這個系列的第一篇我不想急著放代碼。一個AI輔助數(shù)學(xué)學(xué)習(xí)的工具真正的難點從來不在某個單一功能而在于把“看懂題目、定位卡點、啟發(fā)思考、鞏固練習(xí)”這條鏈路完整串起來。過去大半個月我翻了不少市面上的方案也親手做了幾輪技術(shù)選型驗證踩了一些坑所以才有了這篇規(guī)劃筆記。這個系列我會用編號01、02、03的方式持續(xù)記錄從動機(jī)到架構(gòu)從選型到調(diào)試盡量把每一步取舍都寫清楚。為什么現(xiàn)在想做這件事說來也簡單通用對話大模型能解不少數(shù)學(xué)題拍照答疑產(chǎn)品也流行很多年了但兩者之間有一條明顯的空檔。多數(shù)已有方案要么直接給答案要么把AI當(dāng)成一個精美的搜索引擎而數(shù)學(xué)學(xué)習(xí)真正需要的是在學(xué)生的思路中斷時給出恰到好處的提醒——不替他走完而是陪他走完。這個需求我目前很少看到有產(chǎn)品真正接住。所以我給自己定的目標(biāo)很明確做一個“不說答案、還能教會你”的AI輔助數(shù)學(xué)學(xué)習(xí)工具。它會先判斷你的解法卡在哪個環(huán)節(jié)再一步步給提示如果你確實做不出來才展示完整解析。這篇文章主要回答四個問題為什么選這個方向、范圍劃到哪、技術(shù)路線怎么搭、第一批驗證怎么做。1. 為什么是“AI輔助數(shù)學(xué)學(xué)習(xí)”三個真實存在的痛點1.1 學(xué)生缺的不是答案是“卡在哪一步”的判斷先講一個最常見的場景學(xué)生做練習(xí)卡住了身邊沒有老師。他掏出手機(jī)拍照幾秒鐘拿到一個完整答案?？炊岁P(guān)掉手機(jī)下次遇到同類題還是不會。這不是學(xué)生笨而是“看懂解析”和“自己會做”在認(rèn)知難度上差了整整一個量級。傳統(tǒng)答疑工具把學(xué)習(xí)問題簡化成了檢索問題答案跳過了最關(guān)鍵的過程診斷。比如一道因式分解題學(xué)生可能錯在符號處理也可能在提取公因式之前就理解錯了式子的整體結(jié)構(gòu)。標(biāo)準(zhǔn)答案不會告訴他這些AI輔助數(shù)學(xué)學(xué)習(xí)工具的價值就在這里——把“我這題不會”翻譯成“你其實已經(jīng)走到了哪一步、卡在了哪個認(rèn)知點上”。我試過一個很典型的例子解方程 (2(x-3)4(x-3))不少學(xué)生上手就兩邊約掉 ((x-3))然后得到 (24)反復(fù)驗算都覺得哪里不對。真正的卡點并不是移項或合并同類項而是“等式兩邊能不能同時除以一個可能等于零的式子”這個前提條件沒有建立。如果AI只說“把含x的式子都移到左邊”等于完全沒講。它必須識別出學(xué)生“兩邊直接約掉”這個動作背后的具體漏洞才能給出有效引導(dǎo)。1.2 題目的輸入效率決定了工具會不會被用起來第二個痛點特別務(wù)實拍題。數(shù)學(xué)題和普通文本不一樣里面全是公式結(jié)構(gòu)分?jǐn)?shù)線上下有內(nèi)容、根號嵌套多層、上標(biāo)下標(biāo)疊在一起普通OCR按行掃描一遇到這些結(jié)構(gòu)基本就亂了。我測試過一些通用文字識別接口純文本段落識別率很高但換成數(shù)學(xué)試卷截圖公式區(qū)域就開始出錯負(fù)號丟失、分母錯位、等號后面內(nèi)容被截斷。用戶拍一道題如果識別結(jié)果需要手動修改三次以上這個工具基本就被卸載了。