好未来-九章爱学 教研参考卡¶
更新日期：2026-05-31 | 触发事件：世数会披露 AI 老师 L3 理论 + 170+ 智能体生态 + 20 万教师用户
一、教研动向¶
好未来 CTO 田密在 2026 年世数会上正式提出 AI 老师 L1—L5 分级理论，并宣布九章龙虾已达 L3 水平——AI 可独立完成多步骤教学任务，不再只是辅助工具 [T1-公开可查证, 新京报世数会报道, 2026-05-12]。
这不是一个功能发布，而是一个理论框架的提出。田密的 L1—L5 分级本身就是一个教研信号：好未来不只是在做产品，而是在定义"AI 老师"这个新物种的进化路径。L1（工具）、L2（助手）、L3（独立完成多步骤任务）、L4（自主规划教学方案）、L5（超越人类教师）——这套分级体系的教研含义在于，好未来正在用技术路线图替代传统的教学法讨论。他们不争辩"AI 能不能替代老师"，而是直接定义"AI 替代老师的五个阶段"。
同期披露的另外两个信号同样重要：
170+ 智能体覆盖教学全周期。 每个智能体专注于一个具体教学任务——出题、批改、备课、学情分析、家校沟通。这是将"AI 教学助理"拆解为可管理、可替换的模块化组件，背后的教研逻辑是"教学是多个独立任务的组合，AI 可以逐个击破"。
"1 平台 + 3 块屏"打通备-教-练-测-评全链路。 教室大屏 + 教师小屏 + 学生 Pad，加上小精龙学生端（2026 年 4 月上线），形成 B/C 数据闭环。这意味着好未来的教研逻辑不仅覆盖教师端的"怎么教"，还延伸到学生端的"怎么学"——从备课到作业到学情分析到个性化推荐，全链路可追踪。
二、教研逻辑拆解¶
2.1 教学理念取向¶
好未来的教研理念可以从三个层面解读：
技术信仰驱动的教学观。 田密的 L1—L5 分级理论本质上是"教学过程可被工程化"的信念——教学设计、课堂互动、作业批改、学情诊断被定义为"任务"，每个任务可被 AI 独立完成。这不是传统的"以学生为中心"或"以教师为中心"的教学理念，而是一种全新的"以任务为中心"的 AI 教学范式。在好未来的框架里，教学是一组可被 AI 拆解和执行的子任务集合。
学科纵深差异化策略。 九章大模型（MathGPT）以数学为核心突破口，这不是随机选择。数学在 K12 学科中最接近"可被规则化"——解题步骤有固定逻辑、知识点有清晰依赖关系、错误有可分类的模式。好未来的策略是先在数学这个最"AI 友好"的学科建立绝对优势，再横向扩展到其他学科。这解释了为什么九章爱学在数学学科有几何动画自动生成、试卷诊断、个性化作业这些深度功能，而在语文/英语/文综学科相对薄弱。
教师角色重新定义。 九章爱学的产品设计暗示了一种新的教师角色定位——教师不再是"执行者"（备课/出题/批改/数据整理），而是"决策者"（判断 AI 生成内容是否适合本班学生、在关键节点做教学决策）。如果这个角色转型成功，教师的日常时间分配将发生根本变化——从 80% 执行 + 20% 决策，变成 20% 执行 + 80% 决策。这对学科网的教研体系有深远影响：教师培训的内容和方向需要重新设计。
2.2 课标/政策依据¶
九章爱学对标的依据同样清晰：
- 2022 版义教课标核心素养导向：170+ 智能体中覆盖的学情分析、个性化作业、试卷诊断都指向"因材施教"的教学评一体化要求。田密强调的"AI 可独立完成教学任务"的标杆案例——几何讲解动画自动生成——本质上是把几何直观核心素养的教学难点用 AI 解决了。
- "人工智能+教育"行动计划（2026-04）："人机共创备课""智能批改""循证教研"三条与九章爱学的产品方向高度一致。好未来在这个政策方向上不只是在跟随——他们的 AI 老师 L3 理论甚至在政策和产业实践之间建立了一个理论桥梁。
