很多所谓的“AI教育”，只是把大模型放进旧课堂：AI帮助教师备课，帮助学生答题，帮助机构生成报告。这些功能有价值，但它们仍然默认原有结构不变——统一班级、统一课程、统一进度、统一作业、统一考试。
真正的范式变化发生在另一层：每个学生可以拥有持续工作的教育Agent，教师可以通过一套有边界的学习轨道管理大量不同的学习路径。
旧范式的基本结构
传统规模化教育依靠标准化解决成本问题：
- 同年龄学生进入同一班级；
- 同一时间学习同一内容；
- 教师向全班提供相同讲解；
- 作业与考试承担主要反馈功能；
- 教师只能在有限时间里照顾少数明显异常。
这种结构的优势是可复制，问题是无法真正适应个体差异。
AI带来的结构性变化
教育Agent可以持续观察学生的提问、错误、修改、解释与作品，并据此调整任务难度、反馈方式和下一步路径。于是教育不再只能围绕“班级平均水平”组织，而可以同时维持多条学习轨道。
教师的价值并不会消失。相反，教师从重复讲解者转向：
- 设定学习目标和边界；
- 设计可执行的CourseRails；
- 监督Agent与学生的互动；
- 识别误解、依赖、停滞和情绪风险；
- 在关键节点进行人类干预；
- 对正式学习结论进行确认。
最小可验证单元
新范式不需要从建设一所“未来学校”开始。一个可验证单元已经足够：
一个教师、一组学生、每个学生的教育Agent、一条有边界的Learning Rail，以及一套能够追溯的学习证据。
只要这个单元能够证明教师工作量下降、学生路径出现真实差异、学习证据更加连续，新范式就开始成立。
我们要验证的不是AI会不会讲题
真正的问题是：
- 一个教师能否有效监督几十条不同学习路径？
- Agent能否在不越权、不直接给答案的情况下促进思考？
- 学习评价能否从单次分数转为连续证据？
- 教师能否准确知道何时必须介入？
这就是本项目希望持续公开研究和实验的问题。