所以我把題目輸入當(dāng)成“前置生死線”來對待下文會單獨講選型邏輯。這里要補(bǔ)充一個很容易被忽略的細(xì)節(jié)題目通常不是純公式而是文字描述和公式混排。應(yīng)用題題干里的中英文、數(shù)字、單位都會和公式交錯在一起。處理這類混合版面不是簡單接一個公式OCR而是要先把版面切成“文本塊”和“公式塊”再分別走不同的識別鏈路最后拼裝成結(jié)構(gòu)化的題目文本。1.3 學(xué)習(xí)反饋沒有形成閉環(huán)第三個痛點是反饋閉環(huán)的缺失。做題、錯、看解析、結(jié)束。沒有記錄沒有歸因沒有變式鞏固。傳統(tǒng)紙質(zhì)練習(xí)冊天然做不到這一點但AI可以、也應(yīng)該做到。AI能做的不只是判對錯而是為每一道錯題打上結(jié)構(gòu)化的標(biāo)簽錯誤發(fā)生在概念理解層、代數(shù)計算層還是審題環(huán)節(jié)這個錯誤對應(yīng)的前置知識點是什么需不需要推一道同類型但數(shù)字不同的變式題來檢驗。這個思路在學(xué)習(xí)科學(xué)里并不新鮮間隔練習(xí)和反饋矯正早就有大量實證支持缺的只是一個愿意把“錯因”當(dāng)核心數(shù)據(jù)去建模的產(chǎn)品。我不打算把這個工具定位成“能解所有數(shù)學(xué)題”的萬能解題器。它更像一個耐心的陪練記錄你的每次卡頓把卡頓原因結(jié)構(gòu)化然后針對性地陪你補(bǔ)上那一個缺口。從產(chǎn)品角度說這個定位比“題題都能解”更有長期價值。2. 項目邊界把“不做什么”先寫清楚2.1 目標(biāo)用戶和使用場景先聚焦課后自主練習(xí)立項時最容易犯的錯就是目標(biāo)過大。我見過不少項目一開始就揚(yáng)言要覆蓋小學(xué)到高中全學(xué)段題目類型無所不包最后團(tuán)隊半年做出來一個每個功能都淺嘗輒止的Demo。我這次特意把邊界收得很窄。第一版只服務(wù)一個場景中學(xué)階段學(xué)生在課后自主練習(xí)時遇到不會做的題身邊沒有老師需要有人幫他理思路。這個場景有幾個特點——用戶有明確的學(xué)習(xí)動機(jī)需求發(fā)生頻率高而且當(dāng)前可用的幫助手段都很弱問同學(xué)不方便搜答案又只是抄一遍。工具只要能在這個薄弱的環(huán)節(jié)真正幫上忙就有不可替代的價值。我不打算做課堂教學(xué)場景。教室里有老師有互動節(jié)奏有黑板板書AI貿(mào)然插進(jìn)去只會添亂。自學(xué)場景則完全不同那里沒有及時反饋AI的啟發(fā)式引導(dǎo)恰好能填補(bǔ)結(jié)構(gòu)性的空缺。2.2 第一版功能范圍單題互動優(yōu)先學(xué)情分析延后功能范圍我按優(yōu)先級切成了三層。第一版死死咬住P0不做額外的發(fā)揮優(yōu)先級功能說明P0拍照/截圖識別題目文字與公式混排的結(jié)構(gòu)化識別P0卡點診斷與分步引導(dǎo)不直接給答案按學(xué)生的回答動態(tài)推進(jìn)P0完整解析兜底連續(xù)三次提示后仍做不出才展示解題過程P1錯題本與知識點標(biāo)簽自動記錄錯題標(biāo)記關(guān)聯(lián)知識點P1同類變式題推薦基于標(biāo)簽和題面檢索推薦變式P2學(xué)情周報與薄弱點預(yù)測需要積累足夠數(shù)據(jù)第二期再上這個排序背后的邏輯是先證明“單題互動”有價值再談“長期學(xué)習(xí)數(shù)據(jù)”。如果一道題都陪不好錯題本和周報都是空中樓閣。