每门学科一位虚拟老师，而且记得住每个学生

适用场景

智能体能做什么，你早就清楚，因为你自己在用。问题不在能力，而在于市面上现成的两种形态，放到教学里都不合适。

通用助手的无状态是设计使然。它把眼前这道题解得漂亮，却对提问的这个学生毫无看法。教学恰恰相反：价值几乎全在跨会话沉淀下来的东西——这个学生一赶时间就跳步骤，三周前在分数上沉默过，之后再没回来补。

跑在自己机器上的自主智能体有记忆，但带来两个麻烦。首先是成本，它撑不过学校这一关：一个学生一台虚拟机，乘一千个学生，再乘每一所学校，这笔账最后落到家长头上，没人会认。其次，它最强的那项能力——操控电脑、执行命令——在教室里是风险，不是功能。给一个十二岁的孩子讲分数，没有一个环节需要 shell 权限。

教学真正需要的东西更窄，也更难：读懂学生理解到哪儿，记住他薄弱在哪儿，然后回过头来把它补上。这是一个记忆与检索的问题。

它是怎么搭起来的

四个决定撑起了整个设计。

一门学科一个空间。 不是文件夹，是隔离边界。会话、上传的文件、记忆、抽取出的实体，以及老师对学生的判断，都带着 (学生, 学科) 这对键，并由数据库的行级安全强制执行。英语老师检索上下文时，数学的材料不是事后被过滤掉的——它压根没进过结果集。

一门学科一位老师。 每位老师都是一个独立智能体，有自己的人设、自己的边界、自己挂载的知识库。学校的教学大纲、教案和例题解析，放在全校共享的租户级知识库里。

每个学生一个私有知识库。 与学校那份分开。拍下来的错题、批改过的作业、反复做错的题目——学生自己上传、按知识点打标签，也只为他自己检索。用该学生自己的密钥加密。他可以删除，这一点在这个行业比在别处都更要紧。

每位老师对每个学生各有一份画像。 这是通用助手里完全没有对应物的一块。数学老师积累它对这个学生的判断，英语老师积累另一份。就像真实学校里那样，每位老师都是透过自己那门课来认识一个孩子的。

画像影响的是怎么教——哪里该放慢，什么时候要先肯定再纠正。它被刻意限制为不能改写老师可以说什么。学生不可能靠一学期的软磨硬泡，把老师聊成另一个人：画像层对老师的身份和安全边界没有任何权限。

让编码智能体来搭，而不是后台点选

学校没有平台管理员，你的教研团队也不该被逼成一个。

整个配置面都通过 MCP 暴露出来。团队可以把 Claude Code——或者他们本来就在用的任意 MCP 客户端——接到平台上，用自然语言把这所学校描述一遍。它会建好各科老师，把大纲文档转成知识库，验证某个问题是不是真能检索到对的材料，然后把做过的事汇报给你。

材料才是真正的工作，录入不是。

两次上课之间它在做什么

助手和老师的区别，很大程度上在于没人在场的时候发生了什么。

计划跟进是真正的后台任务：持久化在数据库里，由一个能扛住重启的轮询器接管，通过 Telegram、WhatsApp 或邮件送达。学生不需要打开任何东西，就会被提醒分数该再过一遍了。

每一位学科老师都可以住进学生常用的即时通讯软件里，复习提醒直接落到他本来就在的地方。

这个平台不做什么

值得把话说明白，因为正是这些缺口让这套设计负担得起。

没有 computer use。 老师读、检索、记忆、书写，它不会驱动浏览器，也不会执行命令。在这个场景里，这是一次刻意的减法。

没有评测引擎。 发音打分、阅读分级测量这类专业活儿，属于为它们而生的工具，通过 MCP 接进来作为老师可以调用的技能。语音会被转写成文本，文本是对话的正确输入，却是发音打分的错误输入——等一个读错的音以文本形式到达模型时，转写器通常已经顺手把它改对了。

没有会话中途拉回。 老师的边界写在它的指令里，并在整段对话中持续生效；不存在另一个旁观者在学生跑题时把他打断。要把学生带回来，靠的是老师被要求怎么做，以及复习计划本身。

因为学生是孩子

用户是未成年人，由此引出两件事，它们塑造了产品的构造，而不只是点缀。

上面讲的隔离，就是合规叙事本身：学生的对话和文件用他自己的密钥加密，限定在他自己的空间里，并且可以由他本人删除。删除自己数据的权利，不是一个可以以后再补的功能。

第二件事是，学生是你这辈子会遇到的最具对抗性的用户群体。总有人试图把老师诱导成说出不该说的话，而成功的那一个会告诉全班。平台过滤的是智能体说出来的内容，而不是学生问了什么——生成的文本在到达屏幕之前逐句检查，一条转向有害的回复会在半途被拦下，而不是等人读完再撤回。你自己设定的边界仍需自行复核；这一层是下限，不是上限。