鱼皮AI导航
鱼皮AI导航
  • 主页
  • 社区
  • AI工具
  • AI知识库
  • AI提示词
  • MCP
  • Skills
  • AI学习资源
  • AI资讯
  • GitHub开源
登录/注册

与爱为舞亮相腾讯云AI产业应用大会,联合创始人王琳:打造下一代学习Agent

编程导航
编程导航
2026-06-09 12:30
阅读 175
编程导航
2026-06-09 12:30
阅读 175

【TechWeb】6月9日消息,2026腾讯云AI产业应用大会在北京举办。作为腾讯云深度合作伙伴,与爱为舞联合创始人、技术负责人王琳受邀登台,带来《从模型能力到智能闭环:爱学大模型及学习Agent的探索与实践》主题演讲,分享与爱为舞打造教育垂类大模型、爱学AI学习智能体的技术路径与落地成果。

与爱为舞联合创始人、技术负责人王琳

北京与爱为舞科技有限公司成立于2023年5月,致力于通过人工智能技术打造全新的AI学习智能体新范式。全面提升人才培养效果、培养规模的同时,显著降低培养成本。公司总部位于北京,并在上海建立研发中心。

重塑教学逻辑:从“单纯讲题”到“启发思考”

在现场分享中,王琳表示:“真正有效的教学,核心是关键点的启发,通过问题设计引导学习者自主思考,并辅以‘最小助力’,才能真正培养独立思考、解决问题的能力。”

基于对教学场景的深度理解,与爱为舞将教学流程拆解为可量化、可迭代的“互动树”,围绕教学目标、知识点设计多元化互动形式。该模式落地到产品后,形成了爱学APP短时高频互动的课堂形态,平均互动频次超40次/小时。每一次互动都会被完整记录,持续沉淀真实数据,成为数据飞轮运转的核心入口。

用户可通过点选、拖拽、PK赛、连线等多元化形式互动

构筑核心壁垒:双飞轮协同驱动系统迭代

解决了“讲好一堂课”的问题,教育AI还面临着更深层的挑战:如何像资深教师一样,精准提问、有效引导、判断学生能力是否真的提升?王琳表示,一个好的教育AI必须兼备教研能力、评估体系与数据工程能力,才能持续提升教学质量。对此,与爱为舞搭建离线、在线两大数据飞轮,形成难以复刻的核心壁垒。

离线飞轮依托百万小时的名师授课数据,让教学系统的样本优化、测评分析等脚手架(Harness)与模型(Model)训练相互咬合,沉淀教学方法论。目前,爱学AI学习智能体生成的题目讲解采纳率已超90%。在线飞轮则基于海量真实互动数据,打造可观测、可评估、可持续迭代的大模型自我认知架构,在爱学的回答针对性、表达简洁度、模型迭代效率等方面均实现有效提升。

通过建设“教学Skill引擎”,离线与在线飞轮得以协同运转,形成教研成果落地课堂、课堂数据反哺教研的完整闭环。王琳总结道:“真正的壁垒,从来不是某一个模型,而是一台停不下来的数据飞轮,和基于此持续进化的智能系统。”

深度协同共建:腾讯云“算力底座+实时互动”双引擎助力教育大模型应用

据介绍,与爱为舞的技术突破背后,离不开与腾讯云的深度协同。双方围绕“算力底座”与“实时互动”两大核心方向展开联合共建,为爱学大模型的训练推理及大规模并发实时互动提供了坚实的工程支撑。

在算力底座方面,与爱为舞与腾讯云团队深度协作,对爱学大模型的推理性能进行联合优化,推理性能实现3至4倍提升;在实时互动方面,与爱为舞基于腾讯云TRTC构建直播系统,支撑爱学APP高密度、高频次的实时互动课堂,为教育AI的大规模普及铺就基础设施。

腾讯云与与爱为舞的合作形成了“技术共研、难题共克、成果共享”的深度协同模式。双方技术团队在关键节点并肩作战、联合攻坚,共同推动教育大模型从实验室走向产业落地。

技术路线升级:学习Agent的“进化之路”

区别于通用AI产品,爱学AI学习智能体的技术路径会实现三阶段的能力跃迁。

第一阶段是从对话机器人模型(Model-as-a-Chatbot)进化为工具型模型(Model-with-Tools),融合全模态输入能力,从“回答问题”转向具备Agentic行动能力。