做產(chǎn)品最怕引入大量功能最后每個都做得平庸。先把單題體驗做成“用過就回不去”的水準(zhǔn)后面的事情才有意義。2.3 三條不做的紅線除了功能范圍我還給自己立了三條紅線它們和功能清單同等重要。第一條不做代答作業(yè)的工具。用戶輸入題目工具直接吐出完整答案這就是自動化抄寫它削弱學(xué)習(xí)過程本質(zhì)上與我做這個項目的初衷相悖。我允許系統(tǒng)展示完整解析但前提是學(xué)生已經(jīng)嘗試過、卡住了、并明確表達(dá)了“我想看過程”。第二條不做“套殼題庫”。市面上有些產(chǎn)品掛上“AI智能學(xué)習(xí)”的牌子背后只是一個搜索題庫的接口。AI的價值在于動態(tài)的、針對個體的對話引導(dǎo)如果只是把檢索結(jié)果包裝成對話用戶很快就會發(fā)現(xiàn)它并不理解自己留存率一定崩。第三條不做以監(jiān)控為目的的家長端。實時報告孩子正在做哪道題、卡了多久、有沒有偷懶這種功能短期能刺激家長付費長期會讓孩子對這個工具有強(qiáng)烈的防備心理。我寧愿讓用戶數(shù)據(jù)只服務(wù)于“幫他學(xué)得更好”而不是服務(wù)于“讓別人控制他”。這些紅線可能讓產(chǎn)品在商業(yè)上走得慢一點但它們決定了這個工具的用戶體驗是“被陪伴”而不是“被監(jiān)視”。我傾向于把這個屬性當(dāng)成長期壁壘來建設(shè)。3. 技術(shù)選型從公式識別到推理引擎每一環(huán)的取舍邏輯3.1 公式識別普通OCR和公式OCR是兩種完全不同的東西數(shù)學(xué)公式是二維排版結(jié)構(gòu)分?jǐn)?shù)線的上下關(guān)系、根號的覆蓋范圍、上標(biāo)下標(biāo)的分層這些結(jié)構(gòu)信息一旦丟失語義會完全改變。普通OCR按行掃描文字遇到 (\frac{ab}{cd}) 這種結(jié)構(gòu)時會把分子分母當(dāng)成兩行獨立文本輸出結(jié)果基本無法使用。所以公式識別必須走專門方案。這類方案通常分兩步第一步檢測圖像中的公式區(qū)域第二步將公式區(qū)域轉(zhuǎn)換輸出為結(jié)構(gòu)化的LaTeX表示。市面上的開源公式識別模型和商業(yè)OCR接口我都做過初步測試結(jié)論比較明確清晰印刷體的截圖開源模型已經(jīng)能打到七八十分手寫體和復(fù)雜矩陣場景商業(yè)接口的魯棒性優(yōu)勢更大但成本也隨之上升。我的做法是接一個通用識別能力作為底座同時再包一層規(guī)則化后處理。后處理專門盯著幾類高頻錯誤全角半角符號混用、負(fù)號被識別成連字符、分?jǐn)?shù)線錯位、等號溢出。這些錯誤不修正后面的解題鏈路一定會被污染。補(bǔ)充一個接口設(shè)計建議OCR結(jié)果不要直接進(jìn)入大模型最好先經(jīng)過標(biāo)準(zhǔn)化模塊把題面轉(zhuǎn)成統(tǒng)一的文本結(jié)構(gòu)比如普通文本、LaTeX公式、選擇題選項分段存儲。這個中間層能為后面的診斷和檢索省下大量麻煩。3.2 推理層通用大模型“裸奔”解題計算翻車率很高通用對話大模型的自然語言理解能力很強(qiáng)但直接讓它解數(shù)學(xué)題有一個致命問題精確計算不可靠。三位數(shù)乘法、多項式展開、分?jǐn)?shù)運(yùn)算這類確定性計算模型經(jīng)常一本正經(jīng)地算出錯誤結(jié)果。數(shù)學(xué)解題最后結(jié)果錯了前面講解再順都是枉然。