织弦教学 AI：从一句需求，到有依据的教学成果 · 织弦技术文档
生成一份材料之后，怎样判断它是否适合课堂？从目标整理、证据检索到分层评测，讲清织弦教学 AI 的工作方式与质量设计。
一句需求之后，还有哪些工作需要完成
“帮我做一节关于光合作用的课。”这句话足以让 AI 输出一份看起来完整的材料，但教师真正需要的内容，还取决于许多没有说出口的条件：学生处于哪个年级，是否学过细胞结构，用哪种语言学习，有多少课堂时间，最后希望学生能解释什么。
如果这些条件没有被组织起来，生成内容可能事实基本正确，却太难、太长，或者与评价目标不一致。教师仍然需要花很多时间，把材料改成可以使用的一节课。
织弦教学 AI 编排框架关注的正是这段距离：从一句模糊需求，到有目标、有依据、能检查、可编辑的教学成果。“编排”可以理解为安排工作顺序，决定先弄清什么、调用什么材料、生成什么内容，以及由谁判断结果是否合适。
它将 AI 能力组织在教师的工作方式周围，让每次生成都能够接上后续的审阅、修改和课堂使用。
第一步：把任务说清楚，而不是把提示词写得很长
专业生成的起点，是一份清楚的教学任务。织弦用“教学任务契约”来描述这份共同理解：教师提供关键背景，系统将它组织为可以用于生成和检查的目标。
| 任务要素 | 用日常语言表达 | 对生成结果的影响 |
|---|
| 学习背景 | 谁在学，已经知道什么 | 决定难度、术语与前置解释 |
| 学习目标 | 学完以后能做什么 | 决定内容重点和活动安排 |
| 成功标准 | 怎样看出学生理解了 | 决定问题、反馈与评价方式 |
| 材料依据 | 以哪些课程材料为准 | 决定事实和术语的参照范围 |
| 表达形式 | 要课件、练习还是模拟 | 决定成果怎样被编辑和使用 |
| 课堂约束 | 时间、设备、语言支持 | 决定篇幅、交互与支架程度 |
例如，“做一个分数演示器”可以进一步明确为：“面向 Grade 4，让学生用相同大小的整体解释为什么 1/2 和 2/4 等值；提供等分条和数轴，操作之后要求学生说出理由。”
需求没有变成复杂的技术指令，却已经有了可判断的质量标准。图形是否使用相同整体？两个表征是否对应？学生有没有机会解释？生成与评价由此有了共同依据。
第二步：先找到合适的依据，再组织表达
学校有自己的课程进度、术语习惯和教学材料。通用模型能够提供广泛知识，却未必知道某个年级刚学到哪里，也未必使用与本校一致的概念解释。
检索增强生成，常用简称 RAG，就是把“先找材料”加入生成过程。可以把它理解为让备课助手先翻阅指定资料，再根据找到的依据组织回答。
织弦的证据约束设计进一步关注三件事：材料是否有权使用，内容是否与任务相关，结论能否回到具体出处。它们分别解决访问边界、内容适配和可核查性。
例如，同一主题有一份入门讲义和一份进阶阅读。系统不能只因为进阶材料出现了更多专业术语，就把它放到低年级课堂中。检索需要同时理解主题和教学背景，再从适合的内容中挑选依据。
在技术方法上，关键词检索善于找到精确术语，语义检索善于找到意思相近的表述。将两类候选结合，再按任务目标重新排序，有助于减少“词很像但内容不适合”的材料。这里的相关性分数用于组织候选内容，并不自动证明材料中的每个说法都正确。
第三步：把一次大任务拆成有用的小步骤
“从材料生成一套完整教学资源”可能包含阅读、规划、写作、排版、交互构建和检查。把这些工作一次性交给模型，容易让问题藏在看似流畅的输出里。
织弦的编排框架按任务需要安排不同职责。例如，规划环节明确学习顺序，生成环节产出内容，校验环节检查概念与结构，修订环节根据具体问题调整。教师则能够在关键位置查看结果、修改方向或接管编辑。
明确目标 → 组织依据 → 规划内容 → 生成成果 → 检查与修订 → 教师审阅。
这是一种工作组织方式。简单任务可以直接完成，复杂任务才需要更多步骤。多个模型或代理只有在能够提供独立检查、专门工具或明显质量收益时，才值得引入。