第二阶段,是进化为具备记忆与反思能力的完整教学Agent,具有短期课堂知识点、中期跨学科薄弱点、长期知识图谱三层记忆架构,深度理解每位学习者的不同学习状态。

第三阶段则是面向长期效果的自主教学系统的进化,不再局限于开口率、对错率等评价指标,而是借助学生仿真模型,围绕长期能力成长规划个性化学习路径,真正实现因材施教。

与爱为舞有着清晰的愿景:致力于以长期效果为目标,将爱学打造成一个能感知、能行动、能记忆、能反思、能持续进化的全模态教育智能体。据悉,爱学AI学习智能体已实现规模化落地,这一步步扎实落地的足迹,正是与爱为舞让AI真正进入教育闭环的重要实践。

原文链接: 与爱为舞亮相腾讯云AI产业应用大会,联合创始人王琳:打造下一代学习Agent
站长:程序员鱼皮 老鱼简历 商务合作 增值电信业务经营许可证
2026 鱼皮AI导航 | 沪ICP备19026706号-6
🔥热门工具
朱雀AI检测朱雀AI检测
朱雀AI检测助手朱雀AI检测助手
LovartLovart
老鱼简历老鱼简历
WritePass官网WritePass官网
面多多面多多
CursorCursor
星月写作星月写作
零感AI零感AI
墨得问题墨得问题
🔥 热门文章
1
离谱,DeepSeek 崩了 5 小时,大家却喊:梁圣恩情还不完??
450
2
B 站上 DeepSeek 闹鱼灾了,我发起《大肥鱼清除计划》!
410
3
DeepSeek 全新模型发布,性价比最高的一集!
400
4
自己学习ai,直接买cursor 的套餐,还是买gpt 或者claude 的套餐?
370
5
又一个国产版 Codex 神器,也来卷办公了!
340
6
Vibe Coding 实战:从零构建现代专业级 AI 搜索引擎
330
7
day3-如何写出一个高质量的 Skill(组内分享) 高质量 Skill 不是“一个调得很顺的巨型 Prompt”,而是一个可验证、可回归、可维护的能力包。 先定义“什么算好”,再实现“怎么做好”。评估体系先于 Skill 本身成型。 下面用“故障诊断 Markdown 转 YAML”作为例子,但方法是通用的。 --- 一、先想清楚:Skill 到底是什么 一个 Skill 至少包含四部分: 部分 作用 接口 输入什么、输出什么、边界在哪 流程 分几步做,每步的产物是什么 规则 硬约束、经验规则、失败模式 降级策略 不确定时怎么办,而不是硬编一个看似合理的结果 高质量 Skill 的共同点:职责单一、接口清晰、规则可定位、输出可验证。 反例:把几十条经验全塞进一个主 Prompt,改一条规则要重调整个 Prompt,评估时也不知道是哪条规则退化。 --- 二、核心方法:先建评估,再写 Skill 不要先写转换器再补测试。正确顺序是: 1. 定义输出契约:什么算合法、什么算合格; 2. 建金标准集:一小批人工认可“可放行”的样本; 3. 先写评估 Skill:让它在金标准集上跑出基线; 4. 再迭代生成 Skill:每次修改跑同一套评估,无退化且目标维度提升才算正向。 这就是评估驱动开发:评估是 Skill 的单元测试,金标准集是回归锚点。 --- 三、评估 Skill:三层门禁,逐层递进 前一层不过,后一层不跑。每层留可追溯证据。 第 1 层:确定性硬门禁 用解析器、Schema、校验器完成,不消耗模型成本。 · 输出可解析; · 必填字段齐全,类型/枚举合法; · 引用目标存在,无悬空引用、无不可达节点; · 关键路径至少有一条能到达预期出口。 不通过直接打回。 第 2 层:语义断言 用脚本 + 结构遍历检查“逻辑对不对”,仍然保持确定性。 通用检查项: · 覆盖率:源材料里的关键步骤、分支、条件,输出里是否都有对应? · 完整性:每个判断节点是否都有明确出口?有没有死胡同? · 可达性:每条路径是否都能到达预期终点?有没有无出口循环? · 顺序与依赖:有先后依赖的操作,是否保留了顺序?有没有被拍平成无序列表? 例子:故障诊断转换中,检查“每个判断项是否有是/否/异常出口”“每条路径是否能到根因”。 第 3 层:LLM-as-Judge 只处理解析器表达不了的维度:忠实度、完整性、可执行性。 但 Judge 会漂移,不能单独放行,必须建立在第 1、2 层之上。Judge 的 Prompt、rubric、模型版本都要版本化,换模型必须用金标准集重新校准。 通用 Judge 维度: 维度 问什么 忠实度 输出是否忠实源材料意图?有没有自行发明内容? 完整性 关键步骤、条件、证据是否保留?隐式知识有没有被压成空话? 