一句话定位

AIED + AI 应用开发全栈 = 能把教育场景、学习数据、AI 能力和完整产品工程串起来的人。

它不是单纯“会调大模型 API”，也不是传统“做在线教育网站”，而是：

用全栈工程能力做产品底座，用 AI 能力做智能化，用 AIED 思维做学习闭环。

一、全栈技能路径图

0. 基础底座：程序员基本功

这一层决定你能不能长期稳定做产品，而不是只做 Demo。

必备能力

  • 编程语言：JavaScript / TypeScript / Python
  • 数据结构与算法：数组、哈希表、树、图、排序、搜索、动态规划基础
  • 网络基础：HTTP、WebSocket、Cookie、Session、JWT、CORS
  • 操作系统基础：进程、线程、文件系统、权限、环境变量
  • Git：分支、提交、回滚、协作、GitHub 项目管理

目标

能独立理解一个 Web 应用从浏览器请求到后端处理、数据库读写、返回页面/接口数据的完整流程。

1. 前端开发：做出可用的学习产品界面

教育产品的前端不是普通展示页，而是高交互界面。

必备能力

  • HTML / CSS / JavaScript
  • React / Vue 任一主流框架
  • TypeScript
  • 状态管理：Zustand / Redux / Pinia
  • 路由：React Router / Vue Router
  • UI 组件库：Ant Design / shadcn/ui / Element Plus
  • 表单、弹窗、分页、筛选、上传、富文本
  • 响应式布局与移动端适配

教育场景重点

  • 答题界面
  • 倒计时
  • 题目切换
  • 选项交互
  • 错题展示
  • 学习报告
  • 排行榜
  • PK 对战界面
  • 教师后台
  • 题库管理界面

目标项目

做出一个学生端：

  • 登录注册
  • 选择专题
  • 在线答题
  • 查看解析
  • 错题本
  • 学习进度图

2. 后端开发：支撑学习系统的业务逻辑

后端是教育产品真正的核心，因为学习记录、题库、推荐、权限、支付、数据分析都在后端。

必备能力

  • Node.js / Express / NestJS，或 Python FastAPI
  • REST API 设计
  • WebSocket 实时通信
  • 用户认证：Session / JWT / OAuth
  • 权限系统：学生、教师、管理员
  • 文件上传
  • 日志系统
  • 异常处理
  • API 文档：Swagger / OpenAPI

教育场景重点

  • 用户系统
  • 题库系统
  • 答题记录系统
  • 错题系统
  • 积分/等级系统
  • 班级系统
  • 教师管理系统
  • 实时 PK 匹配系统
  • 学习报告生成系统

目标项目

做出一个后端服务：

  • 用户注册登录
  • 获取题目
  • 提交答案
  • 记录正确率
  • 自动加入错题本
  • 返回学习报告
  • 支持 WebSocket 实时对战

3. 数据库与数据建模：把教育对象结构化

AIED 产品最重要的资产不是页面，而是数据结构。

必备能力

  • MySQL / PostgreSQL
  • MongoDB
  • Redis
  • 数据库索引
  • 事务
  • 表设计
  • ORM：Prisma / Sequelize / TypeORM / SQLAlchemy

教育场景核心表

用户表

  • user_id
  • nickname
  • role
  • grade
  • created_at

题目表

  • question_id
  • subject
  • chapter
  • knowledge_points
  • difficulty
  • stem
  • options
  • answer
  • explanation
  • source

知识点表

  • knowledge_id
  • name
  • parent_id
  • subject
  • description
  • prerequisite_ids

答题记录表

  • record_id
  • user_id
  • question_id
  • selected_answer
  • is_correct
  • time_used
  • created_at

错题表

  • user_id
  • question_id
  • wrong_reason
  • review_status
  • next_review_time

学习画像表

  • user_id
  • knowledge_id
  • mastery_score
  • accuracy
  • attempts
  • last_practiced_at

目标

能设计出：

题目 → 知识点 → 作答记录 → 错因 → 掌握度 → 推荐练习

这一整条数据链路。

4. AI 应用开发：让产品拥有智能能力

这一层不是“接个 ChatGPT”，而是把模型放进具体业务流程。

必备能力

  • OpenAI / Gemini / Claude / DeepSeek 等模型 API 调用
  • Prompt Engineering
  • Function Calling / Tool Calling
  • JSON Schema 输出约束
  • RAG
  • Embedding
  • 向量数据库：Milvus / Qdrant / pgvector / Chroma
  • Agent 工作流
  • 多轮对话上下文管理
  • 模型错误处理
  • 成本控制
  • 缓存
  • 流式输出

