教育大模型的战场上，参数比拼已成过去式。爱学大模型与微软Study and Learn Agent分别用数据飞轮与苏格拉底式追问，重新定义AI教育的底层逻辑。当企鹅教师助手将一线教学经验转化为结构化知识库，学而思打通诊断与教学的完整闭环，我们终于看清：决定胜负的不是模型本身，而是从数据管线到交互范式的全栈能力。

6月初的腾讯云AI产业应用大会上，爱学大模型发布了一组数据：讲解采纳率超90%，互动频次超40次/小时。台下有人嘀咕——”又一个教育大模型？”但真正看懂的人没说话。因为这两个数字背后，藏着一个多数人还没意识到的问题：大模型只是引擎，但教育需要的是整车。

过去两年，教育行业涌入的大模型不下二十个，能跑通产品闭环的屈指可数。原因不复杂——大家都在卷参数量、卷benchmark，却很少有人认真想过：从”模型能答题”到”产品能教学”之间，到底隔着怎样一套技术栈？选错了，不是效率低，是方向偏。

模型是种子，数据是土壤

爱学大模型的思路值得拆开看。它背后不是一套通用数据打天下，而是转起了两条飞轮：一条吃进百万小时名师授课的离线数据，另一条实时消化海量师生互动的在线数据。打个比方——离线飞轮像是一本浓缩了顶尖教师毕生经验的教案，在线飞轮则是一位随时在课堂里观察学生反应的助教。两条飞轮咬合转动，模型才能既”懂知识”又”懂学生”。

更有意思的是它的三层记忆架构——短期记忆捕捉当下对话，中期记忆积累学习习惯，长期记忆构建知识图谱。这不像传统的”问一答一”，更像一个老师从”第一天上课”到”教了你三年”的认知成长过程。推理性能提升3-4倍只是结果，真正值得学的是这套从”对话机器人→工具型模型→完整教学Agent”的三阶段跃迁路径。它说明一件事：智能体不是大模型加个壳，而是需要一套从感知到记忆到行动的完整架构。

而这套架构的每一层，都有各自的选型逻辑。基础模型层决定了你的天花板——通用大模型知识面广但专业深度不足，垂类模型精准但泛化能力受限。硬件层决定你的推理成本和响应速度，这直接关系到产品能不能做到实时互动。平台层负责把模型能力转化为可调用的服务，应用层则决定了用户最终感知到什么样的产品体验。数据层是整个技术栈的燃料箱——没有好的数据管线，再强的模型也是空转。五层之间不是简单的堆叠关系，而是相互制约的齿轮组——任何一层掉链子，整辆车都跑不起来。

当AI学会”追问”

微软的Study and Learn Agent走的是另一条路。Build 2026之后上线，它的核心交互不是”你问我答”，而是苏格拉底式的3-5轮递进追问——不直接给答案，而是一步步逼你自己想明白。首批覆盖数学、物理、计算机科学，OneNote自动生成笔记，28国4200所学校试点。

这个产品的技术选型透露出一个关键判断：在教育场景里，”问”的能力比”答”的能力更稀缺。 大模型天然擅长生成内容，但生成一个好问题，需要的是对学生认知状态的理解——这恰恰是单纯的语言模型做不到的，必须依赖对学习路径的建模和对交互节奏的把控。微软把”以问代答”作为核心交互范式，本质上是把应用层的交互设计前置到了架构选型阶段。OneNote笔记自动生成则打通了应用层和平台层——学习过程不需要额外记录，交互即沉淀。这提醒我们：好的技术架构不是先选模型再想交互，而是交互范式倒逼架构选型。

最懂教学的人，不在科技公司

6月8日，西北师大联合腾讯推出的”企鹅教师助手”上线国家智慧教育平台，覆盖语数英理化生全学科。这件事的技术含量不在模型本身，而在数据工程——它把一线教师的真实教学案例转化为结构化知识库，用于SFT和RAG。

这是一步妙棋。教育大模型最常被诟病的就是”懂技术不懂教学”，根源在于训练数据和实际教学场景的脱节。企鹅教师助手的数据管线，相当于在技术团队和一线教师之间架了一座桥——教师的经验不再只存在于脑海里，而是变成了模型可以消化、检索、调用的结构化资产。4月印发的《”人工智能+教育”行动计划》（教科信〔2026〕1号）也在推同一件事：让教育专业力量深度参与AI建设，而不是让技术团队单打独斗。

从技术栈的视角看，企鹅教师助手解决的是平台层和数据层的衔接问题——不是简单地把更多数据喂给模型，而是建立了一套从”教学实践→结构化知识→模型能力”的转化机制。

标准之争，才是终局

5月在杭州举办的2026世界数字教育大会上，82国与会，8项核心成果落地，北师大校长于吉红明确提出”从师-生二元向师-机-生三元协同转变”。首批18项高等教育智能体发布，联盟扩展至115个成员。

比成果清单更值得关注的，是这些动作背后的信号：智能体正在从”各家自建”走向”互联互通”。 而这恰恰是最难的部分。

连互联网之父Vint Cerf都在退休前专门提醒——6月公开会议上他直言，AI智能体交互需要互操作性与统一标准，率先制定标准的企业将掌握智能体经济的巨大话语权。他甚至暗示，自然语言无法满足智能体交互的精准要求，未来交互层很可能出现更结构化的协议。7月初他宣布从谷歌退休，但这场发言留下的信号比他的职业去向更值得玩味。

这意味着，今天你选择的技术架构，不只是解决眼前的问题，还在决定你未来能不能接入更大的生态。 Instructure发布的IgniteAI开放式教育智能体框架，本质上也是在抢占这个位置——谁先定义了智能体之间的通信协议和数据交换格式，谁就掌握了生态的话语权。Nature子刊的最新研究则从另一面佐证：AI反馈的可理解性与人类教师的差距已缩至4.7%——技术能力不再是瓶颈，瓶颈在标准、在生态、在谁先定义游戏规则。

闭环才是终点

6月底学而思发布培优AI家教和T6学习机，做了一件很多厂商还在犹豫的事——把AI诊断规划和AI互动课堂彻底打通，形成从”发现问题”到”解决问题”的完整闭环。 AI双师互动课堂里，虚拟教师负责讲解，真人教师把控节奏和情感；小思屏落座即唤醒，体验上几乎抹掉了”启动AI”的心理门槛。5月联合信通院制定的AI家教标准AIIA/T 0300-2026拿下最高评级，T6三档定价6899至11999元，7月9日开售。

这是一个信号：教育AI的竞争，已经从”谁的模型强”变成了”谁的闭环深”。 模型层的能力正在快速同质化，真正拉开差距的是数据管线、记忆架构、交互范式和生态连接——这些，才是技术栈里真正值钱的部分。

对产品经理而言，技术选型的核心问题从来不是”选哪个模型”，而是：你的数据飞轮能转多快？你的交互范式是”答”还是”问”？你的架构能接住未来的标准吗？ 第一个问题决定了你的模型能不能越用越好，第二个问题决定了你的产品是工具还是伙伴，第三个问题决定了你的生意能做多大。回答好这三个问题，比选一个参数量更大的模型重要一百倍。

从大模型到智能体，技术栈的选择不只关乎效率，更关乎你在未来教育生态里的位置。获得更多”定义权”的人，会最终站上C位。