[EP34] 赵晗博|SaaS 老兵重构 AI 记忆力，打造可演化的教育 AI 大脑
教育AI智造者
2025/05/10
[EP34] 赵晗博|SaaS 老兵重构 AI 记忆力，打造可演化的教育 AI 大脑
[EP34] 赵晗博|SaaS 老兵重构 AI 记忆力，打造可演化的教育 AI 大脑
教育AI智造者
2025/05/10
大家好，欢迎收听《教育 AI 智造者》。
这一集的嘉宾是 MemoBase 的联合创始人赵晗博 —— 一位让我极为钦佩的创业者。他曾在欧洲连续打造多家 SaaS 产品，也见证了从 0 到数亿的增长。而他现在投身的，是一个看似 “冷门” 但在我看来极可能改变教育 AI 格局的命题：让 AI 真正拥有 “长期记忆”。
我们聊到：
- 大模型并不 “记得” 你，但教育需要这种记得
- 为什么传统推荐系统的标签逻辑，不适用于人类学习
- 如何用结构化 JSON 存储 AI 的长期记忆，并支持上下文推理
- 什么信息 “值得被记住”？谁来决定？（人？规则？模型？）
我扮演了一回 “产品经理” 的角色，把教育理论和用户心理模型都搬上来和他 “过招” 脑暴 —— 认知主义的长期记忆、Spacing Learning、心理感知（perception）等等。
最打动我的是一个细节：他们在产品设计时，不是让人类写死规则，而是让模型自己判断 —— 什么信息值不值得写进用户记忆。这不只是技术问题，而是一个真正理解 “人” 的过程。
你也会听到我们延伸讨论到：
- 教育应用中的信息过载 vs. 压缩
- 多角色记忆协同：老师 + 学生 + 家长
- 教师间的教学知识如何结构化传承
- “教育产品不能仅做推荐系统” 的底层逻辑
我越来越确信，如果 AI 未来真的要做教育，它不能只是会 “说”，它得 “记得住” 人，也得 “被人信”。
希望这集内容，能帮你重新思考什么才是真正有用、可持续的 AI 教育系统。如果你是开发者、研究者，或老师，我建议你听完这一集后：
- 思考你的 AI 产品是否有结构化的用户画像机制？
- 是否具备动态更新认知模型的能力？
- 是否有 “memory governance” 来优化推理效率？
🗂 内容大纲
开场介绍
- 本集嘉宾：MemoBase 联合创始人赵晗博
- 从推荐算法到 AI 记忆系统的跃迁
- 主持人以 “产品经理” 身份深入拆解教育 AI 的长期记忆可能性
💡 大模型可以推理，但它记不住你
- 为什么当前大语言模型缺乏 “记忆感” 与 “连续性”
- 推荐系统的协同过滤 vs. ChatGPT 的语义表达
- 教育场景的痛点不是推理能力，而是缺乏个体认知延续
🧱 什么是结构化记忆？
- Markdown 和 JSON：是格式更是注意力指令
- 大模型的注意力机制如何被格式语言 “暗示”
- 如何通过结构化信息提升 AI 在教育场景的稳定表现
🧠 教育心理学中的长期记忆理论
- 认知主义视角：信息组织与记忆检索才是 “学会了” 的关键
- 教育学中的 Long-Term Memory ≈ AI 系统中的 Persistent Memory
- 从间隔学习（Spaced Learning）到 “信息价值排序” 的类比分析
🛠️ MemoBase 是如何实现 “可被调用的记忆” 的？
- Time-aware Memory：每条交互自动打上时间戳
- 用户画像 + 行为标签：支持动态演化
- Memory Governance：让 AI “知道” 该看哪里、忽略哪里
✨ 教育记忆 = 功能价值 + 情绪价值
- 情绪价值来自被理解的感觉：“你真的记得我”
- 功能价值来自能辅助教学的推理基础
- 记忆系统是建立 “AI 信任关系” 的关键载体
🧩 如何捕捉 “学生的心理模型”？
- Perception 是关键：AI 不仅要知道学生看了什么，还要理解学生 “怎么看”
- 主观 vs. 客观的心理模型建构
- AI 建构认知过渡层：从知识图谱 → 用户画像 → 表达匹配
📈 结构可以更新，记忆也该进化
- 静态 vs. 动态画像：如何构建 “成长型用户模型”
- 事件驱动、人工触发、模型自动判断三种触发逻辑
