老师真正缺的不是“再生成一份教案”，而是有人能一直跟住每个学生
下午四点半，课程已经结束。
老师却还没有下班。
一个学生作业连续三次犯同一个错误，要单独反馈；另一个学生这周明显跟不上，需要重新安排练习；家长群里有人问本周学习情况；教研组又要求整理本班常见错题。
第二天早上，还有新的课程要准备。
教育行业谈 AI 时，很容易先想到“自动生成教案”“AI 出题”“AI 写课件”。
这些能力当然有用。
但真正长期和一线老师聊，会发现他们缺的往往不是内容。
老师真正缺的是：
时间。
尤其是那种需要持续跟踪、重复整理、逐个反馈的时间。
一个老师可以很快看出一个学生哪里不懂。
真正困难的是同时记住四十个学生过去一个月分别在哪里卡住。
这也是我们觉得 Agent 在教育场景里最值得尝试的方向。
不是替老师上课。
而是让老师第一次有机会，把一些原本只能靠时间堆出来的“个性化工作”交给系统。
一张试卷真正有价值的，不只是一个分数
假设一个班有四十名学生。
一次数学测验之后，老师最容易得到的是：
张三 82 分。
李四 76 分。
王五 91 分。
但这些数字真正能指导教学的信息很少。
更重要的问题是：
张三最近三次都错在哪类题？
李四是概念没理解，还是计算粗心？
整个班级是不是都在同一个知识点上失分？
这些分析人工当然可以做。
问题是时间。
如果每一份作业、每一次测验都完整分析，老师可能把大量时间都花在统计上。
在 ZGI 里，可以把这一过程设计成一条 Workflow：作业或测验结果进入系统后，根据预先定义的知识点分类规则整理错误，再让模型辅助生成班级层面和学生层面的学习情况摘要。
这里的关键不是让模型给学生贴标签。
而是让它先把老师原本需要自己统计的大量信息整理出来。
例如：
“本周全班在分数应用题上的错误明显增加。”
“学生 A 连续三次在同类概念上出错，建议下次练习优先复习这一知识点。”
老师拿到这些信息以后，再决定真正应该怎么教。
AI 不需要替老师判断学生，只需要让老师更快看到问题。
个性化学习最大的困难，从来不是“生成一道题”
现在大模型生成练习题已经很容易。
真正难的是：
应该给这个学生生成什么题？
一个学生刚刚掌握一元一次方程，另一个学生已经开始做综合应用题。如果所有人都收到同一套练习，所谓“AI 出题”并没有真正实现个性化。
更合理的方式，是把学生最近的练习结果、掌握情况和课程目标作为上下文。
例如一个练习 Agent 可以先查询学生最近几次作业中出现的问题，再根据老师设定的教学范围调用题库或知识库，最后生成一组难度合适的练习。
做完以后，新的结果再进入下一轮。
这样 AI 做的就不是一次性的“出十道题”。
而是参与一个持续循环：
学习 → 练习 → 反馈 → 调整。
这也是 Agent 和普通内容生成工具最大的区别。
概念示意：系统整理学习信息，老师确认后调整练习，形成持续反馈循环。
教师知识库，不应该只装教材
如果要做一个真正有价值的教学 Agent，教材只是其中一部分。
老师自己的教学经验同样重要。
比如某个知识点学生最常见的误区是什么；一道题有哪几种典型错误；面对不同程度的学生，应该用什么解释方式；某类题目讲到什么程度就应该停下来练习。
这些内容通常不会完整写在教材里。
它们来自老师多年积累。
所以学校或者教育机构可以把课程标准、教材、教研资料、题库、标准答案和内部教学方法统一沉淀进知识库，再根据不同角色设置不同使用范围。
学生问问题时，Agent 可以基于课程范围回答。
老师备课时，则可以查询内部教研资料和历史案例。
但这同样需要清晰边界。
学生不应该因为问了一道题，就得到超出教学阶段的大段答案；教师内部资料，也不一定应该直接暴露给学生。
企业级 AI 的价值之一，就是不仅考虑“有没有知识”，也考虑“谁应该看到什么知识”。
家长真正想知道的，通常不是一份 AI 长报告
家校沟通也是一个非常典型的时间黑洞。
家长问：
“孩子这周表现怎么样？”
老师当然知道。
但如果一个班几十名学生，每周都需要分别整理一遍，工作量会非常大。
Agent 可以先做信息整理。
根据本周作业、测验和课堂记录，生成一份简短的学习情况摘要，例如近期进步、需要关注的知识点和下一周建议。
但我们认为，这类内容不能完全自动发送。
因为教育沟通涉及语气、关系和对学生状态的理解。
更合理的方式，是由 Agent 先生成草稿，老师快速检查和修改以后再发出。
