在上一篇文章中，我整理了這個 AI Education Platform 如何從客戶的模糊願景，逐步收斂成面向美國 After School 場景的 G6–G12 AI 學習平台。第一篇的重點，是產品策略、目標族群、MVP 收斂與 AI 能力邊界。
這一篇，我想更深入拆解學生端。
因為學生端真正的挑戰，不是「做一個可以和 AI 聊天的介面」。如果只是讓學生打字問 AI，技術上可以很快，但那不一定是一個教育產品。
教育產品的難點在於，學生不是只需要一個答案。他們需要知道自己哪裡不懂、怎麼開始、怎麼被引導、怎麼練習、怎麼回顧，以及怎麼在下一次遇到類似問題時，真的能自己解出來。
所以我在設計學生端時，一直避免把它做成「AI 問答工具」。我更希望它是一套能支援學生自學、完成練習、接收回饋、累積能力，並逐步延伸到個人化學習計劃的 AI Learning System。
換句話說，這篇文章想回答的問題是：
學生端如何從「問 AI 一次答案」，變成「在 AI 協助下持續學習、累積能力、知道下一步該練什麼」？
第一版：從空白聊天框，到帶著真實教材學習
一開始討論學生端時，最直覺的做法是：給學生一個聊天框，學生問問題，AI 回答。
但這種設計很快會遇到幾個問題。
第一，學生不一定知道怎麼問。
很多學生卡住時，不是因為不想問，而是不知道自己不懂哪裡。如果只給一個空白輸入框，學生很可能問得很籠統，例如「這題怎麼寫？」、「我看不懂」、「幫我解」。AI 雖然能回答，但不一定能引導到真正的學習。
第二，學生的學習素材不只是一段文字。
他們可能有老師發的 PDF、拍下來的數學題、自己掃描的考卷、英文閱讀文章、手寫筆記或作業截圖。如果 AI 只能接收純文字輸入，就會跟學生真實學習情境脫節。
第三，學生需要的是過程，不只是結果。
尤其是數學與英文這兩個科目，學習價值不只在最後答案。數學需要理解條件、公式、步驟與推理；英文需要理解單字、句子、段落、主旨、語氣與寫作邏輯。如果 AI 直接給答案，學生當下可能完成作業，但長期不一定真的學會。
這裡真正重要的是：學生把素材帶進來後，AI 如何理解他的學習情境？所以第一版學生端，我的核心方向不是做一個聊天機器人，而是設計一個 AI Learning Workspace。
這個 Workspace 允許學生把自己的真實學習素材帶進平台：圖片、PDF、教材、考卷、數學題、英文閱讀文章，再透過 AI 協助理解、提問、標註與保存學習脈絡。
❇️ 數學不是只求答案：Focus Area 如何降低學生的提問成本
Focus Area 這類局部選取互動，英文與數學都能使用，但在數學場景中特別重要。學生可能是拍下考卷、截圖、掃描題目，或在圖形題旁邊寫了一堆輔助線。如果要他用文字完整描述「我到底哪裡不懂」，對很多學生來說其實很難。
因此，我設計了 Focus Area 與畫筆互動。學生可以直接在圖片上圈選自己不懂的題目、步驟、公式或圖形區域，再讓 AI 針對那個範圍回應。
這個設計的價值有兩個。
第一，它降低學生提問成本。
學生不用完整描述「我在第幾題的哪個步驟看不懂」，他可以直接框起來。這對 G6–G12 學生尤其重要，因為他們已經能自主操作，但不一定能準確描述自己的理解斷點。
第二，它限制 AI 的回答範圍。
當學生只想問某一小題時，AI 不應該把整份考卷都當成上下文亂講。Focus Area 本質上是一種 AI context 設計：讓 AI 知道此刻應該針對哪個局部內容回應。
在數學解題上，我也刻意將 AI 定位成引導者，而不是答案輸出機。
數學學習的重點不是只知道最後答案，而是理解。
所以「不要直接給答案」不能只是 prompt 裡的一句口號，而要被轉成產品規則。例如 AI 可以先拆解題目條件，提示相關概念或公式，要求學生先嘗試下一步，再依照學生反應逐步揭露解題步驟。