教育场景 AI 功能

  • 自动生成题目解析
  • 自动识别知识点
  • 自动给题目打标签
  • 自动生成变式题
  • 自动生成错因分析
  • 自动生成学习报告
  • AI 答疑
  • AI 批改主观题
  • AI 推荐复习路径
  • AI 生成讲义/试卷

目标项目

做一个 AI 题目分析接口：

输入：

{
  "question": "题目内容",
  "answer": "标准答案",
  "student_answer": "学生答案"
}
````

输出：

{
"knowledge_points": ["数列求和", "裂项相消"],
"difficulty": 3,
"is_correct": false,
"wrong_reason": "未识别裂项结构",
"explanation": "详细解析",
"recommended_questions": ["相似题ID1", "相似题ID2"]
}


---

## 5. AIED 核心能力：理解学习是怎么发生的

这是你区别于普通 AI 全栈开发者的关键。

### 必备概念

- 智能辅导系统 Intelligent Tutoring System
    
- 自适应学习 Adaptive Learning
    
- 学习分析 Learning Analytics
    
- 教育数据挖掘 Educational Data Mining
    
- 认知诊断 Cognitive Diagnosis
    
- 知识追踪 Knowledge Tracing
    
- 掌握学习 Mastery Learning
    
- 间隔重复 Spaced Repetition
    
- 形成性评价 Formative Assessment
    
- 即时反馈 Immediate Feedback
    
- 错因分析 Error Diagnosis
    

### 教育产品中的落地方式

#### 知识追踪

判断学生某个知识点到底掌握到什么程度。

#### 错因诊断

不是只判断对错，而是判断为什么错。

例如：

- 概念不清
    
- 公式记错
    
- 计算错误
    
- 审题错误
    
- 方法选择错误
    
- 步骤跳跃
    
- 知识迁移失败
    

#### 个性化推荐

根据学生薄弱知识点推荐下一组题。

#### 形成性评价

让学生在学习过程中不断获得反馈，而不是只在考试后知道结果。

#### 学习路径规划

从当前水平出发，给出下一步最应该学什么。

### 目标

能回答一个教育产品的核心问题：

> 学生为什么错？  
> 现在到底掌握了什么？  
> 下一步应该练什么？  
> 怎么证明系统真的帮他进步了？

---

## 6. 推荐系统与学习路径

教育推荐不是短视频推荐，不能只追求点击率。

### 必备能力

- 基于规则的推荐
    
- 基于知识点的推荐
    
- 基于错题的推荐
    
- 基于相似题的推荐
    
- 基于掌握度的推荐
    
- 简单协同过滤
    
- 难度控制
    
- 复习间隔算法
    

### 教育推荐目标

不是让学生沉迷，而是让学生：

- 补薄弱点
    
- 稳定提升正确率
    
- 建立知识连接
    
- 避免过难挫败
    
- 避免过简单浪费时间
    

### 一个简单推荐逻辑

如果某知识点正确率 < 60%：

推荐基础题 + 讲解

如果正确率 60%~80%：

推荐中等题 + 变式题

如果正确率 > 80%：

推荐综合题 + 限时训练

如果某题重复错：

标记为高优先级错题
安排间隔复习

---

## 7. 工程化与部署：从 Demo 到可运行产品

AI 教育产品不能只停留在本地 Demo。

### 必备能力

- Linux 基础
    
- Docker
    
- Nginx
    
- HTTPS
    
- 域名配置
    
- 云服务器部署
    
- 对象存储
    
- CI/CD
    
- 日志监控
    
- 数据备份
    
- 接口限流
    
- 安全防护
    

### AI 产品额外要求

- 模型调用超时处理
    
- Token 成本统计
    
- 用户请求限额
    
- Prompt 版本管理
    
- 模型输出审核
    
- 内容安全过滤
    
- 缓存常见问题
    
- 异步任务队列
    

### 目标

能把一个 AI 学习系统部署上线，让真实用户访问。

---

## 8. 数据分析与效果验证

教育产品最终要证明“真的有用”。

### 必备能力

- Python 数据分析
    
- Pandas
    
- Matplotlib
    
- SQL 分析
    
- 用户留存分析
    
- 正确率分析
    
- 学习时长分析
    
- A/B Test 基础
    
- 漏斗分析
    

### 教育指标

- 正确率提升
    