- 用 Jason 格式灵活存储 → 提供模型召回入口
🧑🏫 多角色协同：学生、老师、家长如何共享 AI 记忆？
- 教育不是孤岛式互动，而是角色协同系统
- 家长 / 老师可以为学生 “补档案”，强化模型对用户的理解
- 教育 AI 的 “使用者” 不仅是学生，还有支持者
🔺 三角模型：重新理解教育知识结构
- 正三角：通用知识 / 团队知识 / 个体知识
- 倒三角：知识库规模的反向映射
- 用户记忆是小而精、却需要高度定制的存储层
📚 教师知识的传承机制也需要 “记忆”
- 新加坡教师协作模型案例：教学法老师如何协助一线教师
- 美国教育平台如何让老师间共享教学输出
- 教育 AI 不仅服务学生，也能增强教师团队之间的知识复用与透明协作
🎯 教育产品该记住什么？又该忘掉什么？
- 不是所有内容都值得被 “记住”
- 技术实现简单，难的是教育归因与记忆选择
- 教育产品开发者必须理解教学目标与认知阶段的动态匹配
🧠 结语：教育 AI 的未来，是 “有判断力的记忆系统”
- 真正有效的个性化，不是只靠算法，而是人 + AI 共同定义的注意力机制
- 让记忆成为教育 AI 的 “底盘”，而不是花哨功能
- 希望教育者、研究者、开发者一起推动记忆驱动的 AI 学习系统建设
需要详细文字稿的听众们可以关注微信公众号，爱思考的伊伊子，输入 “播客 EP34"，即可获得。
---------------- 近期伊伊子想做的一些事情 -----------------
最近，随着大家对 AI 与教育的热情逐渐高涨，越来越多的朋友开始打造属于自己的 AI 教育工具。我也在小红书上分享了三个基于 AI 辅助编程、从零开始制作的教学工具，包括：作文批改 “神器”、历史可视化以及数学公式可视化师生端等，大家都反馈非常好。
随后，我也逐渐在小红书开启了直播，手把手展示如何与 AI 一起头脑风暴并完成相关的编程。许多观众向我反馈，认为这是一个从 “不了解” 到 “掌握” 的清晰过程，帮助他们一步步地解构并去神秘化教育 AI 产品的研发，也让他们感受到 “自己做得到”。
接下来，会开始做专题圆桌讨论，内容涵盖如何开发相关产品、国内外的产品对比分析，以及关于产品增长、推广和商业化的头脑风暴。如果你对此感兴趣，可以添加微信 (yiyizihere)；我也会在群里更新讨论时间和内容。此外，欢迎加入我的小红书海外 AI 讨论群，期待与你们进行思维上的碰撞!
----------------------- 关于伊伊子 ----------------------
伊伊子专门为老师和 AI 创业者打造的 20 种教学场景指令
伊伊子的小红书传送门
---------------------- 关于听友群 -----------------------
如果您对 AI 和教育的融合充满兴趣，欢迎填写我们的听友群入群申请问卷！🎧点击链接，或扫码，与更多志同道合的伙伴一起交流最新的行业动态、分享学习经验，并共同探讨 AI 如何重塑教育的未来。期待在听友群中与您相遇，共同成长！😊
请大家在填写微信联系方式时，务必确认拼写是否完整和正确。我们遇见过好几次微信 ID 无法识别的情况~ 谢谢大家！
-------------------- 相关词介绍 -------------------
1. 结构化记忆（Structured Memory）
通过标准格式（如 JSON、Markdown）组织信息，使 AI 能理解数据的逻辑结构。它不仅提升了信息处理效率，也让 AI 具备类似 “关注重点” 的能力，在教育场景中可用于构建可调、可追踪的用户模型。
2. 用户画像（User Profile）
个体在 AI 系统中的数字建模，包括认知偏好、学习风格、兴趣倾向与行为轨迹。结构化用户画像可支持教学个性化，动态更新的画像能帮助 AI 适应学生的成长与变化。
3. 时间感知记忆（Time-aware Memory）
AI 系统自动为记录打上时间戳，使其具备 “记得什么时候发生了什么” 的能力。这对于间隔复习、学习节奏调控和教育干预时机的识别至关重要。
4. 间隔学习（Spaced Learning）
