2024 年底，我開始參與一個來自美國 After School 教育場景的外包案。客戶是一位在美國經營 After School 教育機構的創辦人，希望打造一個 AI Education Platform，初期先供自己的 After School 使用；如果第一階段運作順利，未來再尋找投資人或合作機會，進一步拓展到其他 After School、補習機構，甚至探索 B2B、B2B2C 或 B2C 的商業模式。
客戶一開始已有大方向：希望做一個 AI 教育平台，服務 After School 場景，讓學生與老師都能使用。在團隊分工上，客戶作為教育機構創辦人，負責提出產品初始方向與最終決策；我則負責將商業方向進一步拆解成產品功能、項目規劃、使用流程、介面設計與 MVP 範圍收斂，並和技術架構師一起討論功能模組與產品可行性。
換句話說，這不是一個「客戶給需求，我畫畫面」的案子，而是一個需要把教育場景、AI 能力、商業方向與開發限制一起放進來看的產品發展過程。
這個案子最終於 2026 年 2 月暫停。前兩版已完成 MVP 核心功能：第一版聚焦學生自學，第二版加入老師端與 AI 輔助作業流程；第三版則完成個人化學習計劃與 Student Dashboard 的功能設計，並在開發完成前因客戶決策暫停。
❇️ 三層不確定性：教育專業、美國場景與 AI 產品邊界
對我來說，這個案子真正的挑戰不只是「把 AI 放進教育產品」，而是同時面對三層不確定性：
第一，教育本身是一個高度專業的領域，而我不是教育背景出身，也不是老師。教育不是把題目、AI、頁面組在一起就會成立。不同年齡學生的認知發展、學習動機、自主能力、閱讀能力、老師介入方式與評量方法，都會影響產品是否真的能有效被使用。
第二，我不是在美國教育體系中長大，不能直接把自己過去的學習經驗套用到美國 After School 場景。美國學生的年級制度、老師工作方式、課後學習需求、家長期待與教育資源差異，都需要重新理解。
第三，AI 教育平台本身範圍太大。它可以是學生自學工具、老師備課工具、作業批改平台、學習數據後台，甚至是長期學習教練。但 MVP 不可能什麼都做。產品不是願望池，不能每個功能都投幣許願。
所以在正式規劃功能前，我先做了幾件事：研究美國教育環境與年級差異、整理學習理論、規劃 After School 老師問卷與追問問題、研究競品，並和技術架構師討論 AI 功能到底要怎麼被控制、怎麼被設計進產品中。
這些研究是為了回答更實際的問題：在這個產品裡，AI 到底應該幫誰？幫到什麼程度？什麼時候應該引導學生？什麼時候應該讓老師介入？第一階段又該先證明什麼價值？
❇️ 先補齊未知：理解美國教育環境與年級差異
我先整理了不同年齡層學生的學習特性與操作能力差異。
低年級學生更依賴具體情境、圖像化操作與成人引導；他們的時間概念、自我反思與自主規劃能力還不成熟，更適合用故事任務、角色引導、遊戲化互動來降低學習負擔。
相較之下，G6–G12 學生已經具備較多自我決策、邏輯判斷與文本理解能力，也更能接受正式的週期性追蹤、錯誤回饋與個人化學習建議。
AI 學習平台不能只看「學生有沒有學習需求」，還要看學生是否具備足夠的自主操作能力、閱讀能力與任務管理能力。不同年齡層會對應到完全不同的產品型態：低齡學生可能需要更高比例的老師或家長陪伴，而中高年級學生則更適合逐步導入自學、作業、回饋與個人化學習計劃。
除了年級差異，我也整理了美國教育中常見的教學方式與評量方法，像是協作學習、差異化教學、專題學習、正向引導與持續反饋，以及多元評量。
這讓我意識到，AI 教育平台不能只做成「題目 → 答案 → 對錯」的簡單系統。如果教育重視過程，產品也要支援過程；如果老師需要差異化教學，產品就不能只提供同一組題目給所有學生；如果學生需要正向引導與持續回饋，AI 就不能只像冷冰冰的判分機。
因此，後續我在規劃功能時，逐步把產品方向從「AI 問答工具」轉成「學生學習、老師教學、AI 回饋與數據追蹤的雙端系統」。
❇️ 透過教師問卷與追問回覆，理解 After School 的真實教學需求
桌面研究只能幫我建立基礎理解，但產品最後要進入的是客戶的 After School 場景，所以我們也透過教師問卷與追問回覆，補齊一線教育工作者的觀點。
