5bei.cn大模型教程网技术的车轮滚滚向前，但用户的需求却相对稳定。不管是初创公司还是大厂，如果在新技术范式吹起来的这股风停下来之前，没能及时找到有希望的落地方向（能满足用户真实需求+有市场机会），风一停，就会跌落进泥土里，消失在空中；而如果落地应用难做起来的话，那些想在淘金热里靠卖铲子赚钱的业务，也不过是短暂的捞快钱，终将随之枯萎。
我的草稿箱中一直有一篇关于LLM产品落地的文章，躺了很久，但迟迟成不出稿，因为确实很难写好。一方面如果是简单罗列各种LLM赋能的场景，容易显得杂碎和混乱，且当中很多应用都是锦上添花，非核心；另一方面，少数已经取得落地突破的，由于涉及商业机密，实际业务数据细节能在公开渠道披露的也极其有限。不过基本可以判断，LLM的优势应用领域大概率是知识密集型且专家资源受限的领域，如教育、医疗、法律等，因为这些领域由于现实问题复杂多样、或对交付质量要求很高，原有的技术解决得不够好，目前基本还是依靠人类专家，标准化程度不高，LLM即使不能完全取代专家，仍可以通过将标准化程度再提高一些，减少较低端重复的部分工作（如信息预加工），创造出经济效益。
斯坦福《Tutor CoPilot: A Human-AI Approach for Scaling Real-Time Expertise》这篇论文，给我们提供了一个很好的示例–LLM技术如何在实际教育场景中孵化成产品落地。
Tutor CoPilot通过生成辅导者可以立即应用的可操作指导来提高K-12教育的质量，解决辅导者的实际需求，并改善学生的实时学习体验。经2个月测试，实验组学生对数学科目的掌握率高出4个百分点（p
Tutor CoPilot的系统架构如上图所示。Tutor CoPilot直接集成到辅导会话中以支持实时互动。当前设置将Tutor CoPilot嵌入到一个虚拟辅导平台中，该平台具有问题显示、共享白板和聊天窗口。新增了一个Tutor CoPilot按钮，允许辅导员在会话中轻松激活它，以获得实时辅助，无缝融入工作流程。
一旦激活，Tutor CoPilot会从正在进行的互动中提取相关信息，例如对话上下文、课程主题和请求的策略。目前，对话上下文基于聊天互动，但系统是灵活的，可以通过处理语音或视觉输入（如白板活动）适应面对面辅导。为确保用户安全和隐私，我们使用Edu-ConvoKit（Wang和Demszky，2024）自动从名册数据库中检索的学生和辅导员姓名进行去标识化处理，使用占位符“[STUDENT]”和“[TUTOR]”。此外，在使用外部LM服务（如OpenAI）时，限制共享的对话上下文为最近的10条消息，以最小化数据暴露。
根据去标识化的对话、课程主题和选择的策略（例如，“提供提示”）生成类似专家的建议。这种方法减轻了辅导员的认知负担，避免自己去想如何提示激发模型，而更专注于提供高质量的指导。
辅导员可以通过编辑建议、重新生成或选择不同的策略来个性化生成的指导。可用策略包括提供解决方案、工作示例、小修正、类似问题、简化问题、肯定正确答案和鼓励学生（如表1所示）。选择新策略会更新响应框中的建议。与通常只提供单一响应的自动完成系统不同，Tutor CoPilot根据不同的策略提供多种建议，以保持质量，同时在有效解决学生需求时保持辅导员的自主权。
由于本文侧重产品和应用，最有代表性的内容已经介绍完毕，关于论文中其他部分，如实验设计和效果评估等，感兴趣的读者可以从附录链接去细读，这里不再赘述。
我们接下来主要以Tutor Copilot为引子，继续探讨LLM在教育领域可以有哪些落地应用以及其中的难点。
根据结构化思维，我们划分为学习前-学习中-学习后三个阶段，分别讨论。
1、学习前
1.1 获客
主要侧重于各渠道推广和获客。当前各家广告平台都在支持生成式AI提高物料投放效率，降低广告主投放物料的生产成本，如广告文案、创意素材生成等，但这种提效本质不会给广告主带来太多收入，因为大家都能用，没有实际门槛和竞争力。
1.2 转化
线上投放物料后，一般会带有咨询入口，用户通过各种渠道进入这个咨询入口，是全链路中非常关键的一环，因为这个环节直接跟企业的收入挂钩。可通过LLM能力实现智能客服/销售的对话功能，提高线索的转化效率。
这其实就是领域Agent的应用。好一点的企业会将领域知识（公司、产品、服务等）、销售话术、各种情况下的SOP等，都沉淀为数字资产，流程标准化然后用于培训人来做，保证了人工作质量的下限。但随着领域知识的更新、人员的更替，培训人适应新工作内容的过程仍然是不低的成本。而让Agent来替换掉大量基础客服/销售，就可以将精力更多放在如何将金牌销售脑子中的那些“套路”总结并形式化建模出来，让Agent也具备这样的能力，不断优化提高服务质量的下限，从而提高转化效率（24小时实时响应+高效转化漏斗）。