❇️ 英文不是整篇復讀機：如何讓 AI 幫助學生卡住的地方
英文的學習方式和數學很不同。學生可能不是整篇文章都不懂，而是卡在某個單字、某句話、某個段落，或是不知道如何整理主旨、分析作者觀點、辨認論證結構、寫出正式語氣。所以我設計了 Highlighting。
學生可以直接反白單字、句子或段落，讓 AI 針對選取內容提供解釋、摘要、例句、朗讀、延伸提問或練習題。
這裡我想解決的是閱讀學習中很常見的問題，因為學生不一定需要 AI 重新講完整篇文章，他需要的是在卡住的地方得到剛好的幫助。例如學生反白一段文章後，系統可以引導他提出更具體的問題：
- 這段在說什麼？
- 這句話為什麼這樣寫？
- 可以出題考我嗎？
這些問題都能讓 AI 的回應更貼近學生當下卡住的位置。
這讓 AI 更像一個在旁邊陪讀的學習夥伴，而不是一個直接宣布答案的老師。
❇️ 保存學習歷史：讓學習不是一次性對話
如果學生每次問完 AI 就結束，這個平台很容易變成一次性工具。
所以我在學生端設計了保存與學習歷史的邏輯，讓每次學習都可以被保存成一個 Learning Session。
這個 Session 可以包含原始上傳素材、AI 對話紀錄、學生畫筆標註、Focus Area 或 Highlighting 紀錄、科目、資料夾與學習時間。
這樣學生下次回來時，不是重新開始，而是可以回到之前的學習脈絡。
這也為後續個人化學習計劃打底。因為如果平台沒有保存學生學過什麼、問過什麼、在哪些題目卡住、哪個科目花了多少時間，後面就很難談真正的個人化。也就是說，My Learning History 是整個學習系統的數據入口。
第二版：從學生自帶題目，到 Smart Diagnostics，讓 AI 生成對的練習
第一版學生端主要是讓學生帶著自己的教材、圖片、PDF 或題目來問 AI。這比較像「學生已經有學習材料，AI 協助理解與解題」。
但到了第二版，產品開始往前走一步。AI 不只回應學生帶來的題目，也能在沒有學生上傳題目的情況下，根據學生的學習目標、偏好、年級、科目、Learning standards、Skills、診斷結果與 ZPD 狀態，主動生成新的練習題給學生。
第一版解決的是：
學生已經有題目時，AI 如何幫他理解？
第二版開始解決的是：
當學生需要更多且個人化的練習時，AI 如何判斷學生下一題該練什麼？
❇️ 能力導向出題
AI 生成題目有個很大的風險是：題目看起來很合理，但其實不知道學生這階段該學什麼。例如：一題英文題可能語法正確、選項完整、格式也像測驗，但如果它沒有對齊學生當前年級應該掌握的能力，就只是「像題目」，不一定有學習價值。
因此，我在學生端的設計思路中，把 AI 生成練習和美國教育體系中的 Learning standards、Skills 綁在一起。（這裡的 Learning Standards、Skills 不是產品團隊隨便想出來的分類，而是對齊美國教育體系中，不同年級與不同科目應該掌握的能力項目。以 English / Language Arts 為例，學生要學的不是籠統的「英文」，而是 English / Language Arts 可以拆成不同能力：
- Literary Analysis
- Formal Writing Style
- Text Analysis
- Argument Structure
- Domain-Specific Vocabulary
- ...等等具體能力。
因此題目生成不是隨機，也不是單純把 AI 當題庫機器。在功能邏輯中它考慮幾個條件：學生所在年級、目前科目、對應 Learning standards、Skills、學生感興趣的嗜好轉為學習 Topic、過去表現、目前需求等。
