2023年，萨尔曼·可汗站在TED的舞台上，宣布了一个几乎无人质疑的判断："AI将为每一位学生提供一位令人惊叹的私人导师。"他背后是可汗学院多年的口碑、OpenAI的主动合作、微软的支持、政府的补贴，以及教育研究界近乎一致的背书。那一刻，教育AI看起来已经站在了历史拐点上。
三年后，还是他，亲口交底。
2026年4月，可汗在采访中承认：对大多数学生来说，Khanmigo——那个被寄予"私人导师"厚望的产品——是一个"non-event"，用大白话说，什么都不是。"他们并不怎么用它。"
数字比这句话更直白。2024–25学年，可汗学院把Khanmigo的访问权限开放给了约200万名学生[2]——听起来是一次漂亮的铺货。可到2026年4月，真正用过它的学生，只有大约15%[2]。连可汗学院自己的首席学习官都说："到目前为止，我没有看到教育发生革命。"
这不是"AI不够强"的问题。恰恰相反——它拿到了当时能得到的一切：最好的模型、最好的内容、最好的工程。它想得也很周全：苏格拉底式提问、不直接给答案、学习记录、跨学科资源、信息安全、学术诚信……每个能想到的环节都没有偷懒。可它还是没能让大多数学生真的用起来。
这个故事不是孤例，它几乎是这两年整个教育AI的缩影。
工具在疯狂增加。备课有工具，出题有工具，答疑有工具，批改也有工具;国内K-12的AI备课覆盖率已经超过30%，一些头部公办校接近100%[1]。可一个更基本的问题始终没有人正面回答：工具越来越多，教与学真的变得更好了吗?
这篇文章想回答它。而且我想先把判断放在前面：问题大概率不在"模型够不够强"，也不在"工具够不够多"——它们已经足够好了。真正卡住的地方有两处，一处看得见、一处看不见：工具各管一段，段与段之间的"交接"没有人负责;而知识与知识之间，从来没有被真正分过类。
接下来的路是这样走的：先看清缺口长什么样，再对照一遍行业通行的做法、看看它们卡在哪，然后给出三层解法——知识怎么分层、框架怎么调度、判断权归谁。最后，把这几层和通用做法并排放在一张表上，说清它落地需要什么条件。
看完，你会多一把尺子：去判断任何一个教育AI产品，它到底是在加速旧流程，还是在重画流程。
一、工具按"段"切，谁管交接?
要看清问题，先把课堂上的工具摊开。
它们大致分四类。第一类管"找"——检索、聚合资料;第二类管"记"——笔记、卡片、知识库;第三类管"练"——出题、组卷、错题本;第四类管"答"——答疑、讲解、陪练。每一类里都有做得不错的产品。你几乎可以说，教育的每个环节都被AI覆盖到了。
香港有所学校的老师描述过他们看到的景象：教师用DeepSeek、Copilot备课，学生用豆包、Poe写作业——工具和账号散在各处，学校既管不住内容来源，也管不住学生数据。[4]这不是某一所学校的问题，而是绝大多数学校共同的状态：工具越来越多，却越来越碎。
碎片本身还不是最要命的。真正要命的是：这些工具各守一段，没有人负责交接。
一个学生读完一篇文献，然后呢?从"读完"到"它长成你自己的一个问题"，中间那一跳，谁管?一位老师上完一节课，然后呢?从"讲完了"到"学生到底会不会"，中间那一跳，谁管?
工具们各管一段：检索工具把文献递到你手上，任务完成;笔记工具帮你把摘录存好，任务完成。可"读过的东西怎么变成你自己的问题""这节课上完学生到底会不会"这类动作，既不归检索，也不归笔记——它悬在两段之间，没有主人。
这就是按"段"切留下的结构性缺口。每一段都被打磨得很好，缝隙反而没人看。
而这道缝隙，恰恰是最值钱的地方。原因不难理解：单个环节的能力，正在因为模型变强而迅速拉平——今天你能做的检索，明天别人也能做。真正难以复制的，是把两段连起来的那套逻辑：怎么从一堆读过的材料里长出问题，怎么判断学生是真会了还是假装会了。这些"交接动作"依赖的是对领域和对人的理解，不是一次模型升级能换来的。
所以先记下一个判断：当所有工具都在抢"某一段"的时候，机会往往不在段内，而在段与段之间。
这也是一个可以随时拿来用的视角。以后再看任何一个教育AI产品，先问一句：它是在优化某一段，还是在负责某两段之间的交接?前者的天花板是"更好用的工具";后者，才可能成为"不可替代的那一环"。
二、知识变便宜了，可共性与个性没分治
找到了缺口，还要问一个更深的问题：这么明显的交接，为什么长期没人做?
