在前兩篇文章中，我先整理了這個 AI Education Platform 如何從模糊收斂成 G6–G12 AI 學習平台，也拆解了學生端如何從「問 AI 一次答案」，逐步延伸成能累積能力、生成練習、追蹤 skill 與規劃學習路徑的 AI Learning System。
這一篇，我想把視角轉到老師端。
因為在 AI 教育產品裡，老師端真正難的地方不是「AI 能不能幫老師出題或批改」。技術上，AI 可以生成題目、改寫文章、產生評語、初步判斷答案，甚至整理學生表現。
但產品上更重要的問題是：
AI 要幫老師做到哪裡？
哪些判斷必須保留給老師？
老師如何信任 AI 的結果？
AI 產生的內容，如何真正進入教學流程，而不是變成另一個需要老師檢查的負擔？
所以我在設計老師端時，沒有把 AI 定位成「取代老師」的角色，而是把它定位成一個可以協助老師減少重複工作、整理資訊、提供初步判斷，但最後仍由老師掌握控制權的教學助理。
換句話說，老師端的核心不是全自動，而是：
可控、可審核、可調整
老師端要解的問題：讓老師工作流變輕鬆
在 After School 場景中，老師的工作不只是上課。
他們需要準備教材、設計作業、生成練習、批改答案、追蹤學生進度，也要判斷哪些學生需要額外協助。這些工作很多都重複、耗時，而且很難做到個人化。
尤其當一個班裡的學生程度不同時，同一份作業可能對某些學生太簡單，對某些學生太難。老師想要更精準地幫不同學生安排練習，但現實上通常沒有足夠時間為每個學生準備不同版本。
所以老師端的設計目標，不是讓老師覺得「這裡有 AI，很酷」，而是讓老師在真實工作流裡感覺：
備課快一點、出題輕鬆一點、批改少一點、追蹤清楚一點，但最後判斷還是在我手上。
如果 AI 讓老師失去控制權，老師不會信任它。
如果 AI 只是多產生一堆內容，老師還要花更多時間檢查，那它也沒有真的減負。
老師端真正要做的，是讓 AI 進入老師原本的工作流，而不是另外製造一條新的工作流。
老師端從課堂與學生管理開始
一開始設計老師端時，我沒有像許多產品一樣直接把重點放在「Generate with AI」按鈕上。因為在教育場景裡，AI 生成內容之前，老師一定需要先有教學脈絡，例如：
- 這份作業屬於哪個 class？
- 對應哪個 grade？
- 是 English / Language Arts 還是 Math？
- 要練哪個 skill？
- 是派給整班，還是特定學生？
- 是日常練習，還是正式作業？
- AI 生成後老師能不能修改？
- 學生提交後，AI 的評分要不要先經過老師審核？
這些都會影響產品流程。
所以老師端不是幾個 AI 工具拼在後台，而是一條完整的 AI-assisted teaching workflow。
我把老師端的核心流程整理成：
課堂管理 → 學生管理 → 作業建立 → AI 生成 / 編輯 → 發布 → 學生作答 → AI 初評 → 老師審核 → 發還 → 學習追蹤
這條流程決定了老師端不是單純功能集合，而是要承接教學現場的順序。
如果沒有 class 和 student 的脈絡，AI 出題就不知道要對誰出。
如果沒有 grade 和 skill 的脈絡，AI 生成的題目就不一定符合學生當前階段。
如果沒有 review 和 release 的流程，AI 批改就可能直接影響學生學習結果，風險太高。
老師端看似是後台，其實是整個平台的教學控制中心。
AI 生成作業：不是隨 AI 自主生，而是在老師設定的教學框架內生成
老師端中，AI Assignment Creation 是很核心的功能。
市面上多數 AI 教育平台多是「老師貼一段文章，AI 自己生一份作業」。那樣看起來很省事，但實際上風險很高。AI 可能生成不符合年級的題目，也可能沒有對齊老師想訓練的 Skill；題目可能格式完整，但教學目的不清楚。
所以我希望 AI 生成前，老師要先提供足夠的教學框架。
例如老師可以指定科目、年級、題型、題數、難度、作業目標、對應 Skill 或 learning standards，也可以提供評分標準或教材內容。這些設定讓 AI 能在正確範圍內生成。
以 English / Language Arts 為例，同樣一篇文章，老師可能有不同教學目的。
- 如果目標是 Literary Analysis，AI 可以生成主旨、細節、作者觀點相關題目。
- 如果目標是 Formal Writing Style，AI 生成的題目就應該更偏語氣、句型、正式表達與改寫等。
- 如果目標是 Argument Structure，AI 就應該引導學生辨識論點、證據、推理，而不是只問文章表面內容。
這是我在老師端很重視的地方：
AI 不是只要能生成題目，而是要知道這份作業到底在練什麼。
能力導向出題：老師端也是學生能力數據的上游
學生端文章中我提到，第二版開始 AI 不只是回答學生帶來的題目，也能根據學生目標、年級、科目、learning standards / skills 主動生成練習。
