每月9美元的AI家教：可汗学院抢在GPT-4发布当天上线的五个月

2022年10月的一个晚上，可汗学院工程总监Shawn Jansepar被突然拉进一个Slack频道，频道里有个能聊天的机器人，一封邮件告诉他：我们正在和OpenAI测试新模型GPT-4。那时ChatGPT还没发布，全世界摸过GPT-4的人一只手数得过来。他聊了30分钟，感觉自己坐在一个全知的生物面前，坐不住，出门绕着街区走了一圈，边走边想这东西会改变什么。

将近五个月后，2023年3月14日，GPT-4发布会当天，可汗学院的AI家教Khanmigo作为教育合作案例同步亮相。一家150多人的非营利机构，把GPT-4第一时间做成了面向学生的产品。这一集Cognitive Revolution发布于2023年8月，主持人Nathan Labenz和Shawn把这段冲刺从头到尾拆了一遍，细节很密。

先拿到钥匙的人，也走了弯路

可汗学院的使命写得很直白：让任何人、在任何地方，免费获得世界级教育。这家公司起家于萨尔·可汗给表妹补课录的视频，如今团队超过150人。Shawn 2017年加入，此前他在一所大学教网页开发课程，算半只脚踩在教育里。

拿到内测权限后，团队先办了场黑客马拉松。他们一开始根本不敢让学生直接用，怕出安全问题，更想拿模型给老师生成教案、帮内容团队做素材。转机出现在12月：OpenAI一位叫Jessica的人做了个小原型，把模型当成更聪明的搜索入口，帮学生找对内容。这个“礼宾员”思路打开了局面，双方改成每天早晚各碰一次的快速原型冲刺。

第一版糙到什么程度？一个Chrome插件，把AI挂到可汗学院每个内容页旁边。学生在页面上说一句“我没看懂这个”，AI知道“这个”指什么。Shawn形容那种感觉像魔法。随后团队飞到山景城，把原型拿给Khan Lab School的学生试，可汗学院办公室楼上就是这所学校，家长同意书早就签好了。学生最喜欢点的是一个按钮：“我为什么要学这个？”这个按钮的受欢迎程度，恰恰暴露了教育一直欠着的债：很少有人跟孩子讲清楚为什么要学。

1月，全公司签保密协议，办了一场全员黑客马拉松，收敛出几个方向，工程、设计、产品一路干到3月14日。发布前还有段插曲：OpenAI每周迭代候选模型，有个模型擅长讲故事但数学拉胯，可汗学院死等数学好的那个。最终模型在发布前的周末才交付，领导层带着核心工程师和设计师整个周末狂测，表现达标，发布顺利过关。

事后看，这波抢跑值回票价。团队为此欠下大量技术债，但OpenAI把可汗学院当作教育领域的核心合作方，很多潜在竞争者看到产品后直接放弃入场：品牌、信任、执行力都占完了，凭什么再做一个？先发优势把技术债的利息付清了。

两个标准差：教育研究里最大的那笔账

教育研究里有个老结论，布卢姆的“两个标准差”研究：接受一对一辅导加掌握式学习的学生，成绩比传统课堂平均高出两个标准差，大致从中间水平冲进前2%。这是教育干预里效果最大的一项，麻烦在于真人一对一根本无法规模化。

Shawn补了研究的另一半：哪怕还是一个老师对30个学生，只要改成掌握式学习，也能带来至少一个标准差的提升。掌握式学习指没学会上一个概念就不往下走。现实是反着来的：代数一拿个C，照样升代数二，窟窿越滚越大，像瑞士奶酪一样全是洞。可汗学院的视频之所以有效，就在于能暂停、能倒带、没人评判。

AI家教补的是最后一块。它和真人导师各有胜场：AI全天在线、不评判学生、从第一天起就掌握全部学习轨迹；真人导师赢在高端内容，专家就是专家。Khanmigo背后是GPT-4，至今仍会算错数学，让大模型把数学做对，在2023年仍是一个全球未解的研究问题。Shawn判断这个问题会被解决，到那时AI家教才可能真正追平布卢姆研究里的效果。