源自艾宾浩斯遗忘曲线理论，强调 “重复但分散” 的学习策略比集中复习更有效。若 AI 具备时间感知能力，能更智能地安排教学复现，提升长期记忆效果。
5. 感知建模（Perception Modeling）
不仅记录 “用户看了什么”，更关注 “用户如何理解”。AI 需识别并适应学生对内容的主观解读，是构建符合其心智模型的教学内容的前提。
6. 认知主义学习理论（Cognitivism）
教育心理学三大核心理论之一，强调信息的组织、编码与提取。认为有效学习依赖于学习者已有的知识结构，与 AI 记忆系统的 “上下文依赖” 高度相似。
7. 长期记忆（Long-term Memory, LTM）
人类记忆系统中保存时间最长的信息层级。教育学中认为，学习的真正指标不是短暂记住，而是能在未来使用中表现出行为或理解的改变。AI 模拟长期记忆，是实现深度个性化的关键。
8. 记忆治理（Memory Governance）
指对 AI 记忆系统中信息的优先级、来源可信度、生命周期等进行管理与调控的机制。类似人类 “注意力分配”，用于减少 token 浪费、提升推理准确率。
9. 压缩 vs. 召回（Compression vs. Retrieval）
压缩：筛选高信息密度内容，节约 token 成本。召回：在大语料中查找相关信息片段供 AI 调用。MemoBase 主张用压缩 + 结构化记忆替代传统 RAG 型大检索，以提升性能和速度。
10. 教学归因（Teaching Attribution）
衡量某种教学法或老师行为是否真正引起学习结果变化的机制。是将 “教学行为” 与 “学生成果” 建立因果关联的研究重点，对构建可评估的 AI 教学系统至关重要。
11. 动态用户模型（Evolving User Model）
与静态建模不同，动态模型支持实时更新用户画像，记录其认知演化与行为反馈，适应学生的成长轨迹与阶段性差异。可支持更精细化的教学推荐与干预。
12. 认知过渡层（Representation Bridge）
AI 在知识图谱与用户心理模型之间生成的中介表达，旨在将抽象知识以用户可理解的方式表达，是生成 “可理解解释” 内容的重要机制。
13. 注意力机制（Attention Mechanism）
深度学习中的关键机制，决定模型应聚焦输入中的哪些部分。教育类 AI 系统通过 “结构化输入” 或 “提示词策略” 引导模型关注重要教学信息，提升响应相关性。
14. 教学法一致性（Pedagogical Alignment）
教育 AI 产品需确保其输出内容与教学目标、课程大纲、学习阶段一致。缺乏教学法一致性，即使功能强大也难以落地于实际课堂。
15. 双三角模型（Knowledge Pyramid）
赵晗博提出的知识层级结构：正三角为通用知识 > 组织知识 > 个体知识；倒三角为知识库数量与粒度的反比分布。帮助产品团队理解记忆系统设计的层次与扩展性。
16. 生成式教学表达（Generative Pedagogy Expression）
AI 根据学生画像生成定制化讲解、练习或反馈的方式。需同时考虑教学目标、学生理解路径与表达风格，融合语言生成与教学设计。
17. 教学协同画像（Collaborative Profile Mapping）
在学生画像构建中，引入老师、家长等多方输入，以丰富信息维度与理解深度。使 AI 能够更完整地感知学生在不同环境下的学习状态与反馈。
18. 默认配置偏差（Default Configuration Bias）
用户习惯使用系统默认设定，极少修改设置。这意味着 AI 系统初始画像、提示词模板等默认选项，对用户体验与学习轨迹影响巨大。
19. 教育产品的可解释性（Interpretability in EdTech）
教育 AI 输出的内容或决策路径需对学生与教师可理解、可审查。是保障 AI 产品信任度、可落地性与教学伦理合规的前提。
20. 个性化教育的边界（Limits of Personalization）
个性化并非无限细分，每位学生的学习路径既需基于数据，也需结合教学共性与教师判断。教育 AI 的价值不在 “千人千面” 本身，而在找到 “共性中可变的最小单元”。
