FDE 实战④|从教材到课堂:我们如何为一家教育培训企业设计 AI 教学工作流?
- 2026-11-22 18:27:29
AI 落地进行时 · Vol.04
从数字人视频生成到智能备课,看 FDE 如何把教育内容生产与教学质量提升连接起来。
写在前面
上一篇,我们从企业服务机构的专利分析场景出发,介绍了 FDE(Forward Deployed Engineer,前线部署工程师)如何深入业务现场,把复杂需求拆解成可执行、可验证、可复用的 AI 工作流。这一次,我们把视线转向教育培训行业。对教育培训企业来说,AI 的价值并不只是“帮老师写一份教案”,也不只是“生成一个会说话的数字人”。真正值得关注的问题是:如何把教材、课程目标、教师经验、课件、视频和学生反馈组织成一条完整的生产与教学链路?本次实践,我们围绕一家教育培训企业设计了两个 AI 应用案例:案例一从教材内容出发生成一节不少于 45 分钟的视频课;案例二从教材对标、目标设计,到课件、测验、批改和下一节课的补救教学。这两个案例分别对应教育企业的两类核心工作:一类是规模化生产课程内容,另一类是提升教师备课和教学决策效率。更重要的是,它们并不是两个孤立的 AI Demo,而是可以逐步沉淀为企业课程生产、教师协作和教学质量管理能力的工作流。
本文导读
01从一家教育培训企业的真实业务出发,看清内容生产、备课与质量管理三类共性流程
02用“拆解流程 + 筛选优先级”的方法,找到最值得先落地的 AI 场景
03案例一:从教材到 45 分钟数字人视频课,内容生产如何被流水线化
04案例二:从教材研读到智能备课与学情补救,建立“教—练—评—补”闭环
05两个案例如何连接成“内容生产链”与“教学改进链”两条企业级工作流
06真正落地时,还要解决数据边界、人工审核与能力编排三类问题
01|从一家教育培训企业的真实业务出发
教育培训企业通常同时面对三类任务。
第一类,是课程内容生产
企业需要将教材、课程标准、讲义和教师经验,转化为可交付的课程产品,包括课程脚本、PPT、录播课、数字人视频、配套练习和学习资料。
第二类,是教师备课与教学支持
教师需要理解教材意图,确定课时目标,设计导入、讲解、练习和评价,再根据学生作答情况调整下一节课。
第三类,是课程运营与质量管理
企业还需要统一课程标准,检查内容准确性,保证不同教师、不同班级和不同课次之间的教学质量相对稳定。
这些工作看起来各不相同,但底层流程存在共性:
获取教学资料 → 理解教材与目标 → 设计教学内容 → 生成课件或视频 → 组织课堂活动 → 进行测验评价 → 根据学情调整教学。其中既有大量重复性的内容加工,也有必须依靠教师专业判断的教学决策。
我们首先关注的,不是 AI 能不能“代替老师”
教育场景对准确性、适龄性和教学逻辑有较高要求。
一本教材中的一个概念,不能只被改写成语言流畅的文字;一节视频课也不能只是把 PPT 逐页朗读出来。学生是否能理解、练习是否覆盖目标、错误是否能被及时发现,才是教学结果的一部分。
因此,本次设计没有把目标设定为“让 AI 自动完成全部教学”,而是先明确三个边界:
AI 可以辅助整理教材、生成初稿、制作课件和分析数据; 教师需要确认知识准确性、教学顺序、例题难度和课堂适配性; 学生的真实学习结果,必须通过练习、测验和教师复核来验证。
FDE 的任务,是把 AI 放进教学流程中,而不是把教学流程简单地交给 AI。
02|我们如何筛选教育培训企业的 AI 场景?
第一步:把教育业务拆成可观察的流程
我们先对企业的课程生产和教学流程进行梳理。
课程生产通常包括:教材和课程标准整理、知识点拆解、脚本编写、课件制作、视频生成、审核和发布。教师备课通常包括:教材研读、课时目标确定、教学环节设计、例题与练习编写、课件制作、课堂实施、作业批改和学情分析。
如果直接为每个环节配置一个“万能 Agent”,很容易出现功能重复、输入不清晰、输出无法验收的问题。所以,我们进一步识别每个环节的输入、动作和输出:
第二步:筛选优先落地的场景
结合教育培训企业的业务特点,我们将场景分为三个优先级。
本次我们选择两个连续案例进行设计:
案例一聚焦“内容生产效率”,案例二聚焦“教学质量闭环”。
前者回答“如何更快、更稳定地生产一节课”,后者回答“如何判断学生是否学会,以及下一节课应该怎么教”。

