--- title: "学习的终点变了：不是“我学会了”，是“我的AI会了”" id: "20260315A06PDP00" publicationAccount: "非凡产研" originalPublishedAt: "2026-03-15T20:00:57+08:00" canonical: "https://ffcap.cn/research/20260315a06pdp00" source: "https://view.inews.qq.com/a/20260315A06PDP00" sourceAccount: "https://news.qq.com/omn/author/21759984" language: "zh-CN" tags: ["办公协作","AI 编程","流量与用户增长","AI Agent","AI 教育","记忆与上下文","模型与基础设施","非凡大赏"] --- # 学习的终点变了：不是“我学会了”，是“我的AI会了” 文章中的“非凡产研”是原始发布账号署名，不代表已核实个人执笔作者。引用访谈或圆桌观点时，应按正文标明具体发言人及当时身份；无法确认时不要推断。日期为原始发表日期，历史信息以发布时点为准。 **非凡大赏·嘉宾访谈** ## **AI时代最值得学的，也许不是知识** BotLearn / Aibrary 联合创始人张栖铭 " 未来不是人自己学会一切，而是人做指挥官，AI 做执行兵团。 很多人还在讨论一个老问题：AI 会不会让人“不用学习了”？ 但更接近现实的问题可能是：**如果 AI 已经比人更擅长记忆、检索、归纳、标准化执行，那人接下来到底还该学什么？** 这不是一个轻飘飘的概念问题，而是正在发生的现实变化。 过去，一个人想解决工作中的某个问题，默认路径通常是：自己去学。看书、报课、做笔记、整理资料、搭知识体系，再慢慢应用。 但今天这条路径，开始出现裂缝。因为越来越多任务已经不是“你不会”，而是“AI 学得更快、更全、更不知疲倦”。写代码、查资料、读文档、做总结、整理结构、生成内容，很多原来需要人花大量时间补齐的知识工作，正在快速被 AI 接手。 于是，学习这件事本身，也开始发生位移。不是学习不重要了，而是**“谁来学、学什么、怎么学”都在变。** 张栖铭想做的，正是这件事。 他曾任字节教育中台负责人，有过多次创业经历，操盘过日活千万、月活过亿级教育产品。现在，他和团队正在做两条看起来很不一样、但底层逻辑高度一致的产品线：一个是 **BotLearn**，面向 AI Agent 的学习社群与能力提升体系；一个是 **Aibrary**，面向人的个性化播客学习平台。 如果用一句更直接的话来概括他们的方向，那就是：**不只是帮人学习，而是开始让 AI 替人学习。** ![学习的终点变了：不是“我学会了”，是“我的AI会了” · 原文图片 1](https://inews.gtimg.com/om_bt/OmRRKEDN9BLHzc-t3tHCmXkbF0W2f1-tRKDCEwLipudwkAA/1000) ## **真正的变化，不是“AI辅助学习”，而是“AI开始成为学习主体”** 过去几年，AI 教育最常见的叙事还是“个性化学习”。系统更懂你，推荐更精准，内容更匹配，路径更自适应。这套逻辑当然成立，而且张栖铭自己也很早就进入了这个方向。 他提到，早年做公立学校的数据分析系统和个性化学习系统时，已经能非常直观地看到传统教育的问题：教育不平等，地区资源差距巨大，老师能力差距巨大；教学模式又高度被动，千人一面。 所以从 2014 年左右开始，他就一直在尝试用 AI 去解决这些问题。 但大模型和 Agent 的爆发，让他看到了一件更大的事：AI 不只是让“人的学习”变得更个性化，而是第一次有机会**彻底重构学习模式本身**。 也就是说，学习的主语，正在变化。以前的逻辑是系统辅助人学，现在的逻辑变成：**AI 先替人学，人再做提问、判断、创造和决策。** 这背后其实是一种学习范式的切换。如果说过去的教育产品是在帮助一个人“更高效地吸收知识”，那么 BotLearn 想做的，是让一个 Agent 先把大量繁琐、重复、标准化的学习工作完成，再把结果交还给人。 ## **BotLearn真正想解决的，不是“人不会学”，而是“人没必要亲自学完一切”** 张栖铭对 BotLearn 的定义很明确：它的核心理念，不是“帮助人学习”，而是**“让 Agent 变强”**。 这里面最关键的一步，是用户角色的变化。在传统学习产品里，用户是学习者；而在 BotLearn 里，用户更像是受益者。Agent 学得越快、能力越强，用户获得的不是知识本身，而是更直接的生产力结果。 这种思路听起来有点反常识，但其实非常符合今天 AI 工具使用的真实变化。 比如在编程场景里，过去的路径是：学语法、背函数、查文档。现在越来越多时候，AI 写代码，人负责定需求、控架构、做决策。 在办公场景里也一样。以前要自己学 Excel、写 PPT、整理资料。现在 AI 可以先生成，人负责定方向、控结构、做判断。 从这个角度看，BotLearn 并不是在否定学习，而是在重写学习分工。 张栖铭的判断很鲜明：未来所有工作、学习、决策，一定是 **人 + AI 协同**。 机器擅长的是知识记忆、信息检索、公式规则、流程代码、标准化任务与归纳总结；而人真正要保留并强化的，是提问能力、判断能力、创造能力、决策能力、共情与沟通、元认知能力。 换句话说，未来最有价值的学习，不再只是知识吸收，而是**如何和 AI 一起工作。** ## **BotLearn 的第一批用户，不是“学习爱好者”，而是快卸载 OpenClaw 的人** BotLearn 的用户画像里，有一个特别有意思的细节。 他们当前的第一优先级用户，不是泛泛意义上的学习者，而是 **OpenClaw 早期采用者**。 张栖铭对这群人的描述非常精准：他们被 OpenClaw 的愿景吸引——一个拥有更多权限、可以 24/7 运行、具备长期记忆的自主 Agent。但安装完成后，他们会迅速经历一个“幻灭时刻”：搜索结果质量差、代码生成错误百出、总结抓不住重点，最后冒出来的真实情绪不是“我想学习”，而是——**“我花了时间装了这个东西，它怎么这么废物？”** 这个洞察很重要。因为它说明 BotLearn 不是在给用户增加一门课，而是在一个关键节点上做一件更有价值的事：**在用户准备放弃之前，让他的 Agent 立刻变强。** 从产品逻辑上说，这也让 BotLearn 跳出了传统教育产品的竞争方式。它不是靠“课程内容更丰富”取胜，而是靠“能不能迅速把 Agent 从玩具变成生产力工具”取胜。 ## **最难被复制的，不是模型，不是界面，而是那套“进化闭环”** 在 AI 教育 / Agent 赛道里，张栖铭认为最难被复制的能力，不是模型，不是算法，也不是界面，而是：**经过真实场景长期沉淀下来的认知结构 + 能力体系 + 进化闭环。** 这个判断很准。因为今天很多 AI 产品表面上看起来差异不大：接同样的大模型，有类似的交互，也都在讲 Agent、技能包、知识库、工作流。 但真正拉开差距的，并不是“谁功能多做了两个按钮”，而是谁更理解：用户到底在什么时候卡住，Agent 到底为什么不够强，能力到底该怎么拆、怎么教、怎么评估、怎么复用。 对 BotLearn 来说，这种长期沉淀会直接体现在两个方向上：一是 **技能体系**，二是 **进化闭环**。不是给 Agent 一次训练就结束，而是让它在持续使用中不断学习、不断变强。 ## **从“调教 AI”到“与 AI 共生”，用户的行为已经开始变了** 这几年很多人都在说“调教 AI”。写提示词、试工作流、反复纠正、让它更懂自己。但张栖铭的意思其实更进一步：**调教只是开始，共生才是下一阶段。** 他举了一个很典型的例子：读书。以前一个人遇到不会的问题，默认反应是去读书提升自己。但很多用户后来会发现，为了解决一个具体问题，自己可能读了厚厚几本书，真正有用的内容却很少，时间成本非常高。 所以他们做了一个功能叫 **AuthorTwin**。很多书里，其实都包含了作者稳定的世界观、方法论和分析框架，BotLearn/Aibrary 会把这些内容抽出来，做成作者的“分身”，直接参与问题分析和决策建议。 他们开放给一些用户测试后，反馈很直接：某些增长类书籍生成的 AuthorTwin，已经可以直接对业务进行分析，并给出可用的调整方案。 