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。
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。
真正的苏格拉底问答通常具备三个特征：
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。
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：
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。
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。
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：
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：
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。
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：
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。
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：
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。
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。
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。
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：
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？
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：
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。
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：
系统应当立刻进入降负担模式：
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。
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：
可以通过下面几个指标来衡量：
这里主要监控以下几个方面：
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。
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。
本文由人人都是产品经理作者【YTY】，微信公众号：【产品二三】，原创/授权 发布于人人都是产品经理，未经许可，禁止转载。
题图来自Unsplash，基于 CC0 协议。
此内容由惯性聚合(RSS阅读器)自动聚合整理，仅供阅读参考。 原文来自 — 版权归原作者所有。