03|案例一:从教材到数字人视频课
3.1 业务需求是什么?
客户希望:输入教材或课程资料后,能够生成一节结构完整、时长不少于 45 分钟的视频课,包含课程脚本、口播稿、PPT 和最终视频。
表面上看,这像是一个“输入教材,输出视频”的问题。但如果真的这样设计,通常会遇到几个问题:
教材内容没有被转化为清晰的教学目标; 口播稿和 PPT 各自生成,出现内容不一致; 视频时长不足,或为了凑时长重复讲解; 数字人只是逐字朗读,缺少例题、停顿和学习任务; 生成的视频没有统一的格式、节奏和审核标准。
因此,我们将任务拆成四个节点:教材理解 → 课时脚本 → PPT 与口播稿 → 视频装配与质量检查。

3.2 节点一:用教材生成一节 45 分钟视频课脚本
Prompt 1|课程脚本生成
这个 Prompt 的关键,不是要求模型“写长一点”,而是明确视频课必须具备教学结构。
一节 45 分钟的课程,需要有讲解、示范、练习和总结。只有把这些环节显式写出来,后续生成的视频才不会变成一段没有停顿和任务的长篇朗读。
你是一名课程设计专家和学科教师。
请根据我提供的教材内容,设计一节不少于 45 分钟的视频课脚本。
请先提取:
1. 本节课主题;
2. 学习目标;
3. 学生需要掌握的先备知识;
4. 核心概念、关键方法和易错点;
5. 适合本节课的例题、练习和总结。
然后按以下结构生成脚本:导入、目标说明、概念讲解、教师示范、例题分析、学生思考或暂停练习、课堂小结、课后练习。
请给出每个环节的预计时长,总时长不少于 45 分钟。不要简单照抄教材,要用适合学生理解的语言重新组织,并标注需要教师或课程审核人员确认的内容。
3.3 节点二:生成 2.1.2 的口播稿
Prompt 2|2.1.2 小节口播稿生成
在完整课程脚本确定后,再针对具体小节生成可直接用于数字人配音的口播稿。这里需要将“说什么”和“画面展示什么”同时设计出来。
数字人视频不是音频文件配一张固定图片。口播稿中的定义、例题和结论,应当能够对应到 PPT 页面、板书区域或动画演示中。
请根据已确认的课程脚本,生成“2.1.2”这一小节的数字人口播稿。
要求:
1. 保留教材和课程脚本中的核心概念、定义、公式及例题逻辑;
2. 语言适合学生听懂,避免直接照读书面教材;
3. 对关键概念增加必要的解释、停顿和过渡;
4. 对例题写出完整的思考过程和关键步骤;
5. 用“同学们”“我们先看”“请暂停视频思考”等自然表达组织口播;
6. 标注数字人需要停顿、强调、切换画面或展示板书的位置;
7. 不得凭空增加教材范围之外的知识;
8. 输出“口播稿正文”和“画面提示”两部分。

3.4 节点三:用口播稿生成 PPT
Prompt 3|口播稿转 PPT
这一步使用 PPT 生成技能,将“讲稿”转换为“可视化教学结构”。
需要特别强调:PPT 不是口播稿的全文备份。好的课件应该承担结构提示、重点突出和例题呈现的作用,而不是让学生面对一整页密集文字。
请根据以下课程口播稿生成一份教学 PPT。
[粘贴已确认的口播稿]
请按教学逻辑拆分页面,而不是按字数机械分页。每页输出:页码、页面标题、学生需要看到的内容、教师或数字人口播要点、图示建议、动画或切换建议。
要求:
1. 一页只承载一个主要教学意图;
2. 关键概念、例题步骤和课堂练习分别呈现;
3. PPT 文字简洁,不把完整口播稿全部堆到页面上;
4. 公式、符号、单位和例题条件必须与口播稿一致;
5. 对需要学生思考的地方标注“暂停练习”;
6. 结尾包含本节课总结和课后练习;
7. 输出可直接交给 PPT 生成工具使用的逐页内容。
@skill:ppt-生成

