合作背景
雅思、托福培训同时拥有大量结构化标准与高度依赖经验的工作：评分维度相对明确，但高质量反馈仍需要教师理解学生意图、识别问题模式，并给出下一步练习建议。
机构通常还沉淀了讲义、范文、题库、课堂记录和学生作业。这些内容有价值，却分散在不同载体中，难以直接变成一致、可追踪的学习反馈。
因此，这次合作不会从“做一个通用聊天机器人”开始。我们先判断哪些任务适合 AI 参与，哪些判断必须由教师负责，以及怎样用真实样本验证质量。
案例聚焦的三个场景
教学内容的检索与复用
把课程资料、评分标准、范文与练习组织成有权限和来源的知识层，帮助教师更快找到适合当前问题的材料，同时保证回答可以回到原始依据。
写作与口语的辅助反馈
围绕雅思、托福的评分维度，把学生输入拆成可以观察的证据，例如任务完成、结构、语言使用与表达清晰度。AI 生成的是供教师或学生复核的反馈草稿，而不是替代正式评分。
基于错误模式的练习建议
当同一类问题在不同作业中反复出现，系统可以形成学习记录，并从现有题库和教学材料中推荐下一步练习。这个方向需要先验证错误标签的一致性与推荐依据。
核心方案设计
我们选择从一个窄而高频的任务切入，例如写作反馈辅助，而不是一次覆盖备课、批改、问答和学习规划。
一个可验证的最小闭环是：
学生样本
-> 按评分维度提取证据
-> 生成反馈草稿与引用依据
-> 教师复核、修改和标记问题
-> 形成评测数据与下一轮规则这个闭环的价值不在于先追求完全自动化，而在于尽快看清 AI 的稳定区间、失败类型和教师可以接受的协作方式。
我们如何完成交付
1. 先画清真实教学流程
梳理输入来自哪里、教师如何判断、反馈交给谁、结果是否进入学习档案，以及最耗时或最容易不一致的环节。
2. 把教师标准转化为评测维度
评分标准不能只放进一段提示词。我们会把维度、证据、允许的结论和典型错误转化为可检查结构，并用教师标注样本建立基线。
3. 建立小而真实的样本集
样本需要覆盖不同水平、题型和常见异常。每次调整模型、知识或流程后，都使用同一批关键样本回归测试，避免体验改进只来自主观印象。
4. 保留教师在环
在质量边界尚未稳定前，反馈、评分与学习建议都需要清晰标注 AI 参与，并保留教师复核和修订。教师修改本身会成为后续评测和优化信号。
5. 前置数据与隐私边界
学生作品、语音和学习记录属于敏感数据。项目设计阶段就明确采集范围、访问角色、保存周期和脱敏要求，而不是上线前再补治理。
案例的核心交付框架
本案例围绕以下成果组织产品与工程工作：
- 高价值场景与优先级判断
- 教学流程、数据来源和权限边界图
- 一个窄场景的可交互验证原型
- 由教师样本构成的初始评测集
- 是否进入生产建设的决策依据
如何衡量方案价值
项目是否扩大，不取决于演示效果，而取决于几个可回答的问题：反馈是否有可靠依据，教师修改量是否可接受，学生是否能理解和采用建议，敏感数据是否得到恰当保护，以及系统成本能否支持实际使用频率。
这个案例展示了启言在教育场景中的核心能力：把教师经验转化为可检查的产品规则，把学生样本转化为评测依据，并在保留教师专业判断的前提下建立可持续优化的 AI 教学工作流。