要回答它，先看看行业现在通行的两种做法各做到了哪一步。
第一种做法：改模型。过去两年，最流行的思路之一是"造一个行业大模型"——法律大模型、医疗大模型、教育大模型，各家比拼参数和语料。做法是把行业知识"烤"进模型权重里，让模型本身更懂这门行当。代价是：改动一次要重新训练，知识一更新就得再来一遍，重且慢。
第二种做法：堆层。更常见的，是搭一套层层叠叠的架构：硬件采集→算力底座→知识库→垂直模型→上层应用。它比第一种轻，但本质仍是"把东西一层层摞起来"——每一层都在自己的位置上干活，层与层之间怎么协同、谁的知识归谁、冲突时听谁的，依然没有回答。
两种做法都在解决"某一段"或"某一层"的问题。可开篇那道短板——交接——它们都没有碰。因为它们的出发点是"把模型、把系统做得更强"，而不是"把知识的归属理清楚"。
这就回到那个更根本的问题：教育里的知识，到底可以分成几类?
教育里的知识，可以分成两种。一种是共性知识——教材、课标、公认的学科体系，人人都一样，本该由公共的力量统一建好。另一种是个性知识——你自己的笔记、你带一个班攒下的经验、某个学生究竟卡在哪里的判断。这些只属于你，别人替不了。
问题在于，这两样东西常被混在同一个筐里。混在一起的后果，是两头都不讨好。
如果什么都指望平台喂：平台把共性知识整理好，一份"标准答案"递到学生手上。学生拿到的是结果，不是能力。共性给多了，个性就没了生长的余地。
如果什么都靠自己建：每个老师、每个学生都从零搭自己的知识库。既重复又低效，最后多半是散落一地的笔记、互不相通的孤岛——共性没人建，个性也建不完整。
顺带说，开篇Khanmigo的困境，也可以从这个角度读一遍：它把"最好的共性内容"和"不发散、不替答的引导方式"都做得很到位，但它始终是一个面向所有人的、统一的库——它没有为学生自己的东西留位置，也没有为这所学校的校本经验留位置。15%的使用率，某种程度上就是"个性层缺位"的价格。
(这也解释了另一件小事。有学校观察到，学生拿到AI给的完整方案后，往往会失去兴趣——因为那30分是自己的想法、70分是AI的成果，唯独没有一段是他自己走过来的。[1]共性与个性不分，说的就是这种别扭。)
于是第一个该回答的问题浮出水面。不是"该用哪个模型"，而是——知识到底要不要分层?如果要，该怎么分?这已经不是一个技术问题，而是一个分寸问题：什么该由公共的力量统一给，什么该留给每个人自己长。
三、三层知识：公共、机构、个人
一开始，答案看上去很简单：分两层就行——共性一层，个性一层。
可一往落地推，就卡住了。因为在学校里，大量的知识既不是"国家统一发的教材"，也不是"某个人的私藏"，而是一所学校自己的东西：校本课程、教研组的集体备课、历年真题、某个班的学习数据。它比共性更贴身，比个性更稳定;它不属于所有人，也不属于某一个人。
所以，更接近真实的分法，是三层。
第一层，公共层。教材、课标、公开的学科文献——人人一样的知识。这一层不该由个人去建，个人也建不起;它应当由国家或公共平台统一提供。对使用者来说，这是"消费"的一层。
第二层，机构层。学校的校本资源、内部的教研制度、班级和教研的数据。这一层，是绝大多数教育AI产品真正"住"下来的地方——它发生在校园之内，贴着这所学校的具体条件。
