AI 交互教学系统与认知脚手架架构
传统教材和公开课通常是面向大众平均背景编写的，内容节奏难以贴合每个人的具体知识盲区。
利用大语言模型（LLM）配合工程化的 Agent Harness，可以构建自适应的一对一教学辅助系统。其核心价值不在于代替人类思考，而在于通过结构化的依赖约束与交互式测验，降低检索与路径规划的杂音，让学习者的注意力聚焦在核心概念的推导与应用上。
一、 信源验证摩擦与接口解耦
在传统的自学过程中，面对分散、质量不一的网络资料，学习者往往需要耗费大量精力去核验 符号体系的一致性、推导严密性以及作者的背景，这种心理上的防御性验证会显著分散用于理解核心概念的注意力。
1. 统一接口与多源验证
AI 在教学系统中的合理定位是**“统一的交互界面”，而非“封闭的单一事实来源”**：
- 符号与风格统一：根据学习者的数学背景与习惯，统一变量命名与推导风格，减少符号转换带来的阅读阻力；
- 底层可溯源：在后台通过工具链检索权威教材与论文，关键定理与推导步骤附带原始出处，由工程系统承担交叉核验的负担。
二、 三阶段交互状态机
一个结构严密的 AI 教学交互流程，通常由三个状态构成：
1. 探测阶段（Probe Phase）
- 核心目标：定位学习者的最近发展区（Zone of Proximal Development, ZPD）；
- 实现方式：避免询问“你是否懂 XX”等主观感受，而是直接给出 2~3 道梯级诊断题，通过二分法快速定位已知与 未知的交界点。
2. 规划阶段（Plan Phase）
- 知识依赖 DAG 约束：在展开详细推导前，系统需先输出概念依赖的有向无环图；
- 逻辑推演约束：要求模型显式梳理前置依赖，既为学习者提供全局路线图，也通过结构化输出降低大模型跳步或逻辑断层的概率。
3. 教学与主动提取阶段（Teach & Active Recall）
- 苏格拉底式互动：避免单向输出长篇讲义，将复杂推导拆解为渐进式提问；
- 克服流畅度错觉（Fluency Illusion）：大模型流畅的语言容易让人产生“听懂即学会”的错觉。系统需在每个小节结束时要求学习者独立复述关键推导，验证是否真正理解。
三、 本地架构参考与状态维护
在本地工作流中，可通过 Agent Harness 结合 Markdown 文档实现交互教学：
system_components:
ui_layer: Obsidian / VS Code
harness_engine: Antigravity / Pi Agent Runtime
sync_protocol: Markdown Stream + KaTeX Math
state_ledger:
current_topic: "Linear Algebra -> Eigendecomposition"
active_prerequisites: ["Matrix Multiplication", "Determinants", "Vector Space Basis"]
identified_gaps:
- "对特征向量空间几何意义理解模糊"
- 双向推演工作区：Agent 在 Markdown 中提供推导框架与阶段性问题，学习者在编辑器中写出具体证明或计算过程；
- 知识断点记录：在轻量状态文件中记录已验证掌握的前置概念和仍存在的模糊点，跨会话保持上下文连贯。
四、 认知心理学原则与防线设计
为避免 AI 辅助学习演变为被动的“走马观花”，系统设计应遵循以下认知心理学原则：
| 机制 / 认知现象 | 心理学依据 | 系统设计规范 |
|---|---|---|
| 主动提取效应 (Testing Effect) | Roediger & Karpicke (2006)：主动测验比单纯重复阅读能显著提高长期记忆保持率，划线重读易产生虚假的熟悉感。 | 关键推导完成后，要求无参考资料独立写出核心步骤或变式计算。 |
| 解释深度错觉 (IOED) | Rozenblit & Keil (2002)：学习者常高估自己对复杂机制的理解，直到被要求详细阐述因果细节。 | 要求学习者用白话向 AI 阐述机制，AI 针对推导中的跳步与模糊处针对性追问。 |
| 即时学习 (Just-in-Time) | 抽象理论若长期缺乏实际应用场景，遗忘率极高。 | 优先围绕具体工程或研究中的实际问题展开学习，避免脱离场景的盲目囤课。 |
| 过度整理陷阱 | 过度沉迷于建立多层文件夹和样式美化，往往会替代真正的思考与推导。 | 保持笔记结构扁平化，以实际推导过程和代码产出作为掌握标准。 |
五、 典型失效模式与应对策略
- 流畅度错觉（Fluency Illusion）：AI 的解释条理清晰，导致学习者产生“看懂了就是自己会了”的假象。
- 应对：每个核心概念讲完后，必须通过反向提问或变式练习进行独立推导检验。
- 思维过度外包（Excessive Cognitive Offloading）：直接让 AI 给出最终答案，绕过大脑构建神经回路所必需的思考阻力。
- 应对：将 Agent 设定为提示者（Hint Provider）而非代笔者，只在卡壳处提供前置线索。
- 模型幻觉传播：在专业或冷门领域，大模型可能生成看似合乎逻辑但推导错误的论断。
- 应对：要求关键步骤附带权威文献与教材溯源，重要结论在本地代码或数学工具中进行验证。