3.5 节点四:装配数字人视频
Prompt 4|用 PPT 和口播稿生成视频
这一节点由课程编排和视频装配能力共同完成。其中,course-orchestrator 负责理解课程结构和素材关系,video-assembler 负责将 PPT、口播、数字人、字幕和时间轴组合起来,视频约束文件则用于统一输出格式、时长、分辨率、字幕和审核要求。
请使用已经确认的 PPT 和口播稿,生成一节不少于 45 分钟的视频课。
要求:
1. PPT 页面与口播内容逐段对应;
2. 数字人负责课程讲解,关键公式、例题步骤和结论在画面中同步展示;
3. 对“暂停练习”和“请思考”保留足够停顿;
4. 不得通过无意义重复来凑视频时长;
5. 视频开头包含课程主题和学习目标,结尾包含总结与练习;
6. 检查音画同步、页面切换、字幕、公式显示和口播完整性;
7. 若口播稿、PPT 或素材存在不一致,先列出问题,不要直接猜测修改;
8. 最终输出视频文件、时长、分段时间轴和待人工审核清单。
@skill:video-assembler @skill:course-orchestrator
视频生成约束:@F:/work/交付/PROMPT_视频生成约束.md

3.6 数字人视频案例的质量检查
一节视频“生成成功”,不等于一节课“可以上线”。我们建议至少检查以下内容:
案例一的核心成果,不是一条视频,而是一条可以批量生产、能够被审核的课程内容流水线。
04|案例二:从教材研读到智能备课与学情补救
4.1 业务需求是什么?
第二个案例聚焦教师备课。我们以人教版七年级上册数学教材第 3 章 3.2 节“移项”为例,设计一节 45 分钟的课,并将教材对标、教案课件、测验、批改和学情分析串起来。
这个案例的重点,不是让 AI 直接“写一份漂亮教案”,而是建立一条有依据的教学决策链:教材依据 → 课时目标 → 教学设计 → 当堂测验 → 学情事实 → 补救教学。
4.2 节点一:先做教材对标与单元规划
Prompt 1|确定“移项”课时目标
这一步先回答“教什么”和“为什么这样教”,再进入教案生成。教材对标的价值在于,AI 输出的课时目标不应只来自通用知识,而应尽量回到本节教材的概念、例题和教学顺序。
对于教师来说,标出教材页码,也方便后续复核和教研讨论。
@skill:中小学备课专家
请看我提供的人教版七年级上册数学教材第 3 章 3.2 节,重点看教材页 88–90 关于“移项”的内容。我们准备上一节 45 分钟的课。
请调用“课程对标与单元规划”技能,告诉我:
1. 学生学完这节课应会什么;
2. 学习移项前需要掌握什么;
3. “合并同类项”和“移项”应该按什么顺序教;
4. 最容易出现哪两种错误。
请指出你的依据来自教材哪一页。
教材文件:@D:/下载/义务教育教科书·数学七年级上册·人教版 (课程教材研究所,中学数学课程教材研究开发中心) (z-library.sk, 1lib.sk, z-lib.sk).pdf

4.3 节点二:生成 45 分钟教案和课件
Prompt 2|教案与课件生成
一份可执行的课堂设计,至少需要让教师知道每个环节“做什么、用多久、观察什么”。
例如,导入不能只写“复习旧知”,而应说明学生要面对什么问题:如果把含有未知数的项从等式一边移到另一边,为什么符号会发生变化?学生能否先通过等式性质发现规律?
同样,板书演示也不能只写结论,而应展示从原式到变形结果的完整过程,帮助学生区分“移项变号”和“等式两边同时加减同一个数”之间的关系。
请按照刚才确定的“移项”课时目标,调用“教案与课件生成”技能,备一节 45 分钟的课。
我要看到:
1. 一个让学生发现“为什么要移项”的导入;
2. 教师板书演示;
3. 学生当堂练习;
4. 最后 5 分钟的出口测验;
5. 逐页课件内容;
6. 每个教学环节的时间。
以教材 3.2 节的概念和教学顺序为依据,但请自行设计讲解和例题,不要整页复制教材。

4.4 节点三:生成原创测验并明确评分标准
Prompt 3|题库与组卷
题库生成的重点,不只是多出几道题,而是让每道题都能对应到一个教学目标,并且在批改时能够判断错误发生在哪一步。
如果学生最终答案错了,但过程显示只是最后一步计算失误,那么它和一开始就没有正确列式,所需要的补救教学并不相同。
请调用“题库与组卷”技能,为这节“移项”课设计一份出口测验。
要求:
1. 覆盖本节课的核心知识点;
2. 题目难度适合七年级学生;
3. 不要引用教材原题充当原创题;
4. 给出答案、关键步骤、对应知识点和评分标准;
5. 检查题目是否超出本节课范围;
6. 区分“列式错误”“移项错误”和“计算错误”;
7. 设计适合最后 5 分钟完成的题量。

