AI 怎麼從「會回答」變成「會教」？對話式學習的設計思路
生成式 AI 讓「一對一教學」的成本趨近於零，但多數應用還停在問答機器人的層次。果友科技結合教育心理學與 RAG 知識庫，設計了一套會引導思考的 AI 教學助手架構。這篇文章拆解我們的設計思路。
教育領域有一個存在幾十年的矛盾：最有效的學習方式是一對一指導，但成本最高的也是一對一指導。
生成式 AI 第一次讓這件事出現了解法。
當大型語言模型能理解自然語言、記住對話脈絡、即時調整回應方式，「每個學習者都有一位專屬導師」就不再只是理想。問題變成：怎麼讓 AI 不只是回答問題，而是真的會教？
果友科技在一次技術諮詢中，完成了一套對話式學習引擎的完整架構設計，試著回答這個問題。
生成式 AI 為教育帶來什麼新可能？
過去十年，數位學習已經解決了「內容取得」的問題。線上課程、互動測驗、影音教材，資源多到溢出來。
但有一件事始終做不到：根據每個學習者的理解程度，即時調整教法。
這需要一位有經驗的老師全程陪伴，成本極高、無法規模化。生成式 AI 改變了這個等式。它具備三個過去技術做不到的能力：
- 理解語意，不只比對關鍵字：學生用自己的話回答，AI 能判斷他理解到什麼程度
- 多輪對話，有記憶的互動：AI 記得前面聊了什麼，能在對話中逐步引導
- 即時生成，不受題庫限制：根據學習者的回答動態產生下一個問題，不是從固定題庫抽題
這三個能力加在一起，讓「AI 導師」從概念變成了工程上可實作的東西。
但光有能力不夠，AI 還需要「教學法」。
我們的設計：讓 AI 學會「教學法」
把大型語言模型串接到教材上很容易。讓 AI 懂得怎麼教，這才是技術門檻。
我們設計的系統架構整合了三套教育理論，轉化為 AI 可執行的教學邏輯：
1. 前饋式引導：在犯錯前介入
多數 AI 教學系統採用「回饋式」設計，學生答錯了才給提示。但在很多專業場域，錯誤的代價極高，沒有重來的機會。
我們的設計改用心理學的前饋式策略：AI 在學生回答前就引導思考方向。
以防災教育為例：傳統做法是讓學生選「大樓起火時該搭電梯還是走樓梯？」，答錯了顯示正確答案。前饋式的 AI 會換個方式問：「大樓起火時，你覺得電梯跟樓梯各有什麼風險？」學生必須自己盤點兩種選項的利弊，再得出結論。同一個知識點，思考深度完全不同。
2. 自適應難度：每個人的路徑不同
系統基於 Vygotsky「近側發展區」理論，即時評估學習者的掌握程度，動態調整對話策略：
- 已充分掌握 → 跳至進階問題，保持挑戰感
- 方向正確但模糊 → 針對弱點追問，深化理解
- 明顯卡關 → 退回基礎概念，降低認知負荷
同樣用防災情境來說明：當學習者已經正確分析了「關門等待 vs. 穿越濃煙」的利弊，系統會直接拋出更複雜的情境，例如「如果你在三樓，樓梯間有煙但門外沒有，你怎麼判斷？」。但如果學習者連基本的避難方向都不確定，系統會先退回「煙的流動方向」這類基礎知識，重新建立判斷基礎。
學習者不會看到任何評分數字，只會感覺「這個 AI 好像知道我哪裡不懂」。
3. RAG 知識庫：每句話都有出處
在專業教育場景中，AI 的「幻覺」不只是尷尬，可能造成嚴重後果。一個錯誤的逃生建議，後果不堪設想。因此我們在架構中要求所有 AI 回應都基於 RAG（檢索增強生成），從經過專家審核的知識庫中檢索資料，每個論述都能追溯來源文獻。
以防災知識庫為例，我們規劃了三層資料結構：
| 資料層 | 內容 | 用途 |
|---|---|---|
| 案例層 | 真實火災鑑識報告與事故分析 | 提供情境式教學的素材 |
| 知識層 | 官方防災指引、最新避難觀念 | 確保 AI 回應的正確性 |
| 數據層 | 歷年火災統計與趨勢 | 支撐教學論述的量化依據 |
簡單說：AI 查完資料才回答，不是憑感覺回答。
技術架構設計
| 設計決策 | 選擇理由 |
|---|---|
| PostgreSQL + pgvector | 一套資料庫同時處理關聯式查詢與向量語義檢索，架構精簡、維運成本低 |
| 四層 Prompt 分離架構 | 角色定義、領域知識、教學指令、安全防護各自獨立，迭代時互不影響 |
| LiteLLM 統一接口 | 主模型異常時自動切換備援，教學對話零中斷 |
| 三道安全防線 | 內容過濾 → Prompt Injection 防護 → 事實核驗，三層把關確保回應品質 |
| WebSocket 串流回應 | 即時輸出，對話體驗流暢自然 |
這套架構可部署於雲端，知識庫建置、AI 引擎、使用者介面由果友科技全程規劃。
預期學習體驗
依據我們的設計，每組學習模組包含 15–23 輪對話，學習者約 15–25 分鐘完成一次深度互動。系統同步記錄完整的學習行為數據（回應品質、概念掌握曲線、卡關熱點），供教學團隊持續優化內容。
我們設定的衡量指標是「學習者是否在對話中展現主動推理」，不是 AI 回答了幾題。
這套架構適合哪些場景？
我們用防災教育當例子，但 RAG 知識庫加上對話式教學的組合，適合所有「知識有標準、但判斷需要練」的場景：
- 職業安全訓練：工安規範、化學品處理、高空作業程序
- 醫療衛教：慢性病管理、用藥安全、術前衛教
- 金融合規：洗錢防制、資安意識、風險評估
- 企業內訓：新人引導、SOP 學習、客服話術演練
- 證照備考：法規理解、案例分析、情境題練習
如果您的教育訓練場景也有「學員背得出標準答案，但遇到實際狀況還是不會判斷」的問題，這套設計思路或許值得參考。
果友科技有完整的 RAG 知識庫建置與 Prompt Engineering 規劃經驗，教學設計、AI 引擎、前端介面一站式服務。歡迎帶著您的場景來聊，我們一起評估可行性。
或直接聯繫專人 cy.hsu@goyo-tech.com