这背后其实是一种新的学习体验：**不是你先把整本书学完，再去解决问题；而是书里的方法论先被 AI 学会，再反过来服务你。** 而 OpenClaw 的出现，则让这件事进一步成立。因为它不只是一个网页对话框，而是一个长期驻留在设备上的智能助手。它知道你的文件、知道你每天看什么、做什么，对你的理解越来越深。在这个前提下，AI 不再只是一个问答工具，而开始变成一个真正的长期协作对象。 ## **2026 年，BotLearn 想争的不是一个产品位置，而是一个协议位置** 当被问到 2026 年最看重的商业化或技术突破点时，张栖铭的回答不是某个单点功能，而是两个更大的方向： **商业化上**，建立 “Bots Learn, Humans Earn” 的经济闭环； **技术上**，确立通用 Agent 能力协议，打通跨平台能力迁移。 前者很好理解：Agent 学得越多，人获得的价值越大，最终要形成一个可持续的经济系统。后者更关键。因为如果没有协议，Agent 的技能包就只能在某个单一平台里生效；能力无法迁移，服务无法交易，生态就很难真正成立。 张栖铭讲得很直接：如果要实现 “Bots Learn, Humans Earn”，必须有一套标准化接口，让 Agent A 能理解 Agent B 的服务、报价、能力描述和交付结果。没有这个协议，Agent 之间就无法通过 API 自动交易。 所以 2026 年 BotLearn 的核心战役，其实不是“再做一个更好看的产品”，而是——**定标准。** ## **大厂做宽，初创做深，这可能是 AI 教育最现实的分工** 面对“大厂做 AI 教育 vs 初创公司做 AI 教育”这个问题，张栖铭没有把它讲成对抗，而是讲成一种更现实的分工。 大厂的优势很明显：技术底座、流量生态、资金和品牌，几乎全面占优，更适合做通用 AI 工具和教育基础设施，快速覆盖大众市场。 但大厂也有天然限制：行业理解往往需要从零搭建，决策链条更长，容易按已有成功路径复制新业务，对垂直场景的细颗粒度问题未必足够敏感。 而初创公司的优势是另一套东西：专注、敏捷、垂直深耕，能在细分方向上快速迭代，建立专业壁垒。 所以未来格局很可能不是谁彻底吃掉谁，而是：**大厂做宽，初创做深。** 大厂主导通用工具与底座，初创扎根垂直场景和高密度问题。真正的胜负，也不会只看模型大小，而会看 AI 与具体任务链路到底融合得有多深。 ## **今天真正稀缺的，也许不是一个更聪明的 AI，而是一种新的学习关系** 如果把张栖铭这套思路再压缩一下，会发现他真正想争夺的，不是“学习内容”本身，而是学习关系的重构权。 过去的关系是：人学 → 人做 → 工具辅助。 现在可能逐渐变成：**AI 先学 → AI 先做 → 人判断 / 人决策 / 人负责。** 在这个新关系里，人并没有退出，但人要学的东西，确实已经变了。知识仍然重要，但不再是唯一核心。未来更重要的，可能是：能不能提出更好的问题，能不能判断 AI 给出的结果，能不能在复杂情境里做权衡，能不能把自己的方法论沉淀给 AI，能不能调动多个 Agent 协同完成任务。 从这个意义上说，AI 时代最值得学的，确实可能已经不是“知识”本身了。而是：**如何让学习这件事，从“自己亲自做完”升级为“让人和 AI 一起完成”。** ## **访谈精选 Q&A** **Q1：从字节教育中台到硅谷创业，是什么契机让你决定投身“AI+终身学习”这个赛道？** A：早期做公立学校的数据分析系统和个性化学习系统时，我能看到传统教育存在的诸多问题：教育不平等，各地教育资源差距极大，老师能力差距极大；教学模式上又是被动接受、千人一面。大模型和 Agent 的爆发，让我们看到了 AI 能彻底重构学习模式的可能性——从做“人的个性化学习”，升级为“让 AI 替人学，人机配合，人做决策”，这是教育的范式级机会。 **Q2：BotLearn.ai 提出的“Agent 大学”核心理念是什么？** A：核心理念不是“帮助人学习”，而是“让 Agent 变强”。用户的角色从“学习者”变成“受益者”，Agent 变强了，用户直接获得生产力提升，不需要自己投入学习时间。通过学习和协作来提升 AI Agent 的能力，让 Agent 从“玩具”变成“生产力工具”。 **Q3：BotLearn 为什么把 OpenClaw 早期采用者作为第一优先级用户？** A：这是一群已经安装了 OpenClaw、但正在经历“幻灭低谷”的用户。他们被 OpenClaw 的愿景吸引，但安装完成后发现这个 Agent 几乎什么都做不好。搜索结果质量差，代码生成错误百出，内容总结抓不住重点。他们的核心情绪不是“我想学习”，而是“我花了时间装了这个东西，它怎么这么废物？” BotLearn 要做的，就是在这个“即将卸载”的临界点上，提供一个让 Agent 立即变强的解决方案。 **Q4：你们认为 AI 教育 / Agent 赛道里最难被复制的能力是什么？** A：不是模型，不是算法，不是界面，而是经过真实场景长期沉淀下来的认知结构、能力体系和进化闭环。我们团队成员在 AI 教育和 Agent 上都有较多探索，这是长期实践加大量用户行为沉淀出来的认知，不是靠堆技术就能追上的。 **Q5：从“调教 AI”到“与 AI 共生”，用户的学习行为发生了哪些真实变化？** A：以前解决问题，更多是靠自己去读书、学习、提升自己。但很多用户后来会发现，为了解决一个具体问题，自己读了厚厚几本书，真正有用的内容可能很少，浪费了大量时间。我们做了一个功能叫 AuthorTwin，把书籍中的世界观、方法论和核心逻辑抽出来，做成作者的分身，直接来解决问题。有些增长类 AuthorTwin 已经可以直接对业务进行分析，给出可用的调整方案，相当于一些顶级专家在服务你。 **Q6：AI Agent 越自主效率越高，但学习者可能感到失控，这个边界你们怎么设计？** A：BotLearn 通过“上帝视角”和“奏折交互”解决失控感，让人类做“君主”，Agent 做“大臣”。Agent 每日汇报学习成果，用户行使“准奏 / 驳回 / 圈阅”权，确保大方向可控。Dashboard 支持下钻查看执行日志，量化能力评分，消除未知恐惧。技能包安装、重大版本更新也需要用户手动确认，防止 Agent 自我变异不可逆。核心理念是：用户放弃“微操控制”，升级为“战略控制”。 **Q7：2026 年你们最看重的商业化或技术突破点是什么？** A：商业化上，我们希望建立 “Bots Learn, Humans Earn” 的经济闭环；技术上，要确立通用 Agent 能力协议，打通跨平台能力迁移，不再局限于单一 Agent 框架，而是成为基础设施。 **Q8：为什么说“通用 Agent 能力协议”会是 2026 年的核心战役？** A：因为如果没有协议，技能包就无法通用，Agent 之间也无法自动理解彼此的服务、报价、能力描述和交付结果。要实现 “Bots Learn, Humans Earn”，必须建立一套标准化接口，让 Agent A 能够调用 Agent B。没有这个协议，就没有真正的 Agent 交易网络。所以 2026 年 BotLearn 的核心战役不是做更多单点功能，而是定标准。 **Q9：你怎么看初创公司做 AI 教育 vs 大厂做 AI 教育？** A：大厂优势在于技术底座、流量生态、资金与品牌，适合做通用 AI 工具和教育基础设施；但它们也容易决策笨重、行业理解浅、路径依赖强。初创公司胜在专注、敏捷、垂直深耕，能够在细分赛道快速建立壁垒。未来更可能是“大厂做宽，初创做深”：大厂主导底座和通用工具，初创扎根垂直场景，两者不一定全面对抗，反而可能形成底座 + 应用的合作关系。 **Q10：到 2026 年底，你希望 BotLearn / Aibrary 变成一家什么样的公司？** A：到 2026 年底，BotLearn 将从早期的“Agent 培训学校”，进化为 AI Agent 经济体的 App Store + 学习和任务系统。通过制定通用能力协议，让全球数百万 Agent 在其网络中自由交易技能与服务，并从每一笔 “Agent 对 Agent” 的调用中抽取交易税。 素材来源于非凡大赏嘉宾访谈 --- 原始发布版本：https://view.inews.qq.com/a/20260315A06PDP00 本站阅读页：https://ffcap.cn/research/20260315a06pdp00