另外，數學也不是只分成「代數」或「幾何」而已，而是要回到該年級學生應該學到的具體能力與題型。這樣做的好處是：AI 不是隨機生成看起來合理的題目，而是能對齊學生所在年級應該學會的能力。
❇️ Goal Setting & Learning Preferences：讓 AI 出題前先理解學生為什麼學、想怎麼學
在第二版 AI 生成練習題時，我不希望 AI 只是根據一般學科邏輯出題。因為如果 AI 不知道學生為什麼學、想加強什麼、偏好怎麼學，就只能根據一般學科邏輯出題。那樣雖然可以生成內容，但不一定符合學生真正的需求。
同樣是 English / Language Arts，有些學生可能是為了考試，有有些則是單純對某些 Skill 有興趣。所以 AI 生成題目前，需要先理解學生的目標與偏好。像 Ace My Exams 和 Learn for Fun 這類目標差異，不只是介面上的選項不同，而是會影響後續 AI 出題、任務安排與回饋風格。
如果學生選擇 Ace My Exams，平台可以更偏向標準化學術題型、能力等級與考試導向回饋；如果學生選擇 Learn for Fun，平台則可以更重視創意任務、興趣包裝與應用情境。
另外，學習偏好也會影響題目生成。例如學生喜歡 Sports、Games、Food 或 Music，AI 可以把原本枯燥的文法題，包裝成學生更熟悉、也更願意開始練習的情境。這裡的核心不是迎合學生，而是降低開始學習的阻力。
學習本來就不容易，如果題材又完全無聊，學生很快就會逃走。AI 的價值之一，就是能把同樣的能力練習，用更貼近學生興趣與學習目標的方式包裝起來。也因此，個人化不是只顯示學生名字，而是讓學生的目標、偏好與能力狀態，真正影響內容生成與學習策略。
❇️ Confidence Rating：校準學生程度，避免 AI 出錯難度
這個短測驗的目的不是正式考試，而是校準學生目前程度，讓 AI 生成更合理的學習計劃。但我不希望診斷只停留在正確率。因為答對不一定代表真的會，答錯也不一定代表完全不懂。所以後續規劃中加入了 Confidence Rating，也就是學生對自己答案的信心值。
這可以幫助 AI 判斷不同狀態，比單純「答對升難度、答錯降難度」更接近真實學習。
因為學生的學習狀態不是線性的。有時學生會猜對，有時學生很有自信但理解錯，有時學生其實會做，只是缺乏信心。如果這些狀態都被系統當成同一種結果，個人化就會變得很粗糙。
❇️ ZPD：從一個教育理論，轉成產品可以使用的判斷規則，讓學生在剛好有挑戰的地方學習
規劃 AI 個人化學習計劃時，我一直避免把難度調整想得太簡單或太難。因為如果題目太簡單，學生不會進步。如果題目太難，學生會挫敗。
因此在調研後發現有效的學習，通常發生在學生需要努力一下，但仍然有機會完成的區間。正好適合將 Confidence Rating 和 ZPD（近側發展區）的概念連在一起進行學生狀態的判斷。
這樣的運用讓 AI 也能更清楚判斷下一步應該給學生什麼類型的任務，因為它要做的不是一直證明學生會不會，而是讓 AI 在出下一題前，能先判斷學生需要的是鞏固、補救、挑戰，還是概念澄清。讓學生每次都能在「稍微往前一步」的位置練習。
❇️ 回饋設計：學生需要的不只是分數
學生提交作業或完成練習後，平台不應只回傳分數。尤其對 G6–G12 學生來說，分數當然重要，但如果平台只告訴他「你錯了」「你 75 分」，對學習幫助有限。學生需要知道：
- 我哪裡做得好？
- 我哪裡錯？
- 為什麼錯？
- 下一次可以怎麼改？
- 我是不是有進步？
所以在「回饋設計」中，我希望不只包含對錯，也包含 feedback、tip、鼓勵語，以及後續可以怎麼練習。
這不只是為了讓產品顯得比較友善，而是基於一個教育產品的判斷：