4.5 节点四:批改匿名学生的出口测验
Prompt 4|逐题批改 S03
批改结果应该同时服务于学生反馈和教师判断。因此,输出不能只写“第 2 题错误”,还需要说明错误是发生在列式、移项还是计算,并给出下一次练习时应提醒学生关注的步骤。
同时,AI 的得分应当明确为“建议分数”,由任课教师结合书写过程和课堂表现最终确认。
请批改匿名学生 S03 的出口测验。
文件:@F:/codex_workspace/2026-10-27/ai-ai-ai-2026-10-20/outputs/移项小测_模拟学生S03作答.docx
请逐题给出建议得分,指出错误发生在哪一步,区分“列式错误”“移项错误”和“计算错误”。
分数是建议,最终由教师确认。
请给出:答案、关键步骤、对应知识点和评分标准;检查题目是否超出本节课范围。不要引用教材原题充当原创题。
@skill:K12试题专家

4.6 节点五:从 20 名学生的成绩中寻找教学问题
Prompt 5|计算正确率和判断下一步教学重点
这里有一个非常重要的分析原则:先报告事实,再提出假设。
例如,系统可以准确计算“第 3 题正确率为 55%”,但不能只凭这个比例就断定所有学生都犯了同一种移项错误。可能的原因包括概念理解不牢、题目表述造成误读、计算粗心,或者学生没有完成作答。
因此,正确的输出应包含:
每道题的作答人数、正确人数和正确率; 哪些题目表现出共同困难; S03 的具体错误可以说明什么; 还需要查看哪些过程性证据; 下一节课可以先验证哪些假设。
请读取文件:@F:/codex_workspace/2026-10-27/ge/outputs/移项小测_20名同学模拟成绩.xlsx
计算每题正确率,判断下一节课最需要处理什么。
请先报告数据事实,再提出可能原因;不能仅凭分数断定所有学生的具体错因。
S03 的原始作答可以作为一个错误案例参考。
根据刚才的学情结果,为下一节课开头设计 10 分钟补救教学:
1. 给出临时分组;
2. 每组两道原创练习及答案;
3. 给出教师讲解提示;
4. 设计一道全班复测题;
5. 说明教师看到什么复测结果后,可以继续学习下一部分“去括号与去分母”;
6. 不要把本次分组变成固定的学生能力标签。

4.7 临时分组不是给学生贴标签
根据测验结果,教师可以进行临时教学分组,例如:
这样的分组只服务于下一节课的 10 分钟补救,不应被理解为学生固定能力等级。经过复测,学生可以进入不同的练习路径。
全班复测题也不应只是再做一道相同题,而应同时观察:学生能否正确列式、能否说明移项依据、能否完成计算。
只有当大多数学生能够独立完成复测,并且关键步骤错误明显减少,教师才适合继续学习“去括号与去分母”;如果学生仍然在移项规则和等式变形上普遍不稳定,就应先继续处理本节基础,而不是急于推进新知识。
案例二的核心成果,是把一次备课延伸成一个“教—练—评—补”的教学闭环。