第三层，个人层。每个老师、每个学生自己的知识库与学习轨迹。这一层的特点是"越用越厚"：读得越多、用得越久，它越像你。它无法被代替，因为它是你经验的形状。
有意思的是，机构层并不是谁设计出来的——它已经在许多学校里自发长出来了。
湖北一所职业学院，为了让专业教学对接行业，搭了整套体系：硬件采集数据、算力底座、食品行业的专属知识库、垂直模型、上层应用。[5]西安一所职业学院做得更轻：用开源平台加一个国产大模型，串起"文献综述→方案设计→量化评审"三级智能体，知识库里放的是《机械设计手册》这类权威资料。临沂一所九年一贯制学校，把家长最需要的育儿知识整理成一个知识库，还按小学段、初中段做了分层。
这些"知识库"，都是机构层的雏形——它们不是公共教材，也不是某个人的笔记，而是"这所学校自己的东西"。
这里得和前一节对个账。前面批评"堆层"，说的是它把东西一层层摞起来、却没有回答"知识归谁";但这批体系有一件功劳必须认：它们确实把机构层长出来了——这所学校自己的知识，被沉淀了下来。区别只在于，它们各建各的，彼此之间没有通约的标准。所以问题从来不在"建了层"，而在没理清"归属"。
这里要特别提一个容易混淆的地方。有一所先行学校做得更"硬核"：它搭了"云-边-端"三层架构——端侧采集数据，边侧在校园内清洗和诊断，云侧校本私有化部署，数据所有权归学校。[6]
看起来很像我说的"三层"，其实形似神不同：它的三层是部署分层(数据在哪台机器上处理)，我要说的三层是知识归属分层(这份知识归谁、由谁负责)。前者回答"东西放在哪"，后者回答"谁该建、谁该用、谁负责"。把知识放在校内，不等于把知识理清了归属——这恰恰是很多学校建了一堆知识库、却依然乱的根本原因。
三层各归其位，事情就顺了：公共的由国家建，机构的由学校建，个人的由自己长。谁都不必包圆，谁也不必重复别人。
(需要澄清一处同字不同义：教育讨论里还有另一个"三层"——教师AI素养三层，指"人的能力层级";这里的"三层"是"知识的归属层级"，别混。)
四、统一，不等于拼接
分好了三层，下一个诱惑是：那把它们接起来，让一个入口同时能查三个库，问题不就解决了?
不是。接起来只是第一步;真正的难在后面。难在两个地方。
第一个难，是"路由"——一个问题来了，该去哪个库里找?
学生问"这道题的解法"，该查公共层的教材与题库，还是先看他个人层里的错题?老师问"这节课怎么设计"，该用机构层的校本经验，还是公共层的课标?还是三个都查?这些判断不是自动产生的，它需要一套策略。
这一层，工业界已经走过一段路。做企业知识库的团队早就发现：把上百万份文档塞进一个向量库，检索质量会随着规模迅速下降、"噪音"淹没答案。于是他们演化出更细的做法——先把知识按业务线或敏感度分区，再用一个"调度层"把问题分发到对应分区。有工程团队测过：从"单一向量检索"换成"分区+智能路由"后，检索准确率能从八成就提到九成六[7]。
换句话说，"分区+路由"不是空想，是已经被验证过的方向。我们要做的，是把它从企业搬进教育——分区的依据，从"业务线/敏感度"换成"知识归属"。
第二个难，更隐蔽，是"裁决"——当三个库给出的东西打架时，信谁?
举个例子。教材上写着：这个概念的规范定义是A。可这个学生自己的笔记里，记成了B——因为老师上课时打了个比方，他理解偏了。现在AI要回答他一个问题，它同时检索到了A和B。它该输出哪个?
