后掌握度怎么变。大模型火了以后，不少人以为靠聊天机器人就能干这步，但这两样要有证据链，不是让模型凭语感感觉一下。诊断本身得牢牢站在他的作答记录上。

这里得把错分成三种，推什么全看它属于哪一种。

错误类型	典型表现	数据里的信号	该推什么
知识型	概念没建立，同类题都错	同一知识点正确率持续低于阈值	先补最小概念，再练
策略型	会做但路径绕，一慌就乱	用时异常长，部分步骤跳跃	给标准解题路径示范
习惯型	抄错数、漏符号、看错题	错误分散无规律，重做就对中	推“慢三步”检查清单

最金贵的是推送颗粒度：知识型错误下一步补概念，推一道刚好差一级的引导题；策略型错误下一步看示范，推分步讲解不是十道新题；习惯型错误根本不用多做题，推个检查清单就够。颗粒度得细到这一步，不是这一章。

说个有点扎心的类比。作业推送本质就是个推荐系统，和抖音推视频、淘宝推商品同一类技术。可商业推荐优化停留时长和下单，教育推荐该优化的是学会。这两个目标有时是反着的：真能让你学会的题，往往有点难有点烦，远不如刷短视频爽。所以别拿商业推荐思路套教育，把点击率换成正确率就完事，指标错了，推得越准越害人。

（二）错题举一反三：机器形似，人守神似

举一反三被用滥了。真正的举一反三，不是出三道长得像的题，而是换一个情境考同一个能力。学生学会路程等于速度乘时间，举一反三该是把情境换成水池进水排水、工程队合作，本质还是那个关系，包装换了。机器生成变式很快，这点比老师强。但判断这个学生需要哪种变式，机器不行，得靠数据加经验。一个刚建立概念的孩子，你给情境太跳的变式，他以为是新知识点又懵了；一个已经熟练的孩子，你还在原题换个数字，他在浪费时间。所以举一反三的“一”，要落在他的最近发展区，这区得用数据画出来，再用老师的手调一调。

（三）资源精准投放：别推最热的，推“刚好差一级”的

最近发展区是个老概念，但大数据让它第一次能被量化。一个学生水平在哪，资源难度在哪，中间那段跳一跳够得着的区间，就是该推的。

规律清楚：推太简单，他重复已经会的，不长进；推太难，他连门都摸不到，信心先崩。绝大部分平台默认推热门资源，热门意味着多数人觉得好，不代表对眼前这个孩子刚好。资源推送的核心，是放弃对所有人最好的，去追对这个人刚好的。

四、AI 进来之后：大模型能讲解能出题，但裁判不能交给它

大模型这一年进来，把“讲解”和“出题”两件事成本打下来了。以前要教研员写一道变式、录一段讲解，现在模型几秒就出。再配上知识图谱，举一反三不再靠拍脑袋：图谱把知识点连成一张网，学生卡在分数除法，系统顺着网走到倒数、走到除以一个数等于乘它的倒数，自动生成一串情境不同的题，练的还是同一个能力。这比我早年见过的同知识点随机抽题聪明太多。

但我得泼盆冷水。大模型有个老毛病叫幻觉，它会很自信地给你一条算错的中间步骤，或者把两个长得像的知识点搅到一起。在学习这件事上，一条错的讲解比没有讲解更糟，因为学生天然倾向于信屏幕上的字。所以我的态度很明确：让模型当讲解者、当陪练、当出题助手，都没问题；唯独这道题对不对、这个学生下一步该不该推这道，裁判不能交给它，得留在老师手里。技术越能说会道，人越要把最后那道关守住。

五、真正卡住上限的，不是模型，是知识库

写到这里我想把话说得更直。在教育信息化这行，决定一个 AI 应用能走多远的，从来不是底座用的大模型有多新多大。模型已经够强，强到有点过剩。真正决定上限的，是学校和家长手里的知识库。

（一）大模型通用，知识库专属

同一个大模型，接上和没接上“这个学校这学期教到哪、这个班上次月考卡在哪、这孩子过去三年错题长什么样”，给出的东西天差地别。前者是个很会聊天的陌生人，建议泛而空；后者才像个带过这孩子两年的老师。模型出厂时没有后边这些，它得靠我们把学校沉淀的校本资源、教学进度、考试数据，还有家长那头的家庭学习环境、性格脾气、过往辅导记录，一点点喂进去。模型能力是买来的，知识库是攒出来的，攒不出来，模型再贵也白搭。

（二）家长这一端，长期被忽略

说个怪现状：我们做了那么多面向学校和区域的系统，却很少认真把家长当成知识库的一个源头。一个孩子在家的学习状态、什么时间最容易走神、被骂了之后是更绷还是更垮，这些模型永远拿不到，只有天天陪着的家长知道。可现在大多数产品，家长要么是个接收通知的终端，要么干脆不在回路里。要我说，家长端参与不是锦上添花，是补上知识库最缺的那一块。当然，这又绕回数据伦理那一关：家庭数据比学业数据更敏感，更得最小必要，更要家长授权。

