当AI讲题产品纷纷涌入K12教育赛道，一个关键抉择摆在面前：是追求解题效率的即时满足，还是坚持启发思考的长期价值？本文通过对比九章爱学、豆包爱学等主流产品的实际对话案例，揭示'伪苏格拉底式'设计的普遍困境，探讨如何在商业诉求与教育本质间找到平衡点。

大模型技术成熟之后，K12教育产品几乎同步进入AI化。

2023年以来，无论是学习机、在线教育App，还是题库工具，都在短时间内上线了AI讲题、AI学伴、AI辅导等功能。从产品形态上看，这一轮升级主要集中在两个能力：更快的题目识别与解析生成，以及多轮对话式讲解。

但在热潮之下，一个结构性问题逐渐显现：

当前主流的AI辅导产品，究竟是在优化做题效率，还是在优化认知能力？

这个问题，正在成为AI教育产品的关键分叉点，真正的讲题AI，应该是苏格拉底式的导师。今天，我们就来拆解一下，如何设计一个真正具有启发性的AI讲题产品。

01 什么是苏格拉底问答法

苏格拉底问答法，是一种通过连续、结构化的提问，引导对方澄清概念、检验假设、发现矛盾，最终自己推导出结论的思维与教学方法。它的核心不是把答案讲给你，而是让你在回答问题的过程中，把自己的理解一步步“生”出来。

方法特征

真正的苏格拉底问答通常具备三个特征：

• 以对方的观点为起点：不是老师先讲理论，而是先让学习者说出自己的判断。
• 以提问代替陈述：引导者尽量不直接给结论，而是用问题让对方自己补全逻辑链条。
• 以自我发现为终点：对方最终形成的结论，必须是“我自己推出来的”，而不是“我被告知的”。

很多场景其实也在问问题，但那并不是苏格拉底法。如果通过压迫或挑错的连环追问把人问倒，那更像辩论或审讯。

而苏格拉底对话的核心目标，是帮助对方形成更好的推理链条，所有对话都围绕对方的思考展开，而不是为了展示引导者的聪明。

底层逻辑

苏格拉底有一个著名的隐喻：精神产婆术，他认为，知识不是被灌输进去的，而是被引导出来的。如果把它进一步对齐到学习科学，会发现它与几个关键理论高度同构：

• 建构主义：学习者通过已有知识结构去建构新理解，而非被动接收。
• 生成效应：自己生成的答案、解释、例子，比看别人给出的答案更容易记住、也更可迁移。
• 检索练习：通过提问迫使回忆与重组，比重复阅读更有效。苏格拉底式追问，本质上是在做高频检索 + 即时纠偏。

苏格拉底问答法本质上是让用户在对话中不断生成、检索、修正，从而完成认知建构。

02 理想的苏式问答AI应该长什么样

先把底层技术限制放一边，只从用户体验和学习心理学出发，一个启发式 AI 学伴的对话流，应该是探究式的。

典型流程

不同学者总结的版本略有差异，但在实践中经常呈现为一个循环：

1. 提出主张：让对方先说结论或方案；
2. 追问理由：把隐含假设拉到台面上；
3. 检验一致性：找矛盾、找边界、找反例 ；
4. 提供脚手架：用更小的问题帮助继续推理（而不是直接讲答案）；
5. 归纳与迁移：让对方总结原则，并尝试应用到新例子；对话示例

我们以小学经典的租船问题为例：大船 30 元限 6 人，小船 24 元限 4 人，34 人怎么租最省钱？

理想的苏式问答对话应该如下：

• 学生：这道题怎么做？
• AI：题目是要我们想办法最省钱。你觉得只看大船 30 元、小船 24 元，能决定谁更划算吗？
• 学生：不能，因为坐的人数不一样。
• AI：对，人数不同没法直接比总价。那你有什么办法，能更公平地比较这两种船的贵不贵？
• 学生：算算每个人多少钱？
• AI：好主意。那你来算一下，大船平均每人多少钱？小船呢？
• 学生：大船每人5元，小船6元。大船划算！
• AI：完全正确。既然大船更划算，我们有34个同学，怎么安排大船和小船的数量呢？……

这里的关键是：AI 不包办解题策略，它用连续追问引导学生自己提出算单价的策略，形成了一个学生产出 → AI 校验 → 反思归纳的学习闭环。

03 市面上的产品都怎么做的

带着上述的理想标准，我们可以看下目前号称使用苏格拉底问答法或者启发式/引导式互动的教育产品的表现，仍然用上面提到的小学经典的租船问题为例：

大船 30 元限 6 人，小船 24 元限 4 人，34 人怎么租最省钱？九章爱学

豆包爱学

小思AI

作业帮

夸克

从上面这些产品的对话中，你会发现一个很有意思的现象：很多产品声称自己在做启发式对话，但实际上是伪装成对话的切片化分步解析。

这些方式看起来很耐心，但它替学生做了两件最关键的事：

1. 替学生选策略（先算单价、再优先租大船）
2. 替学生完成核心推理（为什么比较单价合理，为什么先租大船更可能最优）

从学习科学与元认知研究看，这类跟读式分步解析很容易制造流畅错觉：学生读起来很顺，以为自己懂了，但大脑其实缺少关键的生成与检索。一旦离开提示，遇到迁移题型就容易崩盘。与此同时，过度完整的解释也可能增加外在认知负荷，让学生更倾向于依赖提示，而不是形成可自用的策略。

04 为什么都在做“伪苏格拉底”？

为什么目前大都选择了这种看起来不那么教育的设计方案？ 背后的原因，大概是商业、技术与用户预期的三重博弈：

历史数据的路径依赖

过去十年，在线教育公司最核心的资产是什么？是海量的题库 + 结构化分步解析。

对产品与研发来说，最省事、最可控的做法，是用 RAG 把题库解析调出来，再让大模型切片化输出。这本质是对静态文本的拆解播报，而不是基于学生当前状态的动态推理生成。