如果老老实实把"A和B"都端出来，学生只会更懵;如果随便挑一个，可能正好挑中最错的那个。
所以，必须有一条事先说清楚的规则：冲突的时候，谁的话更算数。比如：教材的定义高于个人的随手笔记;校本的制度高于临时记录;已经更新的版本高于过期的版本。这条规则本身不是技术细节——它就是产品的一部分。
这里，"裁决"恰恰是我们最想补的那块，也是通用做法最少谈到的：企业那套分区路由，解决的是"往哪查、别串台";而教育里还必须多回答一句——查到的东西互相矛盾时，按什么顺序信。因为教育面对的是正在形成认知的人，一个错误的定义被当成"标准答案"，代价不是一次检索失误，而是一个概念被记歪。
把这几层并排放在一起看，事情就更清楚了：
现在的通用做法我们的架构
改什么改模型权重/堆层改知识的归属与调度
知识一个大库，或每校各建一个三层：公共/机构/个人
检索单库检索/RAG跨库路由+冲突裁决
判断权??
这张表还有一行空着，而且是最要紧的一行。因为它不属于"技术"层面，而属于"选择"层面——哪些问题，AI根本不该替你答。架构做到最后，要回答的都是这一类问题。这就引出了下一层，也是全文最核心的一层。
五、把判断权留给人
前面三层知识、路由与裁决，解决的都是"系统怎么运转"。但还有一个问题没有回答：在这套系统里，哪些事必须留给人?
答案可能和直觉相反：好的教育AI，应该不给答案，给护栏。
这个念头不是我一个人的。2025年以来，几个最大的AI产品几乎同时在做同一件事：给AI加一个"不直接给答案"的模式。ChatGPT上线了"学习模式"，用苏格拉底式提问代替直给答案;Google则把专为教学训练的一族模型装进Gemini，做出"引导式学习"，让学生一步一步被问着走。[11]
方向是对的。但有个细节值得琢磨：ChatGPT的学习模式，本质上是一个"设置"，不是一个"模型"——它靠一段自定义指令实现，甚至可以在对话中途随手关掉。也就是说，"不给答案"这件事，在它那里是可以随时取消的。
这恰好说明：护栏不是模型自带的属性，而是产品设计的选择。模型本身没有"该不该给答案"的立场;要不要让用户自己走完那一步，是产品的价值观决定的。
为什么值得坚持?因为实验把道理量化了。
宾夕法尼亚大学沃顿的研究者，在土耳其的一所高中做过一场随机对照实验，覆盖将近一千名学生。[8]三组做数学练习：一组不用AI;一组用标准版助手，问什么答什么;第三组用"护栏版"，只给线索、不直接给答案。练习阶段，标准版那组成绩比不用AI的高出48%，护栏版高出127%——看起来AI帮了大忙。可收走AI之后考同一份闭卷卷子：标准版那组比"从没用过AI"的对照组还低17%;护栏版那组，和对照组基本持平。
研究者的解释是：标准版把学生变成了"拄拐杖的人"——题是做出来了，但那是AI做的。更麻烦的是，这些学生对自己还特别乐观，以为自己学会了。
成年人一样躲不过。OECD在今年的数字教育展望里提过一个词，叫"元认知懒惰"：向人请教时，我们会走完"诊断→求助→评估→迭代"整套;可对着聊天机器人，很多人直接要答案，把中间的评估和迭代全跳过了。[9]老师也会掉进同一个坑——AI出的题不看就发下去。
那么，AI到底拿不走什么?拿走的是可以标准化的产出;拿不走的有三样——判断力、身体在场，以及人对人的影响。
拿不走，也就意味着还有一条路值得走：让AI去帮那个人，而不是替那个人。2026年有一项研究，给这件事提供了相当清楚的证据——它研究的不是学生，而是老师。
斯坦福的团队做了一个叫Tutor CoPilot的工具，它不是给学生用的，是给辅导老师用的——在老师辅导时实时给提示。结果：拿到AI实时指导的老师，学生当堂掌握知识点的概率高出4个百分点;而对于本身评分偏低的老师，这个提升达到9个百分点。而它的成本，大约是每位老师每年20美元。[10]
AI辅助人，比AI替代人，更有效。这几乎是这篇文章最想说的那句话的实证版本。
所以，"不给答案给护栏"不是功能上的缺失，而是一个选择：是让用户拿到"果实"，还是让他长出"能力"。
AI替你走的那一步，恰恰是你成长的那一步。守住它，靠的不是更强的模型，而是产品设计里的分寸——这也正是它真正的差异化所在。
六、裂缝：代价与前提