- 错题复错率下降
    
- 单知识点掌握度提升
    
- 学习留存率
    
- 每日练习题数
    
- 完成率
    
- 平均答题时间
    
- 复习后正确率
    
- 阶段测验提升
    

### 核心问题

> 这个系统到底有没有让学生变强？

---

# 二、阶段性学习路线

## 阶段 1：全栈基础期

目标：能独立做 Web App。

学习内容：

- JavaScript / TypeScript
    
- React / Vue
    
- Node.js / Express
    
- MySQL / PostgreSQL
    
- REST API
    
- 登录注册
    
- Git
    
- 基础部署
    

项目：

- 在线刷题系统
    
- 错题本
    
- 用户登录
    
- 题库管理
    

---

## 阶段 2：AI 应用接入期

目标：能把大模型稳定接入业务。

学习内容：

- LLM API
    
- Prompt Engineering
    
- JSON Schema
    
- Function Calling
    
- Embedding
    
- RAG
    
- 向量数据库
    
- 流式输出
    
- 成本控制
    

项目：

- AI 题目解析
    
- AI 自动打标签
    
- AI 生成变式题
    
- AI 错因分析
    
- AI 学习报告
    

---

## 阶段 3：AIED 产品化期

目标：做出真正有学习闭环的产品。

学习内容：

- 知识点体系
    
- 认知诊断
    
- 知识追踪
    
- 掌握度模型
    
- 学习路径规划
    
- 形成性评价
    
- 教育数据分析
    

项目：

- 个性化练习系统
    
- 知识点掌握度图谱
    
- 错因诊断系统
    
- 自适应推荐系统
    
- 学习周报
    

---

## 阶段 4：工程化与商业化期

目标：让产品可以被真实用户使用。

学习内容：

- Docker
    
- 云部署
    
- 日志监控
    
- 支付系统
    
- 运营后台
    
- 数据看板
    
- 用户反馈系统
    
- A/B Test
    

项目：

- 可上线的 AI 学习平台
    
- 教师端题库工具
    
- 学生端训练系统
    
- 班级管理系统
    
- 付费订阅系统
    

---

# 三、作品集路线

## 作品 1：基础刷题系统

核心功能：

- 登录注册
    
- 题库展示
    
- 在线答题
    
- 自动判分
    
- 查看解析
    
- 错题本
    

证明能力：

- 前后端全栈
    
- 数据库设计
    
- 教育业务建模
    

---

## 作品 2：AI 题目解析系统

核心功能：

- 输入题目
    
- AI 自动识别知识点
    
- AI 生成解析
    
- AI 判断难度
    
- AI 生成变式题
    

证明能力：

- LLM API
    
- Prompt 设计
    
- 结构化输出
    
- 教育内容处理
    

---

## 作品 3：错因诊断与推荐系统

核心功能：

- 记录学生错题
    
- 判断错因
    
- 统计薄弱知识点
    
- 推荐相似题
    
- 生成复习计划
    

证明能力：

- AIED 思维
    
- 学习数据分析
    
- 个性化推荐
    

---

## 作品 4：实时答题 PK 平台

核心功能：

- WebSocket 匹配
    
- 双人实时答题
    
- 实时积分
    
- 排行榜
    
- 战绩记录
    
- 错题沉淀
    

证明能力：

- 实时通信
    
- 游戏化学习
    
- 高交互教育产品
    

---

## 作品 5：教师 AI 工具后台

核心功能：

- 上传题目
    
- AI 自动分类
    
- 生成解析
    
- 生成试卷
    
- 导出 Word/PDF
    
- 查看学生数据
    

证明能力：

- B 端教育工具
    
- AI 工作流
    
- 产品商业化潜力
    

---

# 四、为什么 AIED + AI 应用开发全栈在当前很有价值？

## 1. 普通 AI 应用开发会越来越同质化

现在很多人都会：

- 调大模型 API
    
- 做聊天页面
    
- 接一个 RAG
    
- 做一个 Agent Demo
    
- 包一层 UI
    

这些能力有价值，但门槛正在降低。

真正的差异化不在于“我会用 AI”，而在于：

> 我能不能把 AI 嵌入一个真实行业流程，并且做出可验证的业务结果。

教育就是非常适合 AI 深度嵌入的行业。

---