學生是否願意繼續學，經常取決於他是否感覺自己還有機會進步、有成就感。
回饋只有冷冰冰的對錯，學生很容易把平台當成另一個考試系統。但如果回饋能讓學生理解錯誤、看見下一步，也能感覺自己正在變好，平台才有機會成為長期學習工具。
這也銜接到第三版的核心：平台不能只記錄學生「這次得幾分」，而要開始理解學生「累積了哪些能力」。
第三版：把 AI 出題邏輯延伸成能力地圖與個人化學習計劃
第二版已經讓 AI 能根據學生目標、偏好、診斷結果、ZPD 與 learning standards 主動生成練習。
第三版的重點，則是把這些出題與診斷資料沉澱成長期能力追蹤。也就是說，平台不只要知道「下一題該出什麼」，還要知道學生累積了哪些能力、哪些 Skill 已經達標、哪些還需要補強，以及是否能進入下一個 level。
因此，第三版開始規劃 Student Dashboard、My Skill Profile、Study Plan、Holistic Calendar、Today’s Mission 與 Weekly Snapshot 等。把第二版的 AI 出題邏輯延伸成更完整的個人化學習系統。
這個階段的問題不再只是：
學生如何完成一次自學或一份作業？
而是：
- 學生完成一次學習後，平台如何知道他下一步該學什麼？
- 如何讓學生看到自己累積了哪些能力？
- 如何判斷他是否達到該年級應掌握的 skill？
- 如何避免學生因為自我認知不準，選到太簡單或太難的內容？
所以第三版的核心，是把學生端從 AI Learning Workspace，延伸成 AI Learning System。
如何把零散的學習行為，轉成學生看得懂、AI 用得上、老師未來也能參考的能力地圖？
❇️ Student Dashboard：不是漂亮報表，而是下一步行動入口
很多 Dashboard 會變成只是漂亮的數據牆。所以我在設計 Student Dashboard 時，一直提醒自己：學生打開 Dashboard，不是為了欣賞圖表。
他真正想知道的是：
- 今天我要做什麼？
- 我現在進度如何？
- 我已經學會哪些能力？
- 我可以從哪裡開始？
- 等等...
所以 Dashboard 的定位不是報表，而是 Daily learning hub。
這裡的關鍵是：
Dashboard 不只是看過去，而是幫學生決定下一步。
❇️ My Skill Profile：讓學生知道自己會什麼、還缺什麼
它不是一般個人資料，也不是單純顯示「英文 75 分」或「完成 8 個任務」。我希望它呈現的是學生在不同科目、年級與能力維度上的學習狀態。以 English / Language Arts 為例，能力可以拆成 Literary Analysis、Formal Writing Style、Text Analysis、Research & Citations、Argument Structure 等多個 Skill。
這是第三版中我很重視的功能模組，因為學生對自己的能力判斷不一定準確。
有些學生可能覺得自己已經會了，實際上只是答對簡單題；有些學生可能急著挑戰更高難度，但基礎 Skill 還沒穩。分數只能告訴學生這次表現如何，但 Skill Profile 能告訴學生自己的能力結構在哪裡。因此，Skill Profile 同時服務三件事：
- 讓學生理解自己目前的位置，看到自己已經學過哪些能力、目前能力等級在哪裡、哪些能力還需要補強。
- 讓 AI 進一步判斷，學生在該年級應具備的 skill 是否已經達標，是否能進入下一個 level，或是否需要先回頭補強基礎能力，並生成更適合的下一步練習。
- 也讓後續老師端有機會更快看出學生需要補強的能力。