客戶和我一起設計了第一版問卷，邀請 3 位 After School 老師填寫，主要是國小、國中英文與數學老師。老師回覆後，我也會再根據回答內容提出 follow-up questions，進一步釐清他們的教學情境、教學遇到的困難、對 AI 工具的需求與期待、學生在自主性上的差異，以及他們當前對科技學習工具的適應情況。
這些來自一線老師的回饋，讓我確認幾個方向：
第一，老師確實需要 AI 幫忙降低重複性工作，尤其是出題、生成練習、批改、追蹤學生進度這些任務。
第二，學生常見的問題不只是「不會」，也包含缺乏動機、注意力短、任務太難就放棄、沒有快速回饋、學習內容太制式、缺乏成就感。
第三，不同年齡層學生真的不能用同一套產品邏輯。低年級學生需要更多引導、視覺、語音與成人協助；高年級學生則更可能接受自我導向學習、個人化推薦與進度追蹤。
這些洞察後來都回到產品決策上：
我們不應該一開始就做一個橫跨所有年齡層、所有科目、所有角色的大平台，而是先找到最有機會跑通的目標族群與核心閉環。
❇️ 最後聚焦 G6–G12：不是所有學生都適合同一套 AI 學習平台
在研究、問卷回饋與客戶場景討論後，我們最後決定先做 G6–G12 學生的學習平台。
原因很現實。K–5 學生當然有學習需求，但太小的學生不太可能長時間自己操作一套 AI 學習平台。他們需要更多成人陪伴，介面也需要更低齡、更遊戲化、更視覺化，甚至可能要以家長或老師作為主要操作對象。那會變成另一套產品，不只是同一套產品改個皮膚。
大學生或成人則相反。他們已經有更高自主學習能力，也有更多替代工具可以使用，例如 ChatGPT、線上課程、筆記工具、自學社群與各種專門化學習平台。他們未必需要依賴 After School 場景中的 AI 學習平台。
而 G6–G12 剛好介於兩者之間。
這個年齡層的學生已經具備一定閱讀能力、自主操作能力與任務管理能力，但仍需要引導、回饋、作業支持、進度追蹤與老師介入。更重要的是，這也更符合客戶 After School 的主要學生區間與課後需求。
❇️ 教育類產品不能靠直覺：把學習理論轉成產品判斷
因為我不是教育專業出身，所以我不能只靠「我覺得學生會喜歡這樣」來設計功能。
在研究過程中，我參考了一些教育與學習設計概念，幫助自己把功能設計從「AI 能做什麼」拉回「學生如何真的學會」。例如，差異化教學讓我思考：平台不應只產生同一種題目，而應根據學生年級、程度、學習進度與科目差異，調整內容難度與回饋方式。因此，在功能定義中，我將「智能適應學習」「個人化學習」「分層教學」轉成產品邏輯，AI 可以根據學生的年級、學習進度、科目與能力狀態，回覆問題、調整測驗難度，或提供更適合的補充教材。
即時回饋與形成性評量也影響了我對作業與練習流程的判斷。日常練習可以更即時、更鼓勵、更引導；但正式作業或評量，則可能需要老師審核後再揭露答案與成績。也因此，我在後續功能討論中，將回饋機制拆成兩種情境：
- 1. 學生練習時可以立即看到提示與解析；
- 2. 老師審閱後，再由老師決定是否發還成績、答案與評語。
到了第三版個人化學習計劃，我也開始規劃 Confidence Rating、ZPD 近側發展區與 Holistic Calendar 等概念，作為後續讓 AI 更理解學生狀態、調整難度與安排學習節奏的基礎。這些概念不需要在 MVP 一次做滿，但它們幫助我判斷產品後續可以如何從「完成學習任務」演進成「支援長期個人化學習」的系統。
❇️ 從「AI 教育平台」收斂成雙端產品
確定目標族群後，下一個問題是：第一階段到底要做什麼？
AI 教育平台可以做的事情太多了。它可以是 AI Tutor、題庫、作文批改工具、語音練習工具、學習計劃系統、老師備課工具、班級管理後台、家長報告，甚至是長期個人化學習平台。
但 MVP 不能把所有想法都塞進去，所以客戶和我、技術架構師討論後，逐漸把產品收斂成雙端架構：學生端與老師端。
學生端負責學習、自學、作答與接收回饋。
學生可以上傳自己的英文或數學教材、圖片、PDF、考卷或題目，透過 AI 進行自學、提問、解題與理解；也可以接收老師派發的作業，在平台上完成作答、提交答案、查看回饋與學習紀錄。
老師端負責課堂、作業、批改審核與學習追蹤。