听起来，这套"三层+路由+护栏"的架构已经很完整了。可在把它当成蓝图之前，得先看看它的代价和前提——任何一张蓝图，都不该只给顺光的一面。而且，前面盘过的那些"通用做法"踩过的坑，同样会绊住我们。
第一道裂缝，是知识库会变成"死库"。这是企业知识库最常见、也最致命的问题：上线那一刻是新鲜的，之后无人更新，于是AI用三年前的规程回答今天的业务。在教育里，这个问题只会更明显——教材会改版，课标会修订，一个学生两年前记下的错误理解，还安安静静躺在个人库里。要让这套系统长期可信，必须给知识加上"时效"和"置信度"的管理：什么内容该打上"可能过时"的标签，什么内容该降权。这套机制，目前还没有成熟做法。
第二道裂缝，是多库合流的泄漏风险。企业那套多租户架构里，有条经验被反复强调："提示词不是安全边界，路由和存储的隔离才是。[7]"意思是，你不能指望在指令里写一句"不要泄露别人的数据"就万事大吉——边界必须在检索之前、在架构里就立起来。挪到教育场景，这个问题同样存在：公共层、机构层、个人层三套数据，合规口径并不一样;一个框架要同时满足它们，责任边界却还不清晰——出了事，是建公共层的、装系统的，还是用数据的担责?
第三道裂缝，是"路由与裁决"的成本。前面说过，冲突要靠"信源优先级规则"来裁决。可这条规则由谁来定?是老师、是学校，还是平台的默认设置?它要精细到什么程度——粗一点省事，却可能误判;细一点准确，但把配置和维护的负担全压在使用者身上。这些，还没有和工程侧认真核对过。
第四道裂缝，是最基础的：这套东西能不能装上。它成立，依赖三个前提——学校已有可连接的AI中台、数据不出域能通过等保、一线教师真的会用。听起来不苛刻，但任何一条不成立，产品就无处可装。
最后还有一道不是技术、而是人性的裂缝：参与度。回想可汗学院那组数据——绝大多数学生试用过、却大多在中途消失。[3]再好的架构，如果学生不愿意开口、老师不愿意多花那五分钟，它也只是一个更精致、更昂贵的摆设。技术能把路铺平，迈不迈第一步，是人的事。
把裂缝摊开，不是为了否定这套架构，而是为了说清一件事：蓝图不是免费午餐。承认它有代价、有前提，后面看它长什么样的时候，才不至于变成自夸。
七、落地形态：这套架构会长成什么样
说完了代价，可以回到一个更实在的问题：这套架构如果真的落地，会长成什么样子?
不用想象。前面提到的那些学校，正好排成了一条从轻到重的阶梯——它们的差别主要不在技术高低，在投入，以及用多大的投入去解决什么问题。
最轻的一档，是"接进来、串起来"。不动学校既有的系统，只把一个模型接进来、把原本割裂的几个环节串成一条链。投入小、见效快，适合还没有基础设施的学校起步。
中间一档，是"建自己的库"。学校把本行业、本校的标准与资料收进一个库，并且让日常产生的数据回流进去、持续更新。它比上一档重，换来的是知识能沉淀、能复用，不再随人走。
最重的一档，是"数据不出校门"。数据在校内处理、在校内私有化部署，所有权归学校，再叠上本地模型、评价引擎与专家知识库。它同时解决安全、合规与本地化三件事，代价是投入和运维都最重。
(这三档，大致和产业界的成本量级对得上。据公开的产业信息，从"通用基座+知识库"的几万元级，到"垂直模型微调"的几十万到百万级，再到"完整预训练"的千万级——不是越重越好，而是按需要选档。[13])
把这些放在一起看，能读出两个判断。
第一，机构层正在成为分水岭。那些真正跑出效果的学校，都不是"买了一个通用工具"，而是建了自己的一层东西——一个校本知识库、一套自己的流程。公共层谁都能用，个人层谁都替代不了，而"这所学校自己的东西"，才是拉开差距的地方。
第二，"重"不是目标。上面三档没有高下之分，只有"配不配"。一所学校如果连中台都还没有，就不该一上来就追求"把数据全留在校内";先跑通一条"串起来"的链，比搭一个精美而闲置的架子更值。
这套架构的落点很朴素：先分清哪层知识归谁，再决定投多重。中间的"机构层"有多厚，学校的地基就有多稳。
八、尾声：一个数字，和一个没有答案的问题
行文至此，我想把目光从架构上挪开一下，回到最开始那个数字。
15%。一百个拿到Khanmigo权限的学生里，只有十五个会真的用它。这不是一个"产品失败"的数字，它更像一个提问：当技术把一切都准备好了，为什么人没有来?
