2024 – 至今 · 智慧课程平台产品负责人 统筹 ~10 人研发 + 3 人内容团队

两周独立做出首个可运行原型促成百万级签约,从 200 人试点走到 4000 名学生正式使用

01 / 一句话结果(EXECUTIVE SUMMARY)
  • 签约 在老产品无法满足需求时,2 周独立做出首个可运行原型作为方案核心,促成西安交通大学、杭州电子科技大学百万级标杆签约。
  • 架构 主导「动静分离 + DAG 合规工作流 + 有限状态机异常降级」三大架构机制,解决规模化算力成本、高校内容合规与课堂防断联三大约束。
  • 落地 杭电试点(10 名教师、200 名学生)后揪出“完成率高但自主意愿仅约三成”的真问题;2026 年 11 月扩至 1 门课程、40 名教师、4000 名学生正式使用。

02 / 问题:老产品打不穿标杆高校的新需求,而传统产研排期远水救不了近火

2024 年起,西安交通大学、杭州电子科技大学等标杆院校对新一代 AI 智慧课程与数字人口语训练提出明确诉求。当时的现场面临双重卡点:

  • 业务卡点:现有标准化产品形态无法满足标杆校对“数字人伴学 + 实时情景对话口语训练 + 配套 AIGC 课程生产”的需求;
  • 验证卡点:此前团队不具备在短时间内抽调多工种做出完整 AI 原型的条件,而面对高校采购决策人,仅靠静态 PPT 或 Figma 线框图无法证明大模型实时语音交互与数字人陪练的真实教学效果。

03 / 判断:第一天就必须跑通真实软件,且试点不能被“高完成率”的虚荣指标欺骗

作为由产品总监正式指派的智慧课程平台产品负责人,我在立项与试点两个关键阶段做出了决定产品走向的核心判断:

判断一(原型即产品):必须用 Vibe Coding 替代传统 Figma 画图,由我一人直接构建覆盖“产品架构 + 交互功能 + 样板课程内容 + 内容制作工具”的可运行原型;且在架构第一天就把 4000 人规模化后的算力账算平。
判断二(穿透数据假象):在杭电 10 名教师、200 名学生试点结束后,后台显示作业完成率很高。但我没有停留在表层报喜,而是整合后台训练数据(得分、每项训练用时、重复练习次数)+ 学生问卷 + 教师座谈会 + 团队现场陪课观察进行四维交叉验证——发现高完成率是因为计入平时成绩,学生自主打开意愿仅约三成;但同时发现反复练习的学生成绩显著提升(有学生从 50 分提升至 90 分)。

这一交叉判断直接锁定了真问题:训练方法是有效的(练了真能提分),真正的瓶颈在于传统长慕课的交互摩擦与注意力疲劳。

04 / 做法:脚手架渐进训练 + 三大 AI 架构机制 + AIGC 内容生产线

1. 产品定义:与一线教师共创「脚手架式渐进训练」

平台的功能、形态与方向由我提出,与 CEO、产品总监共同决策。核心教学闭环设计为层层递进的脚手架:微课 → 单词 → 测验 → 开口反复练 → 带提示的句子练习 → 数字人情景对话(练习模式 → 实战模式),让学生从不敢开口自然过渡到能在真实情景下无障碍表达。

2. AI 架构设计:主导方案调研、选型与工程落地

为了让产品在高校真实课堂里“算得过账、管得住内容、掉不了链子”,我主导设计并推进落地了三套核心架构机制(点击下方按钮可交互切换查看节点流向):

INTERACTIVE ARCHITECTURE · AI 课程平台核心工程权衡

把成本、合规与课堂稳定性设计进架构第一天

商业约束 01 · 规模化算力成本可控

让 4000 名学生都用得起:如果每次口语陪练都实时渲染数字人视频流,GPU 算力成本将随学生规模线性爆表。必须把高频固定教学节点与自由对话解耦。

商业约束 02 · 课堂内容 100% 合规可控

高校教学零容错底线:走进严肃课堂的微课、单词、测验与数字人剧本绝不能允许大模型自由幻觉。必须用 DAG(有向无环图)管线分步生成并卡住人工复核关口。

商业约束 03 · 课堂交互绝不中断

真实教室弱网与大模型超时防御:40 名教师、4000 名学生日常使用中,一旦大模型 API 超时或网络抖动,不能让画面卡死白屏,必须毫秒级平滑降级。

OFFLINE PIPELINE · 离线内容生产与静态预置层 0 实时 GPU 渲染损耗
DAG STEP 1-3
教学大纲 → 脚手架剧本生成
微课 / 单词 / 测验 / 句型模板
→
HUMAN-IN-THE-LOOP
教研/内容团队人工复核
锁定合规台词 · 100% 消除幻觉
→
STATIC ASSET · CDN
高频数字人音视频离线预生成
标准示范与固定引导直接走静态缓存
RUNTIME ENGINE · 课堂实时交互与有限状态机(FSM)层 按需推理 · 自动降级
CLIENT · 渐进训练
学生开口跟读 / 情景实战对话
练习模式(带提示)→ 实战模式
→
DYNAMIC LLM · 实时推理
仅核心自由对话调用大模型
大幅削减单次训练 Token 与算力开销
⇄
FSM FALLBACK · 状态机守卫
超时 / 异常自动降级预设话术
API 延迟越界时无缝切回本地状态节点

3. 迭代方向与 AIGC 内容生产线组建

基于试点抓出的“三成自主意愿”真问题,我主导拆解并推进下一阶段三大方向:

  • 消除使用摩擦:协同约 10 人研发团队解决并发、首包延迟与异常恢复体验;
  • 短剧式微训练改造(推进中):针对当代大学生习惯“三分钟一集短剧”、看不下二十多分钟传统慕课的注意力特征,把长情景训练改造成数分钟一段的短剧式微训练再串联,砍平层层菜单、打开即练;
  • 从零搭建 AIGC 内容生产线:主导开发内部课程内容制作工具(部分课程以 AI 短剧形式呈现),从零招聘并日常管理 3 人内容制作团队,把工具链沉淀为可持续交付的内容产能。

05 / 结果:百万级标杆签约,40 名教师与 4000 名学生正式运行

维度 真实交付结果
原型构建速度 2 周一人独立完成首个覆盖平台、内容与制作工具的可运行原型
商业转化 以可运行原型作为方案核心,促成西安交通大学、杭州电子科技大学百万级签约
规模化落地 杭电从 10 师 / 200 生试点,于 2026 年 11 月扩至 1 门课程、40 名教师、4000 名学生正式使用;11 月底起随销售团队在全国推广试用
学习效果实证 后台数据证实高频重复练习的学生口语得分显著跃升(典型样本从 50 分提升至 90 分)

06 / 复盘:如果重做一次,我会把哪一步提前?

如果重新走一遍从 0 到 4000 人的过程,我会把「陪课观察与埋点颗粒度设计」提前到原型交付的第一天,而不是等 200 人试点周期走完再做全量交叉盘点。

在 B2B 教育或企业软件里,“因为行政命令/计入考核而产生的完成率”是最容易掩盖产品真实体验缺陷的烟雾弹。越早区分「制度强制带来的留存」与「产品体验驱动的自主打开」,就能越早砍掉传统的慕课层级外壳,把算力与交互精力 100% 集中到“打开即练的 3 分钟核心闭环”上。