- 教师智能素养标准（待出台）：好未来在产品端已经卡了位——如果未来教师智能素养标准偏向"教师能使用 AI 完成教学任务"而非"教师会开发 AI 工具"，九章龙虾的低门槛自然语言交互就是最适配的产品形态。
2.3 方法论特征¶
好未来的教研内容生产逻辑是：自研大模型（MathGPT）+ 学而思 20 年教研积累 + 智能体模块化拆解。
| 特征 | 数据依据 | 教研含义 |
|---|---|---|
| 数学专项绝对优势 | MathGPT 全球领先，几何动画自动生成是独有能力 [T1-公开可查证, 世数会披露, 2026-05] | 好未来选择了一条与学科网完全不同的路径——不是"全学科均强"，而是"在最强学科做到不可替代" |
| 智能体覆盖全周期 | 170+ 智能体，每个专注一个教学子任务 [T1-公开可查证, 世数会披露, 2026-05] | 模块化设计意味着每个智能体可独立迭代、独立评估质量、独立优化——这是工程化的教研管理思路 |
| B/C 数据闭环 | 小精龙学生端（2026-04 上线）+ 老师版联动 [T1-公开可查证, 官方发布, 2026-04] | 学而思 20 年教研积累不仅体现在教师端的内容组织，还体现在学生端的错题模式、认知路径分析上——这是 B/C 双端数据打通才有的能力 |
| Token 计费倒逼内容质量 | 按 Token 消耗计费，当前近成本价运营 [T1-公开可查证, FY2026 财报, 2026-05-08] | Token 计费模式天然约束"水内容"——如果 AI 生成的教案/课件质量差，教师不会反复消耗 Token 生成，商业化压力反逼内容质量提升 |
核心判断：好未来的教研方法不是传统意义上的"编写教材/设计课程"，而是"训练 AI 模型使其在特定教学任务上的表现逼近人类教研员"。他们的竞争壁垒不在于内容量，而在于 MathGPT 在数学学科的不可替代性 + 170+ 智能体生态的使用惯性。
三、与学科网教研对比¶
基准说明：学科网侧以 AI 小博士（含互动课件一期）为核心参照。AI 小博士互动课件一期已于 2026-04-20 上线，具备 HTML 交互课件生成能力。学科网的核心差异化优势在于全学科覆盖 + 2700W+ 资源 + 22 年教研体系 [T3-内部非公开信息, 学科网内部数据, 2026-05]。
| 维度 | 学科网当前状态 | 九章爱学当前状态 | 差距判断 |
|---|---|---|---|
| 内容覆盖 | 2700W+ 资源，全学段全学科覆盖，专业编审团队 | 以数学为核心，全学科覆盖深度有限 | 🟢 学科网全学科碾压优势 |
| 教学法取向 | AI 小博士定位"AI辅助备课"——教师主导教学决策，AI辅助执行；互动课件一期强化了交互能力 | AI 老师 L3 定位"AI 独立完成教学任务"——教师角色从执行者转向决策者 | 🔴 好未来在 AI 教学法理论上领先一个范式 |
| 数学学科深度 | 通用数学资源，无专门的数学 AI 专项 | MathGPT 全球领先，几何动画自动生成 | 🔴 好未来数学学科绝对领先 |
| 内容更新机制 | 专业编审团队定期更新 | AI 生成 + 模型迭代，速度更快 | 🟡 学科网胜在质量，好未来胜在速度 |
| 质量把控 | 三级编审体系，教材版本+课标人工对齐 | 模型生成质量依赖训练数据，数学专项审校严谨但非数学学科待验证 | 🟢 学科网内容权威性不可替代 |
| 教研理论研究 | 无公开的 AI 教育理论框架 | 田密 L1—L5 AI 老师分级理论，定义了行业话语 | 🔴 好未来在"行业标准定义权"上领先 |
| B/C 协同 | 橙子学（学生端）存在，但与教师端的学情数据打通程度待核实 | 小精龙学生端 + 老师版联动，B/C 数据闭环 | 🔴 好未来在 B/C 协同上更完整 |
| 教师培训体系 | AI 研修产品线有完整的教师发展课程和评估体系 | 无专门的教师培训/研修产品 | 🟢 学科网在教师发展赛道的优势 |