不给答案，是整个产品的命门

Khanmigo和直接问ChatGPT的区别，核心就一条：苏格拉底式引导，绝不直接报答案。这条命门决定了模型选择。GPT-3.5被叮嘱别给答案，转头就给；GPT-4能老老实实守住指令。所以在辅导场景里换掉GPT-4，基本不可谈。整个系统至今绝大部分调用是GPT-4，只有给老师提取对话洞察、抽取学生兴趣这类外围任务用便宜的GPT-3.5，兴趣抽取还要学生主动授权，目前尚未上线。

常规微调他们没做（当时GPT-4也不开放），但发布前OpenAI开放了内部工具，让他们参与模型的强化学习：CEO萨尔·可汗和内容团队亲自上场，围绕大约100道题标注什么是好回答、什么是坏回答，每道题下面还有大量变体。要治的一个典型毛病是“对话中迷路”：AI问学生“你觉得下一步是什么”，学生回了个方程，AI没认出这是回答，反而接一句“你给了我一个方程，我们来解它”，自说自话跑偏。这批标注显著改善了辅导质量。Shawn解释了模型为何会写代码却算错数学：GitHub上有几百万行优秀代码可学，网上却几乎没有“好辅导长什么样”的数据，只能亲手喂。

数学准确性另有一招：思维链提示。系统先判断这条消息是不是数学题，如果是，先让模型把推理过程写出来，分析学生错在哪、为什么错，这段像导师答题前的内心独白，不给学生看，再喂给下一次调用去生成辅导话术。效果显著，但烧钱，所以只用在数学这类对准确性要求高的场景。Shawn说，要不是成本，他恨不得每条回复都先来一遍内心独白。

成本上还有个工程细节：他们用OpenAI专属实例，官方建议把所有用户相同的文本尽量放在提示词开头，个性化变量放末尾，这样能吃满缓存。照做之后，实例的缓存命中率明显上升。对话标注最初靠一张自建Google表格顶着，如今正换专业工具；代码也在重写接入LangChain，为的是随时换模型、稳定输出JSON；还给提示词工程师做了内部界面，下一步加回归测试。外围功能能省则省：用户每天有20万token额度，产品里叫AI power，很多人问AI“AI power是什么”，它自己答不上来，团队于是建了个向量知识库，问题相似度超过阈值就把答案注入提示词。更早的“相关链接”功能反而翻了车，学生问代数二的问题，被甩去MCAT备考课程，只好暂时下线。另有一个活动允许学生直接丢来任意数学题，因为没有标准答案可注入，准确率低一截，团队在考虑先用Wolfram或Python后端算出结果再喂进对话。

主持人Nathan补了个自己的观察：最烧脑的分析任务他用GPT-4，写作场景换成了Claude 2，给几个自己写过的样稿加当天文稿，出来的起点比GPT-4更贴他的文风。同一个产品里按任务混用模型，2023年已经是成熟做法。

每条消息都要过筛子：安全与决策框架

面向未成年人的产品，安全是生死线。可汗学院的做法分几层：每条用户消息先过OpenAI的内容审核API，识别涉性、暴力等风险；用户消息末尾被包裹上一段系统指令，反复提醒模型检查用户是否在正轨上。Nathan现场试了当时流传的通用越狱手法，包括那个从LLaMA 2上开发、据称能迁移到GPT-4的攻击，都没打穿。

透明度也做在明面上：界面底部常驻一行字“Khanmigo有时会犯错，点这里看原因”，链到帮助文档；所有对话日志对老师和家长开放。产品以"Khan Labs"实验性功能的名义发布，明说这是陪跑测试。

决策方法上，Shawn分享了一个源自亚马逊的内部框架：单向门决策慢下来用数据算，双向门决策快走靠直觉。把后端从Python单体迁到Go微服务是单向门，他们算了几个月的生产力与成本账；Khanmigo开放给所有学生是双向门，效果不好随时关。他们还刻意区分“数据知情”和“数据驱动”：早期迭代靠专家直觉缩短反馈回路，数据用来标注和监控每一次对话的质量。打法参考了《Creative Selection》那本讲iPhone研发的书，跨职能专家关进一个房间，做原型、演示、收反馈、迭代。Nathan举了反例：前不久那场“GPT-4变笨了”的争论，最后证明是对聚合基准的误读，读原始对话记录就能避坑。