我的路線是“混合推理”模型負(fù)責(zé)理解題意、拆解思路、生成人話講解精確計算交給外部工具代數(shù)化簡和符號變換交給符號計算引擎。舉個例子模型識別出這道題需要用配方法它只需要規(guī)劃“應(yīng)該配方、配方之后得到哪類結(jié)構(gòu)”具體的代數(shù)式展開和合并交給符號引擎完成再把計算結(jié)果回填給模型由模型組織成自然的引導(dǎo)語。這樣還有一個附加好處可解釋性大幅提升。每一步計算都能追溯到符號引擎的輸出而不是大模型信口說出來的。對教育類產(chǎn)品來說這個可追溯性非常關(guān)鍵它意味著系統(tǒng)敢為自己的每一句話負(fù)責(zé)。3.3 知識組織單道題和它的“前驅(qū)知識點”光會解一道題還不夠工具如果要推薦同類題、定位薄弱點就需要一個知識組織層。這個層我打算用“輕量知識圖譜 向量檢索”組合實現(xiàn)而不是一開始就建一個大而全的知識體系。具體設(shè)計是這樣先人工定義一小批核心知識點比如“移項”“合并同類項”“配方法”“因式分解”等等然后標(biāo)注它們之間的關(guān)系尤其是前驅(qū)后繼關(guān)系。因式分解是解一元二次方程的前置技能移項是合并同類項的前置技能。這樣當(dāng)學(xué)生在某一步卡住時系統(tǒng)可以從當(dāng)前題目追溯到具體的前置知識點并給出針對性提示。向量檢索則負(fù)責(zé)處理“找同類題”的需求。把每道題目的題面文本和知識點標(biāo)簽一起嵌入到向量空間檢索時先按知識點過濾再按向量相似度排序。它負(fù)責(zé)找“長得像”的題知識圖譜負(fù)責(zé)解釋“為什么像”。兩層結(jié)合才不是單純的關(guān)鍵詞匹配。3.4 交互層不是一次給答案而是狀態(tài)機(jī)這一步是我自己踩過坑才想明白的。最開始我試用過一個方案直接把題目丟給對話模型請求它“分步驟講解”模型確實輸出了步驟但五步一次性全部給出來了用戶體驗和直接抄答案沒有任何區(qū)別。分步引導(dǎo)不能一次性輸出全部過程必須在每個關(guān)鍵節(jié)點停下等學(xué)生給出回應(yīng)再根據(jù)回應(yīng)的質(zhì)量決定下一輪提示的力度。在工程實現(xiàn)上這是一個典型的狀態(tài)機(jī)DIAGNOSIS, HINT_1, HINT_2, SOLUTION range(4) def next_action(state, student_input): if state DIAGNOSIS: # 第一步先讓學(xué)生說出當(dāng)前的思路 return ask_question(這道題你打算先從哪里下手) if state HINT_1: # 根據(jù)學(xué)生回答判斷錯誤類型給第一層提示 error_type detect_error_type(student_input) if error_type MISS_ZERO: return hint(等號兩邊似乎有一個共同因子它可以直接約掉嗎) return fallback_hint() if state HINT_2: # 第二層提示更貼近具體操作 return hint(想一想等式兩邊同時除以同一個數(shù)需要滿足什么條件) # 狀態(tài)累加到上限只好展示完整解析 return show_solution()狀態(tài)機(jī)的好處是可控、可測試、可記錄。每一次跳轉(zhuǎn)都會留下日志這些日志就是評估“AI引導(dǎo)質(zhì)量”的一手材料。