AI教育公司银河智学邓澍军：大模型能解题，却答不出学生为什么不会

邓澍军的核心判断是：大模型能够迅速生成解题步骤，却未必能回答学生为什么不会。当通用模型成为基础设施，教育AI真正的分水岭在于能否深入学习过程——理解学科逻辑、识别个体认知差异，并将技术转化为真实课堂中可验证的学习效果。这个判断指向一个具体的架构问题：通用大模型在面对严谨的学科逻辑时仍可能出现幻觉，而仅靠语言交互无法稳定追踪每个学生的知识掌握状态。

银河智学给出的方案是双核架构。通用大模型（豆包）负责语言理解、内容生成和基础推理，团队围绕教育场景做了专项调优：解题思维链构建、苏格拉底式启发对齐、基于长期记忆的Agent能力开发。模型在解题关键步骤处暂停并抛出启发性问题，引导学生逐步理解知识、发现思维盲点。自研智能学习引擎则基于学习科学与认知测量分析，融合深度知识追踪（DKT）、项目反应理论（IRT）、认知诊断模型（CDM）和知识空间理论（KST），通过分析学生的作答、提问和订正记录，判断已掌握哪些知识、当前薄弱环节在哪里、下一步适合学什么内容。邓澍军将两者的关系概括为：前者要引导得好，后者要算得准。

这种分工的功能逻辑是：学习引导需要语言模型在对话中动态调整提问策略，在适当环节暂停并提出启发性问题；学情诊断则需要统计模型对学生知识状态进行持续追踪和概率推断，为学习难度匹配和后续任务规划提供依据。两者形成互补，再通过Agent能力衔接成闭环：学情诊断的输出决定下一步任务安排，大模型决定如何讲解和追问。在此基础上，银河智学进一步将Agent能力延伸至学生端的学习规划和教师端的教学支持。

在产品层面，这种架构体现为具体的交互设计。以圆柱体体积为例，学生可能误以为底面半径翻倍时体积也只翻倍。系统不直接给出答案，而是通过滑杆让学生观察半径变化对体积的影响，AI则围绕体积公式和底面积变化逐层追问，引导学生自主推导。随着理解加深，系统撤去辅助，通过独立作答和变式练习检验迁移能力。在难度匹配上，团队将深度知识追踪与最近发展区理论结合，选择预测答对概率约为70%到80%的题目，让学生通过努力获得进步，逐步建立信心。

需要指出的是，上述技术架构和效果描述均来自公司演讲和披露，尚无独立验证的学习成果数据。产品累计服务超过500所学校、覆盖24个省级行政区的数字也是公司自报。双核架构的设计逻辑——将认知测量与语言引导分离——在技术上是可检查的，但其实际效果是否优于单一模型方案，仍需要对照实验来回答。