9美元一个月，先卖给最缺它的学区

Khanmigo现在没法免费，但Nathan自己的接入方式是每月9美元的捐赠，不到ChatGPT Plus价格的一半。学校端按学生按月收费。这里有个少见的取舍：作为非营利组织，他们不追着有钱学区跑，专门挑免费和减价午餐比例高的学区，也就是历史上资源最匮乏的学生集中的地方。学区付不起，就找当地企业赞助，堪萨斯的公司赞助堪萨斯的孩子。他们还在琢磨一个阶梯会员制：愿意多付的用户，帮付不起的学生买单。

老师端的反应出乎很多人预料。团队原本担心老师把AI当成抢饭碗的对手，实际收到的反馈是省了大量时间。逻辑很简单：过去老师做一对一辅导时，后面举着10只手；现在大部分问题Khanmigo接了，举手的只剩2只，老师终于有时间去做项目式教学。另一个意外的爆点是语言：英语非母语的学生可以用自己的母语和Khanmigo对话，这一条就帮到了大批孩子。

效果验证走的是硬路子。可汗学院多年前和测评机构NWEA合作过MAP Growth测试，学生每季度考一次，用可汗学院补差的实验组拿到了统计显著的成绩提升。下一步是如法炮制：一组只用可汗学院内容，一组加上Khanmigo，对比MAP Growth的增益。用标准化考试验证AI家教的效果，Shawn称之为圣杯，但他们离这一步还有段路。

十年之约，和明天就能用的五条

现在的Khanmigo，个性化程度其实很浅：能调阅读风格（简单、复杂、教授腔），知道学生当前这道题的掌握状态，仅此而已。有个学生反馈过一件哭笑不得的事：她刚跟AI聊完正弦函数，切到正切，AI又问她“你了解正弦吗”，她说十分钟前刚告诉过你。技术上每次换题就开新对话，用户却期待一段连续的师生关系，这个连续性在路线图上。Shawn的十年预测说得相当具体：

十年后，我认为不会再有孩子在缺少一个随叫随到的私人导师的情况下学习。这个导师随时在线，了解孩子全部的学习历史；如果孩子授权，还了解他的兴趣，这样就能更好地激励他。出一道基于复仇者联盟或者足球的题，比一道干巴巴的通用题有动力得多。

路线图上还有几块：语音合成优先级排得很靠前，因为存在大量阅读能力落后几个年级的学生，七年级学生的阅读理解可能只有五年级甚至二年级水平，纯文字对话对这类孩子太吃力，语音还能做成可解锁的奖励机制；视觉方向，手机拍作业逐步讲解、在屏幕上手写演算时AI发现学生快要犯错，先问一句“你为什么这么做”；再往后是多用户场景，AI发现5个孩子卡在同一个概念、10个卡在另一个，建议老师分组，或者全班轮流接龙写一个AI协作故事，类似填词游戏Mad Libs的AI版。Shawn有个程序员式的总结：他2017年加入时以为软件已经能帮学生找知识漏洞，实际上当时最高效的找法也就相当于O(log N)的二分查找。萨尔·可汗当年录视频，让全世界每个人都能拥有同一个老师，抹平了一层不平等；Khanmigo想抹平的下一层，是每人一个懂学生全部历史的导师。

这些经验明天就能用：

• 做AI产品，先把“魔法时刻”找出来，再算成本账。可汗学院的原则是让10个人爱死一个产品，好过给1万个人做平庸的东西。先用最强模型把体验立住，再逐步换便宜模型。
• 给决策分门。可逆的双向门决策快走靠直觉，不可逆的单向门决策停下来算数据。大多数日常迭代都是双向门。
• 数据知情，别数据驱动。评估AI表现先读原始对话记录，再看聚合指标，“GPT-4变笨”式的误判大多来自只看分数。
• 把领域专家拉进房间。用约100道题的好坏标注换来辅导质量，比等长周期A/B测试快得多。
• 家长和老师可以把AI当家教助手用起来：让孩子用母语问AI、让AI出带兴趣标签的练习题、把“为什么要学这个”交给AI回答，举手的数量真的会变少。

Shawn在访谈结尾被问到这项技术最终能改变什么，他说自己起了鸡皮疙瘩。答案要靠效果研究说话，他的原话是：等不及看那些研究，因为它们会证明这东西真的能帮到学生。