AI 一对一学习系统 — 探测/规划/教学
一套用 AI 实现真正一对一教学的三阶段工作流,来自 Eero Alvar 的公开实现(Pi Agent harness + Obsidian UI)。
What it is
标准学习是"多对多":一个 outlet 教多人(内容必然偏离每个人的理解边缘),一人学多 outlet(切换成本 + 信任对冲成本——大脑对不信任的来源不会完全内化,即使文本一字不差)。AI 让"一对一"第一次便宜可行,但 AI 没有传统师生关系的时间积累,所以信任必须工程化:系统内置验证与事实核查,学习者才敢"照单全收",把认知资源全部留给材料本身。
三阶段:
- 探测(Probe):用分级选择题沿知识依赖做二分搜索,精确定位理解边缘,产出理解地图。比开放问答可靠(可自动判分),阶段本身也是热身。局限:对"不知道自己不知道什么"的开放探索(研究选题类)失效——没有选项可二分。
- 规划(Plan):模型推理完整教学路径,同时启动事实核查子代理;用 mermaid 图呈现的真正用意是强迫 AI 把推理完整展开,不能偷懒。课纲是副产品,探测 AI 哪里讲不通才是主产物。
- 教学(Teach):每次只走一步(对抗聊天 AI"一口气冲完"的默认),周期性小测。小测三理由:① 人很容易自欺"懂了";② 系统需要反馈维持标定;③ 应用材料本身是新理解固化的机制。
两条设计原则:① 优化教学(贴合理解边缘);② 优化心智资源分配——不是去掉难度,而是把找资料、规划、验证、决定学什么全部交给系统,认知工作只集中在材料本身。
关于"多视角"反对意见:一个老师不等于一个来源。好的一对一系统不减少来源和视角,而是把多个来源聚合到一个界面交付——反对者混淆了来源和界面。
工程组成(Pi Agent harness):teach skill + quiz extension + MD log(Markdown 笔记绑定会话、含 LaTeX 渲染)+ 2 个专门生成视觉图的子代理。模型用 Mac 本地 Kimi K3,教学指令写得很具体;没花力气消除 LLM 腔——不想用过多风格指令稀释教学指令质量,抓主要矛盾。
Why it matters
- 系统值钱的不是工程,是编码在系统里的教学哲学:它精确控制学习弧线和每一步的解释方式,技术是载体。
- "信任工程化 → 才敢认知卸载"与 Jean 要求 agent 先给证据链是同一机制。
- 子代理自检产物(生成 SVG → 查看 → 修改 → 再看)是"让 agent 自己看"的又一实例。
Evidence across sources
- 2026-09-19 源卡片(单一来源,candidate)
- 完整 digest:2026-09-19-ai-learn-eero-alvar
Open questions
- "信任来源影响内化深度"(3Blue1Brown vs 陌生账号的思想实验)是 Eero 的个人推测,无文献引用。
- 探测阶段完整版图谱的密度与题目量级未知。
- 探测式二分对开放探索(不知道自己不知道什么)失效——该系统对研究选题类学习的天花板未经验证。
- 本地模型(Kimi K3)与云端前沿模型在该系统中的教学差距未量化——Eero 只说"模型智能水平在教学场景非常重要",未给版本细节。
- 该系统的收益有多少来自三阶段结构、多少来自"本地模型 + Obsidian 持久产物",单一来源无法分离。
Related
- mental-models/building-software-is-learning — 同一"学习即构建"脉络
- harness-engineering/agent-trust-verification — 信任工程化的 harness 侧对应
- Jean 侧落点:Taste Skill / learning-mentor skill 的骨架可吸收"二分探测 + 强制规划展开"两环
Pending Jean review
knowledge_status: ai_draft— 是否 promote 为human_verified?- 页面位置(mental-models/)是否合适,或应归入 self/ 学习相关页?