老師可以建立課堂、管理學生、上傳教材，讓 AI 協助生成作業或題目，並派發給學生。學生提交後，AI 先進行初步判斷、批改與評分，老師再決定是否審核、修改、發還成績或進一步人工介入。
這樣一來，產品就不再只是「學生問 AI，AI 回答」的單點工具，而是一條更完整的教學閉環：
老師建立課堂與作業 → AI 協助生成內容 → 學生完成作業與自學 → AI 初步批改與回饋 → 老師審核與追蹤 → 再調整後續學習。
這條閉環比單點 AI 問答更有產品價值，因為它同時解決學生端和老師端的需求，也能開始累積後續個人化學習所需要的數據。
❇️ MVP 收斂：先做英文與數學，先跑通學習與教學閉環
在這階段，我們決定先聚焦英文與數學。
英文與數學都是 After School 中常見、需求穩定、也容易形成作業與練習場景的核心科目。英文可以涵蓋閱讀理解、詞彙、語法、寫作與文章分析；數學則適合做分步解題、錯誤定位、相似題練習與能力追蹤。
在功能優先級上，我主導將早期發散的功能整理成可開發的模組與順序。第一階段不是做出最完整的平台，而是先驗證幾個核心假設：
- 學生是否願意在平台上使用自己的教材進行 AI 自學？
- 老師是否願意用 AI 協助出題與批改？
- AI 初步評量是否能降低老師重複工作量？
- 學生與老師兩端的數據是否能逐步形成學習追蹤基礎？
如果這些沒有先成立，再談更大的個人化學習系統就太早了。那不是產品規劃，是開功能派對，最後每個功能都來了，但沒人負責收拾。
❇️ 版本演進：從學生自學、老師端，到個人化學習系統
在實作節奏上，我們沒有一開始就把學生端、老師端與所有 AI 能力全部做滿，而是採取階段式演進。
第一版：先聚焦學生端自學功能
第一版先讓學生可以上傳自己的英文或數學教材、圖片、PDF 或題目，透過 AI 進行提問、解題與學習引導。
這一版的目標，是先驗證學生是否能在平台中完成：
上傳教材 → AI 協助理解 → 自主學習 / 解題 → 保存學習紀錄
也就是說，我們先確定學生端的基本學習流程是否跑得起來，而不是一開始就把老師端、管理後台與個人化計劃全部塞進去。也為後續能力追蹤打下基礎。因為學生的上傳內容、提問紀錄、錯誤回饋、相似題練習與學習報告，都可能成為未來判斷學生能力狀態的資料來源。
第二版：加入老師端功能，並開始納入 multi-agent 思路
加入老師端功能，讓產品從單純的學生自學工具，擴展成學生端與老師端串接的雙端教學平台。老師可以建立課堂、管理學生、上傳教材、使用 AI 生成作業、派發作業，並在學生提交後進行 AI 初評與老師審核。
同時，我們也開始思考如何透過 multi-agent 的方式提升 AI 生成與評量結果的可靠性。也就是不只讓一個 AI 產生內容，而是透過不同 AI 任務分工，協助檢查題目合理性、答案正確性、難度是否符合年級，或支援後續 prompt 與規則優化。
這部分不是第一版就能完全成熟的能力，而是隨著老師端流程與更多實際資料進來後，逐步 fine tune 與演進的方向。
第三版：規劃個人化學習計劃與 Student Dashboard
這一版的重點，是把前兩版累積的學生學習行為、作業表現與診斷結果，轉化成更長期的學習支持。
學生可以透過 Goal Setting 設定學習目標，經過 Smart Diagnostics 校準程度，再由 AI 生成個人化學習計劃。Dashboard 則用來呈現 Today’s Mission、Weekly Snapshot、My Skill Profile 與 AI Learning Partner等。
其中，My Skill Profile 不是單純的個人資料，而是呈現學生在不同科目能力維度上的學習狀態。例如英文中的 Literary Analysis、Formal Writing Style、Text Analysis 等能力，學生可以看到自己已學過哪些技能、目前能力等級在哪裡，以及哪些能力還需要補強。
這讓 Dashboard 不只是數據展示，而是能幫助學生理解：
我現在會什麼？還差什麼？下一步該練什麼？
這一步它能把平台從「學生自學 + 老師出題批改」，進一步推向「長期個人化學習系統」。
❇️ AI 不是只接 API：把技術討論轉成產品規則
在這個案子中，我不是 AI 技術架構師，也不是 AI 開發者。技術架構、後端與 AI 實作主要由架構師負責。