有人会说，是学生不够自律，是老师不愿意改变。可如果只停在这句抱怨上，我们就错过了真正值得记的那件事——这一代教育AI，几乎把"能做的"都做完了：把知识铺平、把答案备好、把内容做到最好。它唯一没做到的，是把"该由人走的那一步"留下来。
于是它好心好意地，替学生把路走完了——就像那些打开AI、拿到完整方案、然后失去兴趣的孩子。技术越是体贴，人越容易退场。这中间没有谁做错了什么，只是分寸没找准。
有一句评述我很认同：生成式AI能不能真的奏效，更多取决于围绕它建起来的那套"人的系统"，而不是模型本身[12]。这和这篇文章想说的，其实是同一件事。
回到本文。三层知识，回答的是"知识该怎么分层";路由与裁决，回答的是"框架该怎么调度";而护栏，回答的是"判断权该归谁"。它们合起来，在回答同一个问题：在一套越来越聪明的系统里，哪些位置，必须给人留着。
这个问题没有终版答案。但有一个方向是清楚的：越强的AI，越考验我们"留白"的能力——知道什么该给它，什么不该;知道什么时候出手，什么时候退后。
不是因为模型不够强，而是因为我们太容易把该由人走的那一步，替人走完了。
AI+教育的下一程，拼的不是模型，是分寸。
注释
[1]腾讯研究院《AI重新定义了好老师》(2026-09-11)——K-12阶段AI备课覆盖率、新教师备课时间下降、"30-70-90分挑战"。
[2]Sal Khan访谈(Chalkbeat，2026-04);Khan Academy首席学习官Kristen DiCerbo公开披露(2026-05)——Khanmigo对多数学生"non-event"、访问权限覆盖约200万名学生(其中覆盖77万学区学生、注册量同比增长逾七倍)、实际使用率约15%。
[3]美国田纳西州18所中学Khanmigo两年随机实验(Oreopoulos等，2026)——学生使用频率与学习增益来源。
[4]润建股份与香港新家园协会「启智WisEdu」(WAIC 2026;人民网广西频道，2026-07-29)——师生AI工具碎片化与校本知识管理。
[5]湖北轻工职业技术学院(中国教育报，2026-07-29)、西安铁路职业技术学院「智械方舟」(中国教育新闻网，2026-09-03)、临沂沂州实验学校(中国教育信息化网，2026-07-09)——校本/机构知识库实践。
[6]鄂州华宜实验学校"云-边-端"架构(中国网数字经济，2026-07-28)。
[7]企业级RAG参考架构与多租户隔离实践(Data AI Hub、AGIX Technologies、Nic Chin等，2026)——分区+路由、多租户四层、"提示词不是安全边界"。
[8]BASTANI H,BASTANI O,SUNGU A,et al.Generative AI without guardrails can harm learning:evidence from high school mathematics[J].Proceedings of the National Academy of Sciences,2025,122(26):e2422633122.
[9]OECD.OECD Digital Education Outlook 2026("元认知懒惰")。
[10]Stanford Tutor CoPilot随机对照试验(2026)——AI实时辅助辅导老师对学生掌握度的影响。
[11]OpenAI ChatGPT Study Mode(2025)、Google Gemini Guided Learning(基于LearnLM)官方说明。
[12]American Enterprise Institute.Humans Are the Key to AI(2026)——"生成式AI是否奏效，更多取决于围绕它建起的人的系统"。
[13]成本量级为公开的产业观察性信息(通用基座+知识库/垂直模型微调/完整预训练三档)，非单一权威信源，仅供量级参考。