如果用戶第一次在第二層提示后才做出來和第三次在完整解析后才做出來這兩個情況對應(yīng)的教學(xué)效果完全不同。4. MVP構(gòu)建路線先跑通一道題的完整閉環(huán)4.1 為什么我選“一元二次方程”作為第一個試點這個決定說出來有點土但我確實把一大批知識點放在桌上挑了很久——函數(shù)、幾何、概率、數(shù)列都考慮過最終鎖定的是一元二次方程。原因有三個。第一知識點邊界極其清晰解法路徑不算復(fù)雜但題型覆蓋面夠廣有概念判斷、有代數(shù)解法、有應(yīng)用題建模能一次性驗證多種診斷邏輯。第二常見錯誤類型足夠豐富缺根、漏解、配方失誤、符號錯誤、應(yīng)用題列式出錯這些都是可以明確分類的錯因適合用來檢驗診斷模塊的準(zhǔn)確率。第三它在中學(xué)數(shù)學(xué)里是絕對核心的內(nèi)容和后續(xù)的函數(shù)、不等式都強(qiáng)關(guān)聯(lián)工具做好了之后自然可以向外延伸。把范圍縮小到一元二次方程意味著我可以在兩周內(nèi)做出一個真正能用的閉環(huán)而不是花兩個月做出一堆沒調(diào)試過的模塊拼裝件。4.2 兩周開發(fā)計劃我的開發(fā)計劃切成了四個階段每個階段都有明確的產(chǎn)出物階段時間核心工作驗收產(chǎn)出第一階段Day 1-3接入OCR接口實現(xiàn)題目標(biāo)準(zhǔn)化圖像輸入到結(jié)構(gòu)化題目文本的穩(wěn)定轉(zhuǎn)換第二階段Day 4-7實現(xiàn)對話狀態(tài)機(jī)和提示模板完成單題三步引導(dǎo)的對話Demo第三階段Day 8-10接入同類題檢索支持基礎(chǔ)變式推薦第四階段Day 11-14搭建評測腳本小范圍試用帶日志的評估結(jié)果和問題清單每一個階段的產(chǎn)出都可以獨立驗證避免最后一天才發(fā)現(xiàn)問題卻不知道是哪一環(huán)引入的。4.3 評測指標(biāo)和最小數(shù)據(jù)集沒有評測閉環(huán)開發(fā)很容易變成“自認(rèn)為好用”。我準(zhǔn)備了一個大約80道題的最小評測集題型分成三類概念題、解法題、應(yīng)用題并按難度做了簡單分層。每道題都有預(yù)先標(biāo)注的標(biāo)準(zhǔn)答案、常見錯誤類型和提示語料。圍繞這個數(shù)據(jù)集我定義了三項核心指標(biāo)第一是題面識別率圖像輸入后經(jīng)過自動糾錯和后處理能在三次之內(nèi)得到可用結(jié)構(gòu)化題面的比例。這項指標(biāo)偏工程決定了用戶進(jìn)來的第一印象。第二是卡點識別準(zhǔn)確率把標(biāo)注的常見錯誤類型和AI診斷出的錯誤類型做比對看系統(tǒng)能不能準(zhǔn)確命中真實卡點。這項指標(biāo)偏算法是啟發(fā)式教學(xué)的地基。第三是引導(dǎo)有效率記錄了用戶經(jīng)過提示后自行做出題目的比例。這項指標(biāo)偏產(chǎn)品反映的是整個交互閉環(huán)的真實效果。我特別強(qiáng)調(diào)一點第三項指標(biāo)的口徑必須嚴(yán)格學(xué)生要在沒有看到完整解析的情況下自己寫出正確答案才能算一次“有效引導(dǎo)”。4.4 最小數(shù)據(jù)集之外日志先行這個習(xí)慣是我做過幾個項目后總結(jié)出來的——日志能力要在第一天就搭好而不是上線前再補(bǔ)。