但我參與 AI 功能邏輯與產品規則的定義，並將技術架構師對 AI 能力、限制與實作方式的建議，轉化成產品流程、互動規則與 MVP 取捨。
這個過程，AI 教育平台不是「接上模型 API」就完成。尤其在教育場景中，AI 必須被清楚定義角色、邊界、回答規則與驗證方式：
第一，AI 需要明確的角色與邊界。它不能像通用聊天機器人一樣什麼都回答，而要知道自己此刻是學生的學習助理、老師的教學助教，還是某個科目的引導者；也要知道哪些問題可以回答，哪些問題應該拒答，或導回學習情境。
第二，AI 規則不能只有一層。它應該是「通用教學規則 + 科目規則 + 年級規則」的組合。數學需要能做到 step-by-step 的解題引導，英文需要閱讀理解、語意解釋、寫作建議與表達回饋等...；G6 學生和 G12 學生也不應該得到完全相同的回答深度。
第三，「不要直接給答案」不能只是一句口號。尤其在數學情境中，學習價值不只在最後答案，而是在理解條件、公式選擇、推理步驟與錯誤在哪。若只是要求 AI「不要直接給答案」，在我們當時開發的階段，AI 的行為仍可能不穩定：
有時太快給出完整解法，讓學生跳過思考；有時又過度提示，學生卡住時拿不到關鍵下一步。因此，這件事必須被產品化，例如先拆解題目條件、提示相關概念或公式、要求學生嘗試下一步，再依學生反應逐步揭露解題步驟；不同題型也需要不同答案揭露規則。
這些討論也影響了 MVP 取捨：第一版不應一開始就開放所有科目、所有題型與所有互動方式，而是先聚焦英文、數學與較清楚的學生自學流程，讓核心學習場景先跑起來，再透過實際使用結果逐步 fine tune prompt、規則與回覆策略。
❇️ 為什麼 MVP 不追求全自動？
教育裡的答案不總是只有對錯。選擇題、是非題、填空題、計算題這類單一正解題型，較適合讓 AI 或系統進行自動判斷；但簡答題、寫作題、圖解題、複雜分析題，常常需要理解學生的表達、推理過程與創意。這類題目如果讓 AI 直接評分並發還給學生，風險太高。 所以 AI 可以協助生成與初評，但不應該在第一階段就被設計成全自動裁判。
因此，在產品策略上，我們採用 Human-in-the-loop 的方向：
AI 先生成、先初評、先整理回饋；老師最後審核、調整、發還。
AI 可以幫老師減少重複性工作，但目前階段老師仍需要保有最後判斷權。這不是保守，而是 AI 教育產品裡很重要的信任設計。
而當 AI 開始協助生成題目、初步批改與整理回饋後，另一個問題也浮現出來：AI 產出的內容不能只看起來合理，還需要被驗證。因此，在第二版開始，我們也納入更進階的 multi-agent 思路。例如由不同 AI 任務分工，分別檢查題目是否合理、答案是否正確、難度是否符合年級與 skill，或協助回頭優化 prompt 與生成規則。
但這類能力需要更多教材資料、驗證規則、測試案例與實際使用結果，不適合在第一版就做成完整成熟的功能。所以第一版的重點，是先讓核心學習與教學流程跑起來；第二版再逐步把 AI 生成與評量的可靠性補上。
對我來說，這也是 AI 教育產品很重要的產品節奏：不是一開始就追求全自動，而是先建立可驗證的流程，再透過觀察、測試、調整與數據累積，讓 AI 能力逐步演進。
❇️ 我的貢獻與反思
這個案子讓我更清楚理解 AI 產品中 PM / 產品設計角色的價值：不是假裝自己是 AI 工程師，也不是把 AI 當成萬用解法，而是要理解 AI 的能力與限制，並把技術建議轉成產品規則、使用流程、功能優先級與開發節奏。
尤其在教育產品中，AI 能回答，不代表它什麼都該回答；AI 能自動評分，不代表它應該直接決定學生的成績。
也因此，我對這個 MVP 的理解，不是讓 AI 一次做到完美，而是先建立可被驗證的學習與教學流程，再透過實際使用結果持續 fine tune AI 回答品質、引導策略、年級語氣、科目規則、出題品質與評分準確性。
雖然案子最後在第三版開發完成前夕暫停，但整個過程已經讓產品從學生自學工具，逐步演進為老師端教學流程，再延伸到個人化學習計劃。這不是一個「我做了 AI 功能」的過程，而是一個「我如何在不具教育專業與美國教育背景的前提下，藉由與教育相關人員合作、透過研究方法、學習理論、技術討論，把 AI 放進真實教育場景，並收斂成可落地產品系統」的案例。