（三）知识库越厚，冷启动越浅

这也能解释前面说的冷启动。一个转学生到新学校为啥 AI 会傻眼，因为那所学校关于他的知识库是空的。底座再好，库是空的，上限就是零。所以知识库能不能跟着人走、能不能跨校跨区接续，直接决定 AI 在真实流转的学生群体上能不能用。我做的那套基座，价值之一就是把区域级知识库沉淀下来并允许跟随，这比换一个更强的模型实在得多。

六、落到产品上：基座修路，应用跑车，教师掌舵

前面说模型上限由知识库决定，那这套知识库靠什么产品形态接住？答案还是两套东西配合：一套是省市区教育数字基座，一套是挂在基座上的 AI 智慧校园应用。这两套没分清楚谁该干什么，前面说的桥永远修不通。

（一）基座该干的事：把“决策变量”算到跨校可比

基座价值不在自己长多少功能，在于把散在各校各系统的学情数据，用同一套标准收上来、洗干净、存稳定。省市区多层架构加永久采集通道和校核纠错，意味着一个学生的决策变量，他是知识型还是习惯型错误、掌握度多少，不是困在某个教室 app 里，而是在全区全市全省用同一把尺子量。这件事只有基座能做，单校系统做不了。它也顺手解决前面提的冷启动：转学孩子学情画像跟着基座走，到新学校不是白纸一张，AI 不用从头学几周。数据跟着人走，不是人跟着系统走，这才是基座该有的样子。

（二）应用该干的事：把“处方”变成老师手边的动作

基座算出决策变量，不等于学生就学会了。把下一步推什么真正送到学生平板上、反馈做到当天就回，是智慧校园应用的活。这里有个我反复跟团队念叨的原则：基座不要自己下处方。它该做的是把决策变量和开放能力，也就是开放平台和统一权限，交出来，让应用和老师决定推什么怎么推。下处方是场景和人的事，基座越界当裁判，既做不细也做不放心。前面那座桥的具体形状，就是这条链路：

基座供数据，应用出动作，教师在关键处把关。三段连起来，才是把描述性结果变成处方性干预的那座桥。

（三）把伦理做成底座能力，不是墙上口号

前面说的未成年人数据伦理，落到产品上不能靠每个应用自觉。最小必要、分级授权、结论可解释、留更正余地，得在基座这层用统一权限中心和数据分级分类硬做进去。哪类数据谁能看、学生画像能不能导出、算法给了排序谁批的，都在基座留痕。这样上层应用再花哨，底线被底座兜住。我越做数据安全那套东西越确信：合规不是给检查组看的，它是产品的承重墙。

（四）知识库飞轮：基座攒库，应用回流，上限越转越高

把前面几节连起来看，产品上真正该经营的是一个飞轮。基座把区域级知识库沉淀下来，校园应用在日常教学里不断产生新学情数据，这些数据回流进基座，知识库更厚，AI 能给的处方更准，师生更愿用，用得越多回流越多。圈一旦转起来，后来者难追，因为追的不是模型，是多年攒下的那座库。

反过来，飞轮转不起来最常见的死法，是基座做成又一个只给领导看的大屏，应用做成互不联通的信息孤岛。解耦关键还是那两样：统一权限中心和开放平台。权限管住谁能碰什么数据，开放平台让应用按需取数又不碰底裤。守不住这两道，知识库要么攒不厚，要么攒了不敢用。

所以我对这套产品的判断就一句话：模型会降价，会普及，最后变成水电一样的东西；但一个区域、一所学校、一个家庭年复一年攒下的知识库不会。基座修的是这条路，应用跑的是这趟车，飞轮转的是这段时间。把飞轮当产品目标，比盯花哨 AI 功能实在。

七、说到底

我不太信“AI 替代老师”这种话，至少在精准推送这件事上不信。

数据能做的，是把每个孩子的卡点从一团模糊里拎出来，摆在老师面前，让老师把宝贵注意力花在最该花的那一个人、那一道题上。这事真做成了，比任何炫酷学情大屏都值钱。

这几年我看过太多大屏和驾驶舱，灯一关，真正留在教室里发生作用的，还是那个愿意蹲下来看学生卡在哪一步的人。AI 是帮手不是主角；基座修路，应用跑车，老师掌舵。数据是好东西，但它该是递到那个人手里的放大镜，不是替他站上讲台的演员。

但是话说回来，每次撰写内容，都觉得有点过于理想化了；灰心的想到之前写过的命题，要想达到我理想的产品设计，投入太大了；经费和投入不足制约了发展。

市场缺乏体系化的投入，不缺的是着急变现的人。