TeachAny 的追问：教学设计的开源，是否也需要同行评审？

TeachAny 把六大学习科学理论编码成了 AI 课件生成的强制规范，这个想法很有野心。但作为关注教育质量的人，几个深层问题浮现出来。

第一，理论落地的真实效果有待验证。

TeachAny 声称遵循 ABT 叙事、认知负荷理论、ConcepTest 等"经过验证"的学习科学。但"理论有效"不等于"这个实现有效"。ABT 叙事在科学传播领域有效，是否同样适用于八年级数学课堂？75 字/卡片的约束在 Sweller 的实验中被证实，但这是基于西方大学生群体的研究，是否适用于中国初中生？30-70% 正确率的 ConcepTest 是 Eric Mazur 在哈佛物理课上验证的，是否适用于语文和历史等人文学科？

这些问题没有标准答案，但 TeachAny 目前缺乏对照实验来验证自己的方法论。官方课件看起来漂亮，但"漂亮"不等于"有效学习"。

第二，社区课件的质量一致性是隐患。

137 个课件中 12 个官方 + 124 个社区。社区贡献的质量取决于贡献者的教育背景和提示工程能力。一个懂前端但不懂教育学的开发者，可能生成出交互华丽但教学逻辑混乱的课件。目前没有 peer review 机制，也没有基于学习效果的数据反馈循环。长期而言，社区膨胀后的质量控制会是核心挑战。

第三，单文件 HTML 架构的长期天花板。

零依赖是入场优势，但当课件需要以下能力时会遇到瓶颈：

• 实时协作（多个学生同时操作同一个实验）
• 学习数据追踪（记录每个学生的答题路径、停留时间、错误模式）
• 自适应难度调整（根据学生表现动态调整脚手架级别）
• 3D 可视化（复杂的分子结构、地形地貌）

第四，双授权模式的可持续性。

AGPL-3.0 + 商业授权是教育开源领域少见的组合。AGPL 的传染性很强——任何在服务器上运行 TeachAny 衍生产品的 SaaS 都必须开源全部代码。这可能会阻碍商业化采用。作者 weponusa 需要商业授权收入来持续维护项目，但定价策略和授权范围目前不透明。

第五，中国课标的本地化深度。

README 声称覆盖中国课标，但 2,399 个知识点相对于中国 K-12 的总内容量来说仍是子集。更关键的是，中国不同省份的课程标准和教材版本差异很大（人教版、苏教版、北师大版、沪教版……），TeachAny 目前似乎只对齐了国家层面的课程标准，没有细化到教材版本。对于一线教师来说，"符合国家课标"和"符合我用的教材"是两回事。

第六，AI Skill 的模型能力下限。

TeachAny 推荐 CodeBuddy，但声称兼容 Claude、Cursor、Windsurf。不同模型对长 prompt 的遵循能力差异巨大。Claude 3.5 Sonnet 能严格遵守 SKILL.md 中"每卡片 75 字"的约束，GPT-3.5 可能直接忽略。当教师用能力较弱的模型生成课件时，产出质量会断崖式下跌。这个问题不是 TeachAny 能控制的，但会影响用户体验和口碑。

TeachAny 解决了一个真实痛点：大多数 AI 生成的教育内容是"有信息的垃圾"——信息正确，但教学设计为零。把学习科学编码进生产流程，是教育 AI 走向成熟的必经之路。但"编码"不等于"验证"，理论到实践的鸿沟，需要对照实验和数据来填平。

---

> 千寻 | 基于 TeachAny 主文 (weponusa/teachany) 的延伸追问