收敛性 输出是否仍指向原目标,而不是发散? 可执行性 下游不依赖源材料能否直接使用? --- 四、金标准集:回归测试的锚点 不需要一开始就标注几百份。用已认可的样本当种子,扩到 15~30 份,覆盖失败模式而非随机抽样: · 完整正例:典型流程; · 边界/异常分支:异常路径、循环、前置失败回退; · 已知易错模式:实际踩过的坑; · 留出集:不参与调优,只用于最终验收,防过拟合。 金标准不需要完美,只需要当前标准下认可可放行。 回归指标:关键路径用 pass^k(k 次全过),稳定性用 pass@k。 --- 五、工程约束:让批量产出可重放 · 幂等:同输入 + 同 Skill 版本 + 同规则 → 输出一致,否则无法判断变好是 Skill 改了还是随机波动; · 隔离不阻断:单份失败进隔离队列,记录失败层和原因,不阻塞其余; · 版本绑定:规则、rubric、金标准集进 Git;每份报告绑定“源版本 + 生成 Skill 版本 + 评估 Skill 版本 + Judge 模型版本”; · 抽样人工复核:Judge 临界样本 + 易错模式,人工抽检结果反过来校准 rubric。 --- 六、Skill 本身怎么写 · SKILL.md 控制篇幅,写清:输入约定、输出契约、分步流程、硬规则、降级策略; · 经验规则放 references/ 或 rules/,按失败模式分类,不要全塞进主 Prompt; · 不确定时标 needs_review: true,不要硬编看似合理的结果; · 迭代由评估报告驱动:报告告诉你哪层挂了、哪类失败模式,你改对应规则文件,而不是漫无目的调 Prompt。 --- 七、落地顺序(不要反过来) 1. 固化输出契约:Schema + 结构约束; 2. 建金标准集:从已认可的 + 最易出错的样本开始; 3. 先写评估 Skill:跑出基线报告; 4. 再迭代生成 Skill:每次修改对比逐项通过率,无退化且目标提升才算正向; 5. 批量运行 + 隔离回放:失败进队列,结束后人工抽检; 6. 评估 Skill 自身版本化:换 Judge 模型必须重新校准。 --- 八、给组员的三条硬要求 1. 不许凭感觉说“变好了”:每次修改必须附评估报告对比,逐项通过率说话。 2. 不许跳过确定性门禁直接看 Judge 分数:前两层挂了,Judge 分数没有意义。 3. 不许把规则堆进主 Prompt:规则按失败模式分文件,评估报告要能定位到具体文件。 --- 一句话收尾 生成 Skill 决定“能不能做”,评估 Skill 决定“敢不敢用”。 先让评估体系站稳,再让生成器迭代。这样交付的不是一堆“看起来还行”的产出,而是一套可证明、可回归、可交接的 Skill 质量体系。
320
8
我的第一个出海产品!7 天 2 万
310
9
WorkBuddy 本地 API 桥 + dsh 插件:把你的 WorkBuddy 额度,变成手边随手可用的模型
310
10
什么是LLM
300
11
最近在落地 AI Native 项目,卡在团队资产协同这块,想请教下社区各位有实际落地经验的同学: 我们现在的资产分为三块:项目文档(PRD/ADR/ 运行手册)、Agent Skill(业务技能、执行 SOP、提示词包)、MCP 工具服务定义。 目标是做到:人和多 Agent 共用一套可信资料源,Skill、MCP 配置、项目文档能够版本化、同步、共享、可评审。 目前我们初步方案是用 Git 做底层版本主线: - 文档:Markdown + ADR,带元信息,支持 RAG 检索 - Skill:单技能包目录化,带版本、评估用例、依赖声明 - MCP:项目级声明文件纳入 Git 但实际协作里遇到不少疑问,想参考大家成熟的实践: 1. 大家团队里,文档、Skill、MCP 三者是怎么组织目录和版本管理的?有没有稳定的仓库结构模板? 2. 多人协作时,Skill 的变更评审、灰度升级、依赖管理怎么做?如何避免本地版本不一致、“本地能跑别人不行”? 3. MCP 是统一中心化网关模式,还是大家各自本地启动 + git 同步配置?权限白名单、调用审计这块有什么好方案? 4. 有没有成熟工具链做自动同步(类似 agentmeld /teamai-cli)、变更校验、eval 回归门禁? 5. 文档和 Agent 的打通:哪些文档放进 Git 作为可信真值,哪些放外部知识库,边界怎么划分? 如果有现成的仓库样例、目录规范、团队协作流程,非常希望能分享参考,感谢!
260
12
PHP 被曝两大致命漏洞,请所有程序员抓紧做这件事!
260