知维图推问题链学习：连错三次才放行，先让学生自己想

在理工科课堂上，学生听课、翻教材、看视频，接触的多是已经整理好的知识和解题步骤，结果常常卡在“看懂了，一做题就不会”。知维图想解决的，正是怎么让学生在学的过程中真正动脑。

这家团队用大语言模型辅助设计结构化问题链，把理工科讲义拆成一道道需要逐步作答的微型问题。学生每学一个知识点，得先判断、先尝试，才能往下走。目前知维图已上线可公开访问的早期原型，判题、分级提示、学习进度记录和学情分析等基础功能都已具备，项目处在内容打磨和真实课堂验证的前期，暂未引入外部融资。

从被动接收到步步思考

知维图的起点，来自创始人的自身学习经历，也来自他在教学中长期看到的一种理工科学习困境。学生看完讲义或教学视频，概念和例题往往能理解，可换一道新题，第一步该从哪儿下手还是不知道。传统教材和视频课程主要管呈现内容，题库产品盯的是练习结果，通用AI工具则常常直接把解题过程甚至完整答案生成出来。Khanmigo等启发式AI工具虽然强调不直接给答案，但对话式交互仍要学生主动开口求助，思考很难落到每个关键学习节点上。学生最需要形成思路的“卡壳时刻”，反倒容易被绕过去。

知维图创始人是华中师范大学计算机学院讲师，拥有计算机专业博士背景。大约10年前，他就开始留意学习过程中知识点之间的思路断层；后来的教学实践里，这个问题又一再出现。于是知维图把产品目标定成：不替学生完成思考，而是在尽可能多的地方设下停顿，让学生自己试着想出下一步。项目因此更关注数学、计算机这类强调推理过程、知识关联和逐步解题的课程场景。

产品设计上，知维图借用了“不愤不启，不悱不发”的启发式教学理念。每节讲义不再是连续铺开的正文，而是一串结构化问题。学生得先完成当前问题，才能继续往后推进。系统会根据作答结果即时给出反馈，并按学生的尝试次数逐级提供提示，这些提示不直接包含答案。同一位置要是连续答错三次，系统会解锁后续内容，免得学习过程卡在一个问题上动不了。

和自由对话式AI家教不同，知维图把大语言模型用在辅助讲义拆解、问题链设计和学生回答评判上，最后交给学生的，是一条经过组织的学习路径。

从最终分数转向记录学习过程

结构化问题链改变的不只是学生读讲义的方式，教师也因此能看到学生形成答案之前的过程。

在知维图里，学生的作答内容、尝试次数、提示使用情况和学习耗时等过程信息都会被记下来。教师拿到的不再只是一次作业的最终分数，还能进一步看到学生在哪个知识点停留较久、哪一步反复出错，以及用到哪一级提示才完成作答。

对理工科教学来说，这类过程信息可能比单一成绩更接近真实的学习状态。同一道题，两名学生就算都答对了，背后的过程也可能完全两样：一个一次就完成，另一个可能经过多次尝试和提示。知维图希望把这些差异记录下来，帮教师更有针对性地调整教学内容。

平台目前已积累41节讲义、约13万字正文、589个问题块和25道习题，章节进度记录、学情画像以及方案题按要点反馈等功能也已实现。现阶段用户可以匿名访问，阅读已编写的全部讲义。

暂未引入融资，先进入真实课堂验证效果

知维图主要由创始人单人推进，开发与内容生产借助AI工具完成。项目目前处于早期原型打磨和效果验证阶段，尚未引入外部融资。下一步将进入真实课堂开展验证，重点看分级提示是否有效，以及结构化问题链能不能帮学生从“看懂”走到独立解决问题。

商业模式上，知维图不打算把学生当作主要付费对象，基础学习内容将尽可能免费开放。未来，项目计划探索由高校、院系或课程团队承担课程数字化改造和平台服务费用，通过教师内容共建、结构化讲义生产工具、学情分析及技术支持形成可持续收入，同时争取教学改革和公益资金支持，让成熟内容继续以低成本或免费方式面向学生开放。

对知维图来说，眼下要回答的还不是怎么快速扩张，而是一个更基础的问题：当AI有能力立即给出答案时，教育产品能不能有意识地慢下来，把原本属于学习者的思考过程重新还给学习者。