05|两个案例如何连接成企业级工作流?
如果把两个案例放在一起,可以看到教育培训企业的 AI 工作流大致分为两条链路。
内容生产链
教材与课程资料 → 课时脚本 → 口播稿 → PPT → 数字人视频 → 人工审核 → 发布。
这条链路的核心指标包括:课程生产时长、脚本修改次数、课件与口播一致率、视频一次审核通过率和有效学习时长。
教学改进链
教材对标 → 课时目标 → 教案课件 → 当堂测验 → 批改统计 → 补救教学 → 复测 → 进入下一知识单元。
这条链路的核心指标包括:教师备课时间、目标覆盖率、题目正确率、错因分类一致性、补救后复测结果和教师实际采纳率。
两条链路可以共享一套课程知识库和质量标准:
教材版本、章节和页码; 课程目标和知识点; 例题、练习和易错点; PPT、口播稿和视频版本; 学生测验与学情记录; 教师审核意见和修改记录。
这样,企业沉淀的不再是一次性 Prompt,而是一套可以持续更新的教学内容资产。
06|真正落地时,还需要解决哪些问题?
教育行业的 AI 工作流要真正进入企业,还需要解决几个基础问题。
1. 教材和学生数据的使用边界 教材、教师资料和学生作答数据都需要明确来源、权限和使用范围。涉及未成年人数据时,还应特别注意隐私保护、匿名化和访问权限。
2. 数字人视频必须设置人工审核 数字人生成能够提高制作效率,但课程内容、口播发音、字幕、公式、动画和版权素材仍然需要人工检查。尤其是数学、物理等学科,公式显示和推导过程不能只依赖视觉上“看起来正常”。
3. 教材依据和生成内容要能够追溯 每个课时目标、重点概念和教学顺序,最好能够记录对应教材章节或页码;每个视频版本也应保留脚本、口播稿、PPT 和修改记录。
4. 学情分析不能过度解读 正确率只能说明结果,不能直接等同于错误原因。要判断学生为什么错,还需要结合学生过程性作答、课堂观察、访谈或后续复测。
5. Skill 和 Prompt 需要被编排,而不是简单堆叠 在实际系统中,可以将能力拆成:教材解析 Skill → 课程对标 Skill → 教案课件 Skill → 题库组卷 Skill → 视频装配 Skill → 批改与学情 Skill → 补救教学 Skill。由课程编排器根据任务顺序调用不同能力,并在教材确认、内容审核和发布前设置人工确认节点。
07|这次教育培训场景实践,最终形成了什么?
围绕两个案例,本次方案设计形成了三类成果。

第一,是一条数字化课程生产流程
从教材到脚本、口播稿、PPT 和数字人视频,每一步都有明确输入和输出,便于课程团队协作和复用。
第二,是一条面向教师的备课与学情闭环
从教材页码和课时目标出发,生成教案、课件和测验,再根据学生作答结果设计补救教学,帮助教师把“备课”与“下一步怎么教”连接起来。
第三,是一套可审核的 AI 教学应用规范
它明确了教材依据、内容范围、原创题要求、数据事实与原因假设的区分,以及 AI 建议和教师最终判断之间的边界。
这些成果为后续封装课程生产 Agent、教师备课助手和学情分析工具提供了基础。
08|从两个教育案例,看 FDE 的真正价值
教育行业的 AI 落地,最容易被理解成“批量生成内容”。
但真正有价值的能力,往往来自内容生产和教学决策之间的连接:
不是只生成一条视频,而是生成一节可审核、可学习的视频课; 不是只生成一份教案,而是让教案能够通过测验和学情结果被验证; 不是只统计学生得分,而是帮助教师决定下一节课先补什么、何时可以继续推进。
这也是 FDE 在教育培训企业中的意义:理解教学业务 → 梳理课程流程 → 选择可落地场景 → 设计 Prompt 与 Skill → 设置审核节点 → 用真实学情验证 → 持续迭代。
AI 可以帮助教育企业更快生产课程,也可以帮助教师更快发现教学问题。但教育质量最终仍然来自:准确的内容、合理的教学设计、真实的学生反馈,以及教师对结果的专业判断。
让 AI 进入课堂,不是让课堂变成自动生成,而是让每一次课程生产和教学调整,都更有依据、更可复用、更容易改进。
·关于左右数据
BRAND · 左右数据
天津左右大数据技术有限公司
左右数据是一家致力于以 AI 驱动企业业务增长的公司。
我们专注将前沿 AI 融入流程复杂、容错率低、价值密度高的产业,以企业 AI 化诊断规划、FDE 前线部署、数据价值化、智能体开发、AI 落地运营与迭代五大核心能力,深入业务一线,将深刻的行业 Know-How 转化为能直接解决业务问题的专属智能,提供从顶层设计到持续运营的完整价值闭环。
我们不止于提供技术,更以可衡量的业务结果为标准,与客户一道共同定义、交付并保障那些真正驱动业务增长的智能价值。
定位
让 AI 在复杂产业中创造真实价值的可靠伙伴。
使命与未来
为人工智能落地交付最优解,成为智能化浪潮中最具信赖的专业机构。

FDE 企业 AI 落地实战系列 · 第四篇
案例与方法仅供设计参考,落地请结合教材版本、课程标准、教师审核与学生数据保护要求
点击阅读原文,跳转公司官网