2、学习中
上面介绍的斯坦福的Tutor Copilot就是作用在“学习中”这一环节。论文已经用比较严谨的因果分析证明了Tutor Copilot对教育质量的提升是明显有帮助的。
这一环节是最重要的没有之一，毕竟用户花钱了最关注学习效果，效果不行别的直接一票否决。
而教培行业，最核心的资源就是好的讲师。因为好的老师经过多年实践磨练，会根据不同学生容易犯的错误、学习风格、学习目标和互动反应，调整自己的指导/教学策略，所以教学效果会很显著。而他们不少套路，是在市面上的教材、教辅里面找不到的，自然也就很难通过学生的自学领悟。正因为现实情况复杂，因此教育领域好老师在哪，资源就在哪，反之亦然。真正靠机器自动化，是非常难的，但一旦做出来了，也是颠覆性的。
我们不妨想想除了除了Copilot人机辅助的方式，如果要做教育的Agent，甚至是智能教师，技术上可以怎么做，这是块硬骨头。我们从讲题这个应用切入，思路不难想到，就是对比好的老师与不好的老师相比都有什么特点，然后把这些特点形式化建模出来，让LLM具备类似的能力。
最基本的，我们把题解过程作为COT，引导模型思考，并产生正确答案。
不妨看好未来的MathGPT的一个示例：
如果能实现这个功能，那基本已经能替换掉市面上大部分初级段位的老师了，因为很多水平一般的老师讲题时也是基本照着答案念。当然，这种老师教学效果不会太好，因为念答案不仅容易让人走神，也没有额外信息赠益，跟学生看教辅题解自学差不多。
小编高中物理老师教的几个班，物理成绩稳居年级前列。有一说一，教得确实好，基本上是每个学生早上没睡醒听她两节课都能直接清醒起来，节奏非常紧凑，内容强度也大，听她一节课效率高过自学好几天，听完作业基本都会做，不用背题，考试也能举一反三，直到今天都让我印象深刻。所以我以她为原型，再抽象出几个可以建模进Agent能力的点，技术上不一定好实现，但如果让我来做的话，我会考虑从这几个角度提高Agent的教学效果。
（1）含金量超高的结构化知识笔记，不废话高度简化，不少笔记点本身就是一道典型题，重点易错部分还会标红强调（不仅是后台知识库，还需要有产品功能将知识网络在恰当的时机让学生能看到）；
（2）典型题变形，强化印象，再归纳对比异同（题目和知识点之间的知识网络）；
（3）金句段子加强易错点记忆。对于学生常见典型错误，即使学生当下没犯，她也会及时点出来，说明原因并通过一些金句加强学生记忆。如当时受力分析场景，她就有句名言“A对B做什么，B就要对A做什么”，让学生及时把相互作用力标上，避免后面忘记；
（4）及时总结小妙招。市面上的教辅为了严谨性，很多解法都中规中矩，但对于一些选择题和判断题，真按教辅的思路去解黄花菜都凉了，厉害的老师会总结出一些快速判断的小技巧，让学生的解题速度有质的提升，避免后面的应用题没时间完成；
（5）结合学生个性化信息，包括历史易犯错误等，让Agent的指导更有针对性。
3、学习后
这部分更多是对公司而言如何持续提高自己的服务质量。
包括学生前后对比报告智能总结，后续续费继续学习的引导话术，以及老带新等策略；
另一方面是根据学生学习过程中发现的问题，数据闭环，迭代老师的教学策略和Agent的反馈更新。
后话
虽说国家已经打压了K12课外培训机构，但若技术和商业的探索不会让阶级固化，应该还是值得鼓励的。借助技术标准化带来的低边际成本，完全可以将优质的教学服务下沉到三四线城市甚至边远山区，让更多的孩子享受到更好更公平的教育。一边是少数家庭才能承担的有限且昂贵的优质教学资源，另一边是客单价较低但拥有更大的用户基数，后者可能赚钱上会更辛苦些，但想象空间还是很大的，不论是ToB（学校/机构合作，用于辅助培训新老师或辅导学生）还是ToC（学生或家长，app/网站/功能内置到各种智能硬件如学习机中）的模式。
附录
论文链接：https://arxiv.org/pdf/2410.03017
欢迎微信扫码关注nlp之路，发送LLM领取奖品～
文章来源于互联网:从Turtor Copilot探讨AI在教育领域的落地
2、Stable Diffusion Stable Diffusion 是一种高效的文本到图像生成模型，它利用扩散模型（Diffusion Model）技术将自然语言描述转换为高质量的图像。其工作原理是通过反向扩散过程，逐渐将噪声引导到符合输入文本描述的图像上…
