先规划再上课，整条线不乱

过去用AI做课程, 生成一堆课件却发现教学目标互相矛盾, 内容前后重合；这次v1.0换了思路, 智能代理先整体构思整套课程要把学生带去哪里, 再明确每节课程承担的职能, 拆解学习目标, 提取所用书籍的结构目录, 规划好所有模块, 再让每节课沿着统一的一条主线向前推进。

以前要凑齐这种标准样系统性, 至少有一个教研组得捣鼓那么一两轮。现在一两分钟就涌出来, 并且整个配齐演示文稿小测试互动网址和工作规划项目, 教师拿到直接用不必一点点自行拼插。

改一处全链跟着变，省心不少

就头一课来说, AI飞快攫住了前两章要点, 萃取成“匮乏何以教会我们合作”这般线索。后继课件、测验、互动网页均可伴随自身调校, 毋需手动改动反复次次回。这般逻辑与程序员凭借Codex十分近似, 竄改单一函数签名, 全数调用点自行更新。

比如讲到《2001: 太空漫游》里”哈尔是谁”这堂课里头, 提到过图灵测试, 补完了你说完句“加一张图灵的”照片之后, Agent直接插进去图, 整个页面就重新排版, 不用反复来回折腾。

喂两份材料，五分钟出五节课

把官博和系统资料丢给Agent, 让它设计一套面向大学生的深度课, 调用课堂设计、系列课规划、联网搜索这些工具分块读取材料, 迅速给出五节课方案, 还检索补充了2026年的相关技术节奏, 从宏观视角撑大课程信息量。

整个学习流程里随时忽然打断发问, Agent就会连接网络核对再逐层拆分拆解。一篇前沿报告, 短短几分钟就被做成带互动环节的精细精读课, 老师准备教案备课再也不用从零开始费劲硬构思。

Skill是可插拔的教学法，热插拔很方便

这个版本最亮眼的是Skill, 可以理解成交学法插件。有一种Skill是逼学生用大白话讲给外行听、将不通地方归为没学会之处的那种Skill, 通过讲不通的地方倒逼理解, 也就是靠“教别人”来倒逼理解的Skill。

从直觉性灵感到意味性空间再到共通性机制, 这三堂课递进着增难。市面已释出数十款能力集合体, 未来还需持续丰富多元玩法且能多重组合置入联动, 将系列课程规划模块、深度溯源调研、深度交互体验一并启动响应, 智能代理先研定核心主题, 再架构多课时框架, 最后为每课时规划能持续吸引参与的互动内容。

名师课堂一键复刻，旧课件也能长出新能力

就算是吴恩达这类AI泰斗也好是哔哩哔哩的人气博客主也好一键就能复刻他们的课堂风格。像吴浩源研究员讲物理不用精密仪器, 靠眼发现生活规律, 这种风格现在能直接搬进自己的课里。

进到专业模式, 还可以靠聊天精准改某一页PPT、某道的题、某个互动元件。对具备有多年课件囤积的老师尤其实用, 不是从零开始, 直接在旧资本上长出新的教学能耐。

从清华试点到联合国，这条路还在扩大

第一批试点课竟就在清华校内开, 《迈向通用的人工智能》七百人的报的名, 竟跑出了超十万条的互动记录；八月二十日的数显示, 平台竟聚集了五十五万的创作者, 生成上百万门AI课程, 交互竟超过三千四百万次, 用户覆盖竟一百五十四个国家和地区。

体量做到这个非盈利开源项目的不容易, 是团队自开源己总结的意义: 人的个每套构是不自己学能, 是建环境的, 力。之后真正巴黎演示月的, 值得期待有会用国家老师的是多起来少。

教育场景吃Token，个性化才是硬道理

当AI从给出一个回答到承接起全流程时, 调用的次数从一趟变成数十趟上百趟, 教育正要转变成一个“吃Token”的大场景。真正要求的是完整的个性化体验, 学生跟着AI一来一往将知识磨进脑子, 这刚刚是关键。

另一个特别亮的点是Arena, 同一任务交给不同模型后把结果匿名拿来对比, 谁更好用户用投一投票能选出来。榜单还能反过去调节整Agent和Skill, 哪个模型更会教有公开答案, 各家都给出统一明确定义后做AI教育的样子, 开源这个方式能把技术路径和评价过程全展平摊开, 公平比较的存在完全有可能啦。

教AI育正在改变传统备课方系不或觉觉得最用它方什么样能的课堂最你想用这套系或统做什, 还是你最想用它做什么样课程的课, 欢迎大家, 评论区里都来说说?