从学习科学角度看，这类产品更接近示范讲解。示范讲解本身并非无效，但它有一个关键前提：必须与练习交替使用，并逐步减少示范。否则学习者只是在看专家表演，缺少关键的生成与检索，迁移能力很难长出来，学习路径也会被锁死在依赖讲解上。

大模型的幻觉与安全边界

真正的苏格拉底式对话高度发散，学生随时会给出奇怪答案。

在多轮对话里让模型自由发挥，计算错误、逻辑漂移、幻觉风险都会上升。出于合规与稳定性，团队往往宁可把 AI 约束在标准解析轨道上，也不愿让它发散。

这是更快落地的折中方式。

做题效率与教育深度的商业矛盾

从家长的功利视角看，AI 辅导的价值是让孩子把作业做对；从孩子的视角看，价值是快点写完去玩。

如果 AI 真的像苏格拉底那样持续追问、迟迟不给结果，体验上会被认为效率低。在完课率、求助解决率、留存等 KPI 压力下，分步喂答案常常是数据表现更好的妥协。

这里也涉及一个经典的动机理论：自我决定理论强调自主感与掌控感会影响持续投入。但现实产品里，短期效率常常压过长期动机，于是交互被设计成尽快结束，而不是尽快让用户学会。

05 如何把握启发与流失的边界？

如果把苏格拉底法翻译成产品要求，常常会变成这些设计原则：

• 先问再答：先让学生暴露思路和卡点，再决定提示层级
• 让学生产出关键一步：尤其是策略选择和关键推理不要由 AI 代劳
• 动态脚手架：开放问 → 选择题式提示 → 填空式引导（降自由度但不代做）
• 强校验与归纳：学生完成后，AI 做检查、纠错、总结可迁移策略
• 反代做约束：避免直接给最终答案或完整关键路径（尤其在作业场景）

这里面让 AI 提问不难，真正的难点是：怎么让启发发生，同时不把用户耐心消耗到崩盘？

关键 1：动态感知ZPD（最近发展区），让提示分层可降级

维果茨基的最近发展区理论指出：任务不能太难，也不能太简单，翻译成产品语言就是交互难度必须可调。

在实现时可以把同一目标拆成三层提示策略，从高认知到低认知逐级降级：

• 第一层（高认知）发散式反问：“你觉得应该怎么比较两种船的划算程度？”
• 第二层（中认知）选择式提示：“我们是比较总价更公平，还是比较人均价格更公平？”
• 第三层（低认知）结构化引导（填空/半步）：“我们先算大船的人均费用：30 ÷ 6 = __ 元。你来填一下。”

需要注意的是，这里的降级不是降级为直接给答案，而是降低自由度、降低负担，让学生仍然完成关键一步。这也符合脚手架的定义：支持是临时的，会随着能力提升而撤除。

同时，产品上也可以增加一个显式机制：同一题型，随着学生成功率提高，系统自动减少提示强度。

当然，这里面最难的是对学生认知的诊断，教育系统很难像真人老师那样获取学生作答时足够多的信息，比如草稿上的过程、思考时的表情等。

关键 2：把建设性摩擦设计成可控摩擦，避免挫败感堆积

学习需要摩擦，这在心理学里叫适度的困难，但摩擦如果不可控，就会变成挫败感堆积，最终导致放弃。

因此需要设计一套明确的挫败识别与止损机制，例如：

• 当学生连续两次触发“我不知道/不会/你直接说吧”
• 或者连续两次回答偏离关键路径
• 或者出现明显的情绪词（“烦死了”“别问了”）

系统应当立刻进入降负担模式：

• 提示从开放 → 选择 → 半步
• 允许给出步骤框架，但把关键计算或推导留给学生完成
• 在学生产出后再校验与归纳

从研究视角，这相当于把困难保持在可取区间，通过合适的难度来触发思考，但不至于压垮工作记忆与情绪耐受。

关键 3：抛弃旧指标，重塑北极星

评价启发式 AI，不能再只看一次性问题解决率或 AI 响应速度，需要同时衡量两件事：

启发是否发生

可以通过下面几个指标来衡量：

• 平均对话轮次：每个小引导环节建议目标 3–5 轮，太短可能退化成答案机，太长说明引导效率低；
• 学生输入占比：优秀对话中，学生输出的信息量应上升；
• 自主纠错率：学生初始错误，在 AI 引导后最终自行修正的比例；AI 有没有在替用户完成

这里主要监控以下几个方面：

• 答案泄露率：AI 输出最终结论或完整关键路径的占比；
• 有效尝试数：在给强提示前，学生是否有过真实尝试；
• 校验触发率：学生完成后是否使用“我做完了/帮我检查”，而不是直接给答案；
• 提示依赖度：同题型长期是否越来越依赖低认知提示，可用于发现脚手架撤不掉的失败模式；

当启发指标上升、泄露率不升，才意味着你在做帮助思考，而不是提高作弊效率。

结语：用科技守护思考的权利

作为 K12 教育产品的设计者，大模型给了我们前所未有的能力，也带来了同样强的诱惑——把答案直接递给学生，是最省事、最容易拿到问题解决率的路径。

但我们交付给用户的核心价值，不该是纸面上那个最终答案，而应是脑海里那个曲折却深刻的寻找过程。

如果说过去的教育产品是在提供内容与练习，那么未来的教育 AI，更可能是在提供一种能力：在关键时刻不替学生走路，但能为学生把路照亮。

希望我们都能做出这样的产品。