每次對話的識別結(jié)果、狀態(tài)跳轉(zhuǎn)、提示層級、最終是否做對全部結(jié)構(gòu)化落庫。以后不管是分析用戶卡點分布還是迭代提示模板都靠這批數(shù)據(jù)。5. 我現(xiàn)在就能預(yù)見的坑幻覺、模糊題面、公式失真和賬單5.1 大模型幻覺一本正經(jīng)地算出錯誤答案哪怕用了混合推理模型在生成講解文字時仍然可能順手寫錯一個式子。比如解 (x^24)模型可能在最終總結(jié)時漏掉 (x-2) 這個根。我已經(jīng)在一次快速驗證里親眼見過這種情況。對策很簡單關(guān)鍵結(jié)論必須留痕可校驗。所有數(shù)據(jù)結(jié)果盡量從符號計算引擎取模型只負(fù)責(zé)組織語言。如果某些題目類型的計算確實無法外置比如幾何面積推導(dǎo)就必須在提示約束中加入“先計算再復(fù)述”的規(guī)則并在輸出側(cè)做關(guān)鍵數(shù)值的抽檢。5.2 拍照質(zhì)量千奇百怪手寫體、傾斜、卷面污漬我預(yù)計到真實用戶上傳的圖片里什么都有手寫體、紙上反光、拍攝傾斜、書頁陰影、同桌的手臂入鏡。這些問題有些靠算法可以修正有些則必須靠產(chǎn)品交互來兜底。第一版我決定只接受清晰的印刷體截圖和拍攝圖手寫體識別單獨立項放到后面做。哪怕這樣也要在圖片進(jìn)入識別前做一次預(yù)檢分辨率太低或模糊度太高的圖直接提示用戶重新拍攝而不是讓OCR硬跑一輪輸出一個錯誤結(jié)果。這個交互細(xì)節(jié)能省下不少后端識別資源。5.3 公式在普通文本里的可讀性問題AI生成LaTeX很容易但大多數(shù)手機(jī)屏幕對一大堆反斜杠和花括號并不友好。如果對話界面直接把“( \frac{\sqrt{x1}}{2} )”這樣的原始字符串拋給用戶那就是災(zāi)難。解決方案是前端必須配備公式渲染組件同時約定模型的輸出格式只允許使用標(biāo)準(zhǔn)LaTeX子集禁止自定義宏公式盡量獨立成行。這個約束看起來小實際體驗差的往往就是這些細(xì)節(jié)。5.4 Token成本和響應(yīng)速度一次引導(dǎo)對話可能燒掉多次調(diào)用分步引導(dǎo)意味著大模型對話不是一次調(diào)用而是多次往返。一次完整的引導(dǎo)流程可能要觸發(fā)五到八次模型請求Token消耗比單問答高出一個數(shù)量級。如果響應(yīng)速度再慢學(xué)生早就不耐煩了。我計劃用三層手段來對沖成本常見題型的解析和提示語做緩存命中緩存時零模型調(diào)用用本地輕量模型先做題型分類和簡單錯誤識別把大模型調(diào)用限制在真正需要深層推理的環(huán)節(jié)嚴(yán)格控制上下文長度只保留與當(dāng)前步驟相關(guān)的歷史消息不把整段對話來回重復(fù)發(fā)送。5.5 一條容易被忽略的底限教育類工具的安全邊界比普通工具更敏感。我堅持一個簡單的原則不收集任何身份信息日志里只有做題行為數(shù)據(jù)不提供任何形式的代寫能力不做排名、比較和焦慮制造。所有功能設(shè)計都圍繞“學(xué)習(xí)者的成長”而不是“學(xué)習(xí)者的評價”。這個底限不寫進(jìn)代碼但比代碼影響更大。這個系列叫01就說明后面還會有02、03。下一期我計劃展開公式OCR的選型對比和那80道評測集的標(biāo)注細(xì)節(jié)這兩部分是整個系統(tǒng)能不能站住的根基。這個項目最后能做成什么樣子說實話我沒有十足把握但把目標(biāo)縮小到“陪一個學(xué)生認(rèn)真走完一道題”我覺得至少是值得先試出來的。