這也讓 AI 題目生成和個人化學習計劃有了依據：不是學生說想練什麼就完全照單全收，而是結合年級標準、能力狀態等條件，判斷他現在最適合什麼。
❇️ Study Plan：把 Skill 轉成每天可執行的任務
把 AI 輸出給學生的學習計劃拆成三個架構層。
第一是 Goal。這是學生想達成的長期目標，例如提升英文寫作、準備考試、強化正式寫作能力。
第二是 Capability。這是學生需要建立的能力，例如 Analytical Essays、Formal Writing Style、Text Analysis。
第三是 Weekly Mission。這是具體可執行的任務，例如閱讀一篇文章、完成摘要、練習某種寫作結構。
這樣設計的原因是，學生不能每天都面對一個巨大的目標。如果 Dashboard 只告訴學生「你距離目標還有 40%」，學生很可能只感到壓力。但如果平台把目標拆成今天可以完成的任務，學生比較有機會開始。
這裡的產品邏輯是：
Goal 提供方向、Capability 提供路徑、Weekly Mission 提供行動。學生不需要每天煩惱自己該學什麼，只要知道今天往哪裡走一步。
❇️ Holistic Calendar：從任務排程，到真實生活中的學習節奏
在個人化學習計劃中，我也運用了 Holistic Calendar 的概念。這個概念是我在研究 G6–G12，尤其是高中生學習場景時特別重視的。
高中生不是只有學習，他們可能有學校課程、After School、運動、社團、家庭活動、休息、社交、打工、考試與升學壓力。
如果 AI 只是把任務塞進空白時間表，表面上看起來很有效率，但實際上不一定能執行。所以 Holistic Calendar 的核心不是「把學生每一分鐘排滿」，而是把學生真實生活節奏納入學習計劃。
第一，先讓學生輸入或同步日曆行程。例如：學校時間、After School、運動、社團、家庭活動、打工與休息時間。這些不是學習計劃之外的干擾，而是學生真實生活的一部分。
第二，根據可用時間與任務強度安排學習節奏。例如：考試前可以安排較集中的複習；平日晚上則可能只安排短任務、錯題回顧或輕量閱讀；如果某天行程已經很滿，AI 就不應再硬塞高強度任務。
第三，當學生沒有完成任務時，系統不應只顯示 overdue。更好的做法是重新調整計劃，例如將任務拆小、延後，或改成低強度練習，避免一天沒完成就讓整個學習計劃崩掉。
學習計劃不是越滿越好，而是學生真的能做，才有價值。對我來說，Holistic Calendar 的產品意義，是讓 AI 不只是會排學習任務，而是能理解學生的生活節奏，幫他把長期目標拆成更現實、可執行、也比較不容易放棄的學習安排。
❇️ 回頭看學生端的三個版本
第一版解決的是：學生如何用自己的教材和 AI 自學？
第二版解決的是：當學生沒有合適題目時，平台如何根據年級、科目、官方的學習標準與學生需求，生成適合的練習？學生如何承接老師派發的作業，完成作答、提交並接收回饋？
第三版解決的是：學生如何從一次次學習與作業中，逐步形成長期能力追蹤與個人化學習計劃？
AI 教育產品不能只追求「回答得很聰明」。它不是單單把 AI 做成一個聊天框，而是讓 AI 真正進入學生的學習過程。因為學生真正需要的，不一定是最快的答案，而是剛好的引導。然而這些不是單靠模型能力就會自然發生，而是需要產品規則、學習理論、互動流程、數據追蹤與持續 fine tune 一起支撐。
「學生端」最核心的價值，不是我做了上傳、畫筆、Highlight、Dashboard 這些功能，而是我們把它們串成一條更完整的學習路徑：
讓學生不是只問 AI 一次問題，而是能在 AI 的協助下，理解自己的教材，完成練習與作業，接收回饋，看見能力變化，並知道下一步該怎麼學。這才是 AI 學習系統和 AI 問答工具最大的差別。