这几分钟的人工确认很重要。
因为系统可以整理数据。
但一位老师知道：
这个孩子最近只是状态不好，还是长期存在困难。
这部分不能简单从几个分数里推出来。
学校真正需要的，可能不是更多 AI 应用，而是少一点重复建设
教育机构现在也很容易出现和企业一样的问题。
教研团队自己接一个模型。
市场团队用另一套 AI。
老师自己注册几个工具。
题库、教案、学生数据分别放在不同平台。
刚开始每个人都有生产力。
一段时间以后，学校会开始面临模型、知识、权限和数据管理问题。
这也是 ZGI 更偏 Agent Runtime，而不是单一教育工具的原因。
它可以在同一个环境中管理模型、知识库、Skills 和 Workflow，让学校或教育机构根据自己的业务设计 Agent，而不是所有需求都必须适应某一个固定 SaaS 产品。
例如教研 Agent、教师备课 Agent、内部知识助手、作业分析 Workflow，本质上都可以复用同一套模型和知识能力。
这样企业建设的不是四个孤立 AI 工具。
而是一套可以持续积累的能力。
为什么教育场景也会关心开源和自托管
只要涉及学生数据，这个问题就绕不开。
姓名、成绩、学习记录、作业内容，都属于需要谨慎处理的信息。
所以教育机构真正采用 AI 时，不应该只看“功能多不多”，也需要关注数据在哪里、谁能访问、调用什么模型、日志是否可追踪。
ZGI 开放源代码并支持自托管，可以让有相应技术能力和安全要求的学校、培训机构或企业学习部门，在自己的环境中搭建 Agent Runtime，再根据内部要求选择模型和数据连接方式。
开源在这里同样不是“免费工具”的同义词。
更重要的是：
系统的运行方式可以被理解，也拥有进一步调整的空间。
当然，自托管也意味着机构需要具备相应的部署、运维和安全能力。并不是所有学校都应该自己维护一套 AI 基础设施。
如果只是简单生成教案，一个成熟 SaaS 可能更合适。
只有当 AI 开始进入学生数据、内部知识、教学流程和长期运行时，Runtime 的价值才会真正出现。
Skills 最终可以沉淀的，是学校自己的教学方法
一所真正优秀的学校，核心资产绝不只是教材。
而是自己的教学方法。
怎么讲一个难点。
怎么判断学生是不懂还是粗心。
什么情况下应该加练。
什么情况下应该停止刷题，重新解释概念。
过去这些知识依赖老师之间口口相传。
未来，其中一部分明确、可复用的方法可以尝试沉淀为 Skills。
例如“作业诊断 Skill”规定分析顺序；“错题归因 Skill”约束哪些依据可以用；“反馈 Skill”规定给不同年龄学生的反馈语言；“备课 Skill”要求结合课程目标和已有知识，不随意扩大教学范围。
模型可以一年换几次。
但一所学校几十年积累下来的教学方法，不应该随着模型更新一起消失。
这也是我们认为 Skills 在教育行业最值得期待的地方。
AI 不能替老师做的事情，反而应该说得更清楚
教育是一个特别容易被 AI 叙事夸大的领域。
好像只要模型够强，一个学生就可以拥有一个永远在线的“超级老师”。
现实没有这么简单。
模型不知道一个学生今天为什么突然沉默。
也不知道一道题连续做错，是因为没有理解，还是因为家庭环境、注意力或者情绪产生了变化。
更不应该仅仅根据几次作业表现，对学生的能力和未来做确定性判断。
所以真正进入学校的 Agent，应该避免成为评价学生的自动裁判。
它更适合做：
整理。
检索。
生成草稿。
发现值得老师关注的信号。
而真正涉及学生评价、教育决策、心理状态和重要沟通的地方，必须由老师和专业人员负责。
教育的目标不是让老师退出流程，而是让老师有更多时间真正看见学生。
写在最后
AI 很容易生成一份教案。
但一位好老师真正的价值，从来不是把 PPT 做出来。
而是知道这一节课学生哪里会卡，知道什么时候需要停一下，知道哪个孩子应该多问一句，也知道什么时候一个分数并不能代表全部。
如果 Agent 能把作业整理、知识查询、练习生成、数据汇总和重复反馈这些工作接过去，那么老师就能把时间重新花在这些真正需要人的事情上。
这是我们对教育 AI 更朴素的期待。
不是“AI 老师替代真人老师”。
而是：
让老师少做一点机器擅长的事，多做一点只有老师能做的事。
ZGI 提供的开放源代码、知识库、Skills、Workflow 和 Runtime，只是实现这件事的一套基础设施。
真正决定教育质量的，仍然是人。