全部 · 2026-02-03

Superlinear Academy 用 4 门课、2500 多名学生的观察，直接把问题指向项目交付链路。这个判断我基本认同。AI 教育现在最常见的误判，就是把“会看教程”“会做 demo”“会写几段 prompt”当成会做产品。文中列了 4 个掉队节点：不动手、卡在账号和 API、没有形成模型判断、卡在部署交付。这里面最硬的一点，不是它把台阶分成 4 层，而是它承认掉队常发生在“无聊但必要”的工程摩擦里，正文给了信用卡、API token、环境配置、Docker、CI/CD 这些具体环节，不是空谈学习方法。 先说多源覆盖。这次 member_count 是 2，但其实是同一作者、同一站点的中英双语版本，不是两家媒体独立跟进。所以这里没有“外部共识”可言，只有作者自己的完整叙事。中英文标题角度高度一致，都在推一个核心主张：AI 教育别再堆内容，应该补工程基建。因为来源单一，我会把它看成一篇带有产品方法论色彩的自述，不把它当行业验证。说白点，样本量写了 2500+，但正文没披露访谈人数、完课率、项目交付率、每个掉队节点的占比，也没给 cohort 对照。结论有经验感，证据链还不够硬。 我对这篇文章买账的地方，在于它抓住了 2025 年后 AI 教学的一个结构性问题：模型能力上去了，入门门槛没按比例下降。Cursor、Replit、v0、Bolt 这类工具把“先跑起来”变简单了，但一旦你要接正式 API、做权限、算成本、上线给别人用，摩擦马上回来。很多课程把成功案例停在本地 demo，因为本地成功最容易制造“我学会了”的错觉。学生一旦进入支付、部署、监控、故障恢复这些现实环节，热情掉得很快，这和文中那句“不是死在复杂算法，而是死在琐碎阻碍”是一致的。我自己也一直觉得，今天教 AI 产品，如果没有 sandbox、预置额度、统一认证、可复用部署模板，课程完成率天然会被工程杂务吃掉。 但我也有两个明显保留。第一，作者把“更多内容解决不了问题”讲得太满。很多时候，内容确实无效；可有些摩擦并不是基建能消掉，而是认知缺口本来就该补。比如 API key 安全、成本上限、日志脱敏，这些不能全靠平台替你藏起来。你把台阶抹平，能提高首个作品交付率；你把系统全包掉，学生也容易失去对真实生产环境的判断。教育平台做 infra 和做托管脚手架，边界差很多，正文没有展开。 第二，文中对第三层“形成自己的判断”讲得对，方法还不够具体。它说要做大量可扩展实验，要横比 3 个模型、切 prompt 策略，我认同；但正文没给任何实验框架、评测维度、成本控制办法。比如你要学生比较 Claude、GPT、Gemini 或开源模型，至少该有固定任务集、成功标准、单次成本上限、记录模板。没有这些，所谓“形成判断”很容易退化成另一种体验帖。过去一年大家已经看过太多“某模型最适合 coding”的口水结论，问题从来不是观点少，而是可复现样本少。 如果把这篇文章放进更大的行业背景，它其实是在补一个被“全民 AI 创作”叙事掩盖的空洞。2024 年到 2026 年，市面上大量课程卖的是生成内容效率：写文案、做图、剪视频、搭工作流。那套东西适合快速起量，也容易让学生短期有反馈。可一旦目标从内容消费转向软件交付，评价标准就变了：有没有真实用户、是否稳定、能否多人使用、成本是否可控、出了错怎么修。文章最后把终点落在“localhost:8000 只有自己能用”，这个落点很准。很多 AI 教学产品的问题，不是没教新模型，而是根本没把“交付”当课程主目标。 我对作者叙事里最警惕的一点，是它也在给自己的平台路线做铺垫。标题和正文都在把“工程基建”包装成下一个答案，这个方向我认同，但正文还没证明它们的方案真能把掉队率压下去。标题给出了方向，正文披露了 4 个卡点；可最关键的结果数据——比如部署模板把交付率提升多少、预置账号把第二层流失降多少——正文没披露。没有这些数字，我会把它当成一篇高质量问题定义，而不是已经成立的解法报告。 所以我的结论很简单：这篇文章对“学生为什么做不出可交付项目”的诊断，八成是准的；对“工程基建就是解法”的论证，正文还差实验数据。做 AI 教育的人如果只继续加教程，基本会重复同一轮流失。可如果只把一切工程细节藏到平台后面，也会造出一批离开平台就不会走路的学生。难点不在内容和基建二选一，难点在于把摩擦降到足够低，又保留足够真实的工程暴露面。这个平衡，才是课程设计能力，不是口号。