系统还需要给修订过程设定边界。若一个几何资源反复出现图形比例错误，应保留问题并交给教师选择下一步，而不是无限尝试、持续消耗时间和额度。好的自动化，应让用户始终知道工作进行到了哪里。
第四步：让结果进入真正适合它的工具
教案适合围绕教学环节调整，试题需要同时维护题干、答案和解析，课件需要控制版式，交互模拟则需要验证变量与反馈。把它们全部变成一段长文字，会给教师留下大量二次加工工作。
织弦强调结构化成果：让内容保持自己的组成关系，再进入对应的编辑与使用方式。教师改动一个学习目标时，能够据此检查活动与评价是否仍然一致；调整一页课件时，也能够独立修改文字、图像和布局。
这种结构让 AI 与专业编辑相互补充。AI 可以快速提出方案，教师通过具体工具把方案打磨为适合自己班级的作品。生成能力与编辑自由度需要共同提升，才能真正减少备课负担。
第五步：用分层评测判断质量
一份内容能够显示出来，只说明它通过了最基础的一层检查。真正进入课堂，还需要更深入地判断。
织弦将生成质量分成四层，让每类问题找到适合的检查方式。
| 评测层次 | 重点问题 | 一个具体例子 |
|---|
| 结构完整 | 必要内容是否齐全 | 试题是否同时有题干、答案与解析 |
| 学科正确 | 概念、关系和推理是否成立 | 分数的图形比例是否与数值一致 |
| 交互可靠 | 操作是否产生正确反馈 | 改变分母后是否重新等分，能否重置 |
| 教学适切 | 是否真正服务于目标 | 学生是否需要解释等值关系，而非只拖动滑块 |
确定性问题适合用规则或计算检查。比如，两个冲突方向的交通信号不能同时放行；同一个整体中，分数条的涂色比例必须对应数值。开放表达则需要评分量规：解释是否完整，证据是否相关，语言是否适合学生。
这也是算法设计的重要取舍。能够被精确计算的问题，尽量交给明确规则；需要教育判断的问题，则保留教师审阅与可讨论的标准。让一个模型给另一个模型打分，可以辅助筛查，但不能代替所有判断。
为什么质量评价需要固定的参照
如果每次换模型都只看几份新样例，很难知道质量究竟提高了，还是碰巧遇到了容易的任务。织弦的评测设计强调建立稳定的参照集，覆盖不同学科、年级、语言和资源形式。
例如，同样一组任务中，可以同时包含低年级分数演示、中学科学变量控制、双语历史材料比较和开放写作反馈。每个任务预先说明关注点与严重错误，再比较不同模型、提示方式或检索策略的表现。
评价也不能只追求平均分。少量严重概念错误、关键按钮无法使用，或者引用并不支持结论，都可能使某份材料不适合课堂。系统需要记录这些具体失败，并将它们转化为后续回归样例。
这种持续评价让“更先进”具有可解释的含义：能够在哪些任务上做得更好，改进来自哪里，哪些问题仍然需要人工关注。
国际 K–12 的适配，深入到教学目标与语言支持
在国际学校中，课程名称相同并不意味着学生具有完全一致的基础。年级、单元目标、学校教学进度和语言环境需要共同参与内容设计。
EAL 支持可以通过术语对照、句式支架、分层解释和图示帮助学生进入任务，但不应无意中降低原本的学科推理要求。例如，学生仍然需要比较实验条件，只是可以先借助句式表达观察，再逐步过渡到独立解释。
对探究型任务，编排框架应给学生留下预测、选择与论证的空间；对基础技能练习，则更重视清晰示例、适度重复与及时反馈。课程适配由具体教学要求决定，课程品牌名称本身不能替代这一过程。
以教师判断为中心的 AI 工作方式
设想教师要为“光合作用”安排一节双语科学课。她先明确学生已经知道植物需要光和水，本节重点是解释条件之间的关系。编排框架据此组织指定材料，规划图示、变量探究与理解检查，并分别生成可编辑的课件和问题。
教师检查后发现文字对本班学生偏难，便增加术语对照，保留原来的推理问题；又发现一个问题只能靠记忆作答，于是改成要求学生根据实验现象解释。所有修改都围绕同一个学习目标展开。
织弦教学 AI 的专业价值，体现在对这一过程的支持：把材料、生成与评价组织得更有条理，让教师能够更快看清问题、更准确地改进作品，并保留对课堂的判断权。
方法依据与延伸阅读