四、借鉴价值判断¶
值得借鉴的¶
-
AI 教学能力分级框架的设计思路：田密的 L1—L5 分级理论让 AI 教育产品有了一个可沟通的能力标尺。学科网虽然不需要对外发布一套自己的分级体系，但内部可以用类似框架来评估 AI 小博士、e 卷通等产品的 AI 能力在哪个层级——这比"我们的 AI 很强"这种模糊表述有效得多。建议教研团队了解并内部化这套分级逻辑，用于产品规划和教研方向判断。
-
数学专项的深度而非广度策略：好未来选择在数学学科做到"不可替代"，而不是全学科"做得还行"。学科网全学科覆盖是优势，但在 AI 能力上可以考虑类似的策略——在语文（学科网最强的内容品类）或物理/化学（实验交互天然适合 AI）中选择 1-2 个学科做 AI 能力深钻，与其在全学科摊薄 AI 投入，不如在优势学科建立 AI 深度壁垒。
-
智能体拆解的教研管理思路：170+ 智能体每个专注一个教学子任务——这不是产品设计的巧思，而是一种"工程化的教研管理"思想。学科网也可以思考：现有的教研内容体系如果能按"教学子任务"重新拆解和标注（不只是按学科/学段/教材版本，还按"备课/出题/批改/学情诊断/家校沟通"等任务类型），一线教师能更快地找到他们需要的精准资源。
不需要跟的¶
-
"AI 替代教师"的叙事框架：好未来的 L1—L5 分级理论最终指向 L5——AI 超越人类教师。这个叙事在资本市场很有力，但在教研层面，中国 K12 教学场景中的"教师-学生关系"不只是知识传递，还有情感、激励、班级管理、家校沟通等 AI 短期内无法替代的维度。学科网的教研定位不需要走这条路——"AI 辅助教师做得更好"比"AI 替代教师"更符合学校采购方的预期，也更安全。
-
自研大模型的路线：MathGPT 需要百亿级研发投入，学科网在这个维度对标是不现实的。学科网的差异化不在于大模型本身，而在于 2700W+ 资源的课标对齐和人工审校体系——这是模型训练数据无法替代的教研深度。
五、建议教研行动¶
| 优先级 | 行动 | 负责方向 | 预期产出 |
|---|---|---|---|
| P0-立即 | 内部消化田密 L1—L5 分级理论，建立学科网自身的 AI 教学能力评估框架 | 教研组 + AI 产品组 | 两周内出一份内部文件：用 L1—L5 框架评估 AI 小博士/e 卷通/AI 研修在各自场景中的 AI 能力等级，明确哪些场景已达到 L3（可独立完成多步骤任务）、哪些还在 L2（辅助教师） |
| P1-本季度 | 在 1-2 个优势学科（建议语文/物理）启动"AI 深度学习专项" | K12 教研组（语文/物理） | 借鉴好未来数学专项策略，选择学科网教研深度最强的学科，投入 AI 能力做深度——不只是生成资源，而是训练 AI 理解该学科特有的教学逻辑（如语文学科的文本解读方法论、物理学科的实验思维培养） |
| P1-本季度 | 按"教学子任务"维度重新标注核心资源库 | 教研审校组 | 选择 1 个学段（建议初中），将学科网该学段的核心资源按"备课/出题/批改/学情诊断"等任务类型做一级标注，验证"任务导向检索"是否比"学科-学段-教材版本"的传统分类更高效 |
| P2-观察 | 关注好未来全学科扩展节奏 | 策略组 | 如果好未来在数学以外的学科（尤其是语文）推出类 MathGPT 的专项能力，说明他们的全学科覆盖策略在加速，需要在下一轮教研参考卡中重新评估 |
触发事件来源：[T1-公开可查证, 新京报世数会报道, 2026-05-12] + [T1-公开可查证, FY2026 财报, 2026-05-08]
核心数据来源：竞品库/好未来-九章爱学/profile.md+analyses/2026-05-23-世数会方案深度分析.md
下次评估：好未来发布全学科 AI 能力升级或下一代 AI 老师（L4+）时