用 AI 打造一對一私人導師：破解教育界的 Bloom 2 Sigma 難題

原始來源與檔名：20260512_2026-05-12T092841+0800-用AI一对一私人导师，我干掉99%大学老师.md

來源：[[@Xx15573208]] / X — 2026-05-11 原始檔名：2026-05-12T092841+0800-用AI一对一私人导师，我干掉99%大学老师.md

NAPKIN | 餐巾紙

餐巾紙公式

Bloom’s 2 Sigma Problem: 1-on-1 tutoring > 98% of classroom students (but costs too much). Solution = Claude Code + Markdown + Strict Agentic Workflow. Loop: Read Doc -> Mark “???” -> Answer Questions -> AI Evaluates & Adapts next Doc. Outcome: Mastery Learning + Continuous Feedback at zero marginal cost.

1984 年，Bloom 提出一對一教學能讓學生成績超越 98% 的同儕，但礙於成本無法普及。40 年後，一位開發者利用 Claude Code 建立了一個開源系統，完美復現了一對一導師的核心機制：系統先生成大綱，每次只產出一篇教學檔。學生在檔案中標註不懂的地方 (???) 並作答思考題，AI 會讀取這些反饋，在下一篇文章中進行批改、解惑，並動態調整難度。這解決了傳統影片課程「無反饋、死板推進」的致命缺點。

一句話

這不是普通的跟 ChatGPT 聊天。這個開源專案利用 Claude Code 讀寫本地檔案的能力，為你打造了一個極度嚴格的一對一 AI 導師。它教完一段後，強迫你在 Markdown 裡寫下哪裡不懂 (???) 還有回答課後題。它會批改你的錯誤，解答你的困惑，然後才為你量身打造下一課。它完美還原了「根據你的反應動態調整進度」的頂級家教體驗，破解了教育界 40 年來的未解之謎。

餐巾紙草圖

[ AI 1-on-1 Tutoring Loop ]

1. Syllabus: AI creates skill-based outline.
2. Generate: AI writes 01.md (Concept + Questions).
3. Interact: Human reads -> adds "???" for confusion -> answers questions.
4. Adapt: Human says "done" -> AI reads feedback.
5. Generate Next: AI writes 02.md (Grades answers + Explains "???" + New adapted content).
=> Loops until Mastery -> Generates summary.md

ROUND 1: SKELETON | 骨架掃描

“這篇文章在說什麼”

• 痛點 (Bloom’s 2 Sigma Problem): 一對一教學具備「持續反饋」、「掌握學習(確保懂了才往下)」與「自適應難度」，效果遠勝課堂教學，但成本太高無法普及。
• 解決方案: 基於 GitHub 上的開源專案 Bloom-one-vs-one-study。
• 運作機制 (6 步循環):
  1. 生成具備「可驗證能力清單」的課程大綱 (syllabus.md)。
  2. 生成第一篇包含概念、例子與思考題的教材。
  3. 靈魂步驟: 學生在不懂處標註 ???，並作答思考題。
  4. AI 讀取反饋，在下一篇文章中先批改、解惑，再推進新進度。
  5. 全部掌握後，統整出知識圖譜與總結 (summary.md)。
  6. 自動記錄學習日誌，讓知識與 AI 的記憶產生複利。
• 工具需求: Anthropic 的 Claude Code CLI 工具（或 Cursor）加上任何一個 Markdown 編輯器。

ROUND 2: DISSECTION | 血肉解剖

“憑什麼這麼說”

核心論證鏈

1. 聊天視窗不利於系統性學習: 一般使用 ChatGPT 學習，上下文容易丟失，且依賴人類的提問能力。這套系統逆轉了主動權：由 AI 制定框架並提問，人類負責閱讀與反饋，這才符合「導師帶領學生」的教育本質。
2. 非破壞性的微觀反饋: 在文本中直接標記 ??? 是一個非常優雅的設計。它降低了提問的阻力（學生不需要總結自己為什麼不懂，只要標出不懂的地方即可），讓 AI 精準捕捉學生的認知斷層。

關鍵證據

• 文章展示了實際操作的截圖：AI 在 02.md 的開頭，用語氣溫和但嚴謹的態度，逐一評估了上一篇的思考題答案（✅❌⚠️），並針對 ??? 處進行了深入淺出的補充解釋。這種「閉環反饋」正是傳統線上課程做不到的。

邊界條件

• 學習者的主動性: 這套系統雖然解決了適應性問題，但無法解決「人類的惰性」。傳統老師會盯著你寫作業，而在這套系統中，如果你草率作答或放棄繼續輸入「我讀完了」，學習進程就會終止。它提供的是頂級的教材，不是頂級的監督。

ROUND 3: SOUL | 靈魂提取

“還能怎么用”

• 知識連結: 呼應了《SDD Writing Specifications for AI BDD》一文的精神：用具體的結構 (Markdown + 規定流程) 來約束 AI 的行為。也呼應了《ADLC 開發方式》，這個導師系統本身就是一個具有嚴謹 Behavior Contract 的 Agent 應用。
• 深層洞見: “40 年後的今天，你不需要一個真人導師。你需要的是一套設計良好的規則，和一個能執行這些規則的 AI。” 教育的本質不是傳遞資訊，而是「除錯 (Debugging) 學習者的心智模型」。這套系統正是利用 LLM 強大的除錯能力，重塑了學習體驗。
• 行動呼籲: 立刻安裝 Claude Code 並 clone 這個專案。挑選一個你一直想學但總是半途而廢的硬核知識（例如：期權定價模型、或 Rust 語言的生命週期），讓這個 AI 導師帶你走過一次「真正被理解」的學習循環。