而老師端的設計，正好是這套能力導向出題邏輯的另一半。
老師在建立作業時，需要能清楚設定這份作業對應的年級、科目與 Skill。因為如果題目沒有被結構化到 Skill 層級，後續就很難累積學生能力數據。
例如 English / Language Arts 不能只籠統地記成「英文作業」，而是要知道它在訓練 Literary Analysis、Formal Writing Style、Text Analysis、Argument Structure，還是 Domain-Specific Vocabulary。
這件事有三個價值：
第一，老師更清楚這份作業的教學目的。不是「今天做英文練習」，而是「今天練 Text Analysis」。
第二，AI 生成題目時更有方向。它不是亂出一題英文題，而是針對特定能力生成題目。
第三，學生端的能力地圖才累積得起來。如果每一題或每一份作業都能對應到 skill，後續 My Skill Profile 才能判斷學生哪些能力已掌握、哪些還需要補強、是否能進入下一個 level。
所以老師端不是只負責派作業。它也是學生端能力追蹤的上游資料來源。
AI 生成後不是 final：老師需要可編輯、可預覽、可控的發布流程
AI 生成作業後，我沒有把它設計成直接發布。因為教育內容需要老師把關，即使 AI 生成的內容看起來完整，老師仍可能需要調整題目語氣、替換選項、增加提示、降低難度、補充說明，或改變題目順序。
所以這裡的產品設計重點是：
AI 的輸出應該是 draft，而不是 final。
老師可以檢查、修改、接受或拒絕 AI 建議；如果 AI 改寫文章，也不應該直接覆蓋原文，而是讓老師知道改了哪裡，並決定是否採用。這不是保守，而是信任設計。當老師知道自己可以控制 AI 生成結果，才比較可能放心使用 AI。
同時，老師發布前也需要能預覽學生端畫面。因為老師在編輯畫面中可能看到文章、題目、答案、評分、AI 建議與批改設定，但學生端應該只看到需要作答的內容，不能看到答案、教師用備註或評分邏輯。
因此，Preview Student View 的價值不是多一個預覽按鈕，而是讓老師確認：學生看到的內容是否清楚、題目順序是否合理、作答區是否容易理解，以及有沒有不該顯示給學生的資訊。
對老師端來說，AI 生成流程不能只追求速度，也要設計出可控性。老師真正關心的不是「AI 生成了什麼」，而是「這份內容發布出去後，學生是否能正確理解並完成」。
這也是老師端和學生端必須被一起設計的原因：
老師端每一個設定，最後都會變成學生端的一段學習體驗。
作業狀態：老師端不是表單送出，而是流程管理
老師端還有一件很容易被低估的事：狀態管理。
老師端的作業不是「建立表單 → 送出」就結束，因為每個狀態都會影響學生是否看得到作業、能否作答、能否修改，以及老師是否能批改與發還成績。
作業執行流程可以整理為：
Draft 草稿 → Published 已發布 → Submitted 學生已提交 → AI Grading AI 初評 → Teacher Review 老師審核 → Released 發還學生
Draft 階段，老師可以自由修改；Published 後，學生端已可看到作業並開始作答，題目就不能隨便改；Submitted 後，學生答案應被鎖定，避免提交後又修改；AI Grading 後，結果不能直接發還，必須經過老師審核；Released 後，學生才看到最終成績與回饋。
另外，Assignment History / 作業出題紀錄是老師端保存過去建立、發布或使用過的作業與題目，方便老師回頭查看、複製、重新編輯或再次派發。
對老師端來說，狀態管理不是多餘流程，而是避免老師端與學生端資料不一致，也是建立信任感的一部分。
AI 初評：先減少重複工作，但不直接決定學生結果
學生提交作業後，AI 可以先進行初步評分。
這件事很有價值，因為老師最耗時的工作之一，就是大量重複批改。尤其是選擇題、是非題、部分填空題或計算題，AI 或系統都可以協助快速判斷。
但 AI 初評不是終點。因為教育裡的答案不總是只有對錯，簡答題、寫作題、閱讀理解題、圖解題或複雜分析題，常常需要理解學生的表達、推理過程、創意與上下文。有些答案可能不是標準答案，但仍有部分合理；有些學生的表達不成熟，但其實概念方向是對的。如果 AI 直接評分並發還給學生，風險太高。
所以老師端的邏輯是：
AI 先初評、先整理、先標記問題；老師最後審核、調整、發還。
AI 可以幫老師先完成重複性工作，例如判斷明確題型、整理學生錯誤、產生初步評語、標記需要注意的答案。老師則保留最後判斷權，例如調整分數、修改評語、決定是否發還，或判斷學生是否需要額外介入。AI 可以提高效率，但不能直接拿走老師的教學責任。這是我們認為老師端的 AI 很重要的邊界。
Human-in-the-loop：不是保守，而是教育 AI 的信任設計