## 2. 教育天然需要个性化，而 AI 正好补这个短板

传统教育最大的问题之一是：

> 一个老师面对几十个学生，很难给每个人实时、个性化反馈。

AI 可以补足这些环节：

- 每道题即时讲解
    
- 每个学生单独诊断
    
- 每个知识点动态追踪
    
- 每个错因单独分析
    
- 每个人生成不同复习路径
    

所以 AI 和教育不是简单叠加，而是结构性匹配。

---

## 3. AIED 比普通 EdTech 更接近“效果闭环”

传统 EdTech 很多只是把线下内容搬到线上：

- 网课
    
- 题库
    
- 直播
    
- 录播
    
- 打卡
    

但 AIED 关注的是：

- 学生是否真正掌握？
    
- 为什么不会？
    
- 下一步练什么？
    
- 反馈是否有效？
    
- 系统是否能自适应？
    

这意味着它更接近教育产品的核心价值：**提分、提效、降低学习阻力。**

---

## 4. 全栈能力让你能把想法直接变成产品

AIED 单独作为理论方向，很容易停留在论文和概念。

但如果你有全栈能力，就可以直接做：

- 学生端
    
- 教师端
    
- 管理后台
    
- 数据库
    
- AI 服务
    
- 推荐系统
    
- 学习报告
    
- 部署上线
    

这让你具备一种很强的能力：

> 不只是提出教育 AI 想法，而是能把它做出来、上线、验证。

这在就业和创业里都很吃香。

---

## 5. 教育数据资产有长期壁垒

AI 模型本身会越来越便宜，越来越强。

但教育产品真正难复制的是：

- 高质量题库
    
- 题目标签体系
    
- 知识点图谱
    
- 错因库
    
- 学生学习轨迹
    
- 讲解反馈数据
    
- 推荐效果数据
    
- 教师使用流程
    

这些数据越积累越值钱。

所以这个方向的核心壁垒不是模型，而是：

> 教育内容结构化 + 学习行为数据 + 产品闭环。

---

## 6. 它同时覆盖就业和创业

这个组合的好处是不会把自己锁死。

就业可以去：

- AI 应用开发
    
- EdTech 公司
    
- 教育 SaaS
    
- AI 产品经理
    
- 学习平台工程师
    
- 数据分析 / 学习分析
    
- 题库系统 / 教师工具开发
    
- 智能辅导系统相关岗位
    

创业可以做：

- AI 错题本
    
- AI 题库工具
    
- AI 教师备课工具
    
- 个性化刷题系统
    
- 学科专题训练平台
    
- 竞赛备考系统
    
- 实时答题 PK 平台
    
- 学习报告与诊断系统
    

也就是说，它是一个“能找工作，也能做产品”的方向。

---

## 7. 当前教育 AI 还没有真正成熟

很多所谓 AI 教育产品还停留在：

- AI 聊天老师
    
- 拍照搜题
    
- 自动生成解析
    
- AI 陪练
    
- AI 总结知识点
    

但真正强的系统应该是：

> 知识点建模 + 学生画像 + 错因诊断 + 自适应推荐 + 学习效果验证。

这块还远远没被做透。

所以现在入场，仍然有空间。

---

## 8. 它适合个人开发者从小切口进入

不需要一开始做完整教育平台。

个人可以从很小的切口开始：

- 一个专题
    
- 一个年级
    
- 一个考试
    
- 一个题型
    
- 一个教师工具
    
- 一个错题诊断流程
    

例如：

- 微积分竞赛级数专题训练
    
- 高中数学导数压轴题训练
    
- 数列裂项专题训练
    
- 英语作文 AI 批改
    
- 教师自动组卷工具
    
- 错题自动归因工具
    

只要切口足够窄，就有机会一个人做出可用产品。

---

# 五、这个组合的核心竞争力

## 不是：

> 我会 AI。  
> 我会全栈。  
> 我懂一点教育。

## 而是：

> 我能用全栈工程搭建教育产品，用 AI 处理内容和反馈，用 AIED 方法设计学习闭环，并用数据验证学习效果。

这才是这个方向真正值钱的地方。

---

# 六、最终判断

**AIED + AI 应用开发全栈是一个高复合度、高壁垒、适合长期积累的方向。**

它的短期价值是：

- 更容易做出差异化作品集
    
- 更容易进入 AI 应用 / EdTech / 教育产品岗位
    
- 更容易找到真实场景练手
    

它的长期价值是：

- 可以沉淀教育数据资产
    
- 可以形成垂直领域壁垒
    
- 可以从工具产品逐渐演化成平台
    
- 可以支撑个人创业
    

最现实的路线不是一开始做“AI 教育革命”，而是：

> 先做一个小而深的学习工具，解决一个具体学习痛点，然后逐渐扩展成系统。

推荐起点：

> 数学专题训练 / 错题诊断 / AI 解析 / 变式题推荐 / 学习报告

这条线最适合个人开发者起步，也最容易变成作品集、就业筹码和创业原型。

---