在這個案子裡，我一直認為 Human-in-the-loop 不是一個漂亮名詞，而是教育 AI 產品裡必要的設計。
原因有三個。
第一，不同題型的自動化可行性不同。
選擇題、是非題、部分填空題、計算題比較適合自動判斷；但開放式題型、寫作、分析題，就需要老師審核。
第二，AI 可以從長期數據中看見模式，但老師仍需要保留情境判斷與介入權。
隨著學生學習數據累積越多，AI 確實可能比老師更快發現某些趨勢，例如學生反覆卡在哪個 Skill、哪類題型錯誤率偏高、最近是否退步，或某個能力是否已經達到穩定狀態。
但教育判斷不只來自數據。同一個答案，在不同學生身上可能代表不同問題。有些學生可能是第一次嘗試，所以老師更看重進步；有些學生平常能力不錯，這次答錯可能是粗心、情緒狀態或當天表現不佳；有些學生反覆在同一類題型出錯，AI 可以先標記風險，但是否需要補強、鼓勵、調整任務，或進一步人工介入，仍需要老師做最後判斷。
老師端的重點不是假設「老師一定比 AI 更懂學生」，而是讓 AI 先用數據幫老師看見問題，再讓老師根據教學情境、學生狀態與責任判斷，決定下一步怎麼介入。
第三，老師需要信任平台。
如果 AI 直接批改、直接發還、直接決定學生成績，老師會覺得自己被排除在教學流程之外。但如果 AI 是先幫老師整理資訊，老師再做最後確認，平台就比較像助教。
所以 Human-in-the-loop 不是降低 AI 的價值，而是讓 AI 真正有機會進入教學場景。因為老師願意用，AI 才有機會真的幫上忙。
Multi-agent：提高生成與評量可靠性
第二版開始，我們也開始納入 multi-agent 的思路。但這裡不是指一開始就做很多個 AI agent，而是先把 AI 生成 和 AI 驗證 拆開來。
在教育產品裡，AI 生成內容的風險比許多內容工具更高。因為題目、答案、難度與評分結果，都會直接影響學生的學習與判斷。如果 AI 生成了一題看似合理、但答案不精準的題目，老師可能要花更多時間檢查；如果 AI 批改錯誤，學生可能會收到錯誤回饋。
所以 Multi-agent 的必要性在於：AI 不能只負責產出，也需要有另一層檢查與修正機制。例如，AI 先協助生成題目、答案或初步回饋；接著再透過另一個 AI / 規則檢查生成內容是否合理，例如題目是否對齊年級與 Skill、答案是否有明顯錯誤、難度是否過高或過低、評分標準是否被正確套用。
這樣做有幾個優勢：
- 第一，它能降低 AI 生成內容「看起來合理但其實不準」的風險。
- 第二，它能把題目生成、答案檢查、難度判斷與回饋品質拆成不同任務，讓每一層更容易測試與優化。
- 第三，它能讓老師不用從零開始檢查所有內容，而是先看到被初步驗證過、或被標記出風險的結果。
- 第四，它也能支援後續 prompt 與規則優化，因為我們可以知道問題出在生成階段、檢查階段，還是難度判斷階段。
Multi-agent 的價值不是讓系統變複雜，而是讓 AI 教育產品從「能生成」往「可驗證、可調整、可被老師信任」前進。
不過，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。因此產品節奏上，把它定位成第二版開始納入、後續持續 fine tune。
雙端平台：老師與學生如何串成完整閉環
老師端和學生端不是兩套獨立系統。它們需要彼此串接，才能形成完整的學習閉環。
老師端建立課堂、設定 Skill、生成作業、派發任務。
學生端接收作業、完成作答、查看回饋。
AI 先批改、整理錯誤、標記需要注意的答案。
老師端審核、調整、發還。
學生端收到結果後，平台更新學習歷程與能力狀態。
後續 My Skill Profile、AI 生成練習、Study Plan，都可以根據這些數據調整。
這條流程可以整理成：
老師設定學習任務 → AI 協助生成 → 學生完成 → AI 初評 → 老師審核 → 回饋學生 → 更新能力狀態 → 生成下一步練習
這也是為什麼老師端設計不能只看老師畫面。因為每一個老師端設定，都會影響學生端看到什麼、學到什麼、被如何評價，以及後續 AI 如何推薦練習。
雙端平台真正難的地方，不是兩邊都有功能，而是兩邊的數據、狀態與責任要接得起來。
不是只做產品，而是在參與教學的過程
這個案子對我來說很有趣，因為它不是單純把 AI 放進一個產品裡，而是要思考 AI 怎麼進入學生學習與老師教學的真實流程。
雖然這個案子最後在第三階段開發完成前夕暫停，對我來說有點可惜，因為它已經從學生自學、老師端作業流程，逐步走到個人化學習計劃與能力追蹤的雛形。
也正因為它是教育產品，我在設計產品的過程中其實一直很謹慎。
產品怎麼引導學生、怎麼給回饋、怎麼判斷對錯、什麼時候讓 AI 介入、什麼時候讓老師審核，都不只是使用體驗問題，而可能影響學生怎麼理解自己的能力、怎麼看待錯誤，以及下一步怎麼學。
因為我很清楚意識到，當我在開發一個教育產品時，某種程度上也代表我正在參與教育。