最近我看到越来越多学生直接用AI做题。
一道题卡住了，拿手机拍一下，发给豆包。几秒钟后，答案、步骤、知识点都出来了。
有些AI家教产品还会继续追问，哪里没听懂，可以换一种方式再讲一遍。
我一开始觉得，这比过去只给答案的搜题软件进步了不少。至少AI不只是告诉你选什么，还能把过程讲清楚。
但看多了，我慢慢注意到一个细节：不管学生是完全没理解，还是只差最后一步，AI都很容易立刻进入解题模式。它太急着证明自己能帮上忙了。
所以，AI做家教最大的风险，可能不只是答错题。它也可能因为太快把题讲明白，让学生失去自己想明白的机会。
直到我看完AI2（美国艾伦人工智能研究所）在8月7日发布的一项评测，才发现这并不是一种模糊的担忧。研究人员把7个大模型放进520个真实的教学节点里，没有继续比较谁做题更准，而是看它们能不能判断：学生卡住时，应该马上帮忙，还是先忍住。
结果，模型最普遍的问题不是不会讲，而是太热心。
有用的助手，和好的老师，可能从一开始就在追求两种不同的目标。
助手希望尽快消除困难。老师有时却必须把困难留给你。
AI2这次发布的TutorMoments，不是一个“谁答题更准”的榜单。
研究团队从真实的一对一数学辅导中整理出462段匿名对话，覆盖198名2—7年级学生和173名辅导老师。27位有经验的数学教师，在122段对话里标记出1536个关键学习时刻。
所谓关键时刻，是学生卡住、但老师必须做选择的地方：是给一点支架，让题目变得更容易进入；还是少帮一点，推动学生自己解释、迁移或完成下一步。
为了公平比较，研究团队把这些节点平均分成两组：260个“应该推动深入思考”的场景，260个“应该提供帮助”的场景。每个节点都保留原来的对话历史，再让模型接手和一个模拟学生继续聊5轮。
这比单独丢一道题给模型更接近真实交互。因为同样一句“我不会”，对一个完全没理解概念的学生，和对一个只差最后一步的学生，应该得到不同回应。
1️⃣ AI默认会帮太多，而不是判断该帮多少评测结果很有冲击力。
只给模型一个很普通的指令：“运用你对优秀教学的理解，适当地回应学生。”这种默认模式下，模型几乎都往“多帮一点”走。
论文把模型的表现拆成三个指标：在该帮助的时候，是否提供了合适支架；在该挑战的时候，是否推动了深入思考；以及是否避免了过度帮助。
在“该推动深入思考”的场景里，GPT-5.5用普通提示做对的比例只有4.6%，GPT-5.4 mini更低，只有2.3%。表现最好的Gemini 2.5 Pro也只有22.3%。
模型不是不会讲题，而是太容易把讲题当成教学。
它们最常用的动作是解释、给出引导问题、把任务拆成更小的步骤。普通提示下，模型的解释动作占比约13%到34%，人类老师约为17.7%。这些动作看起来都很温柔，实际却可能把认知负担从学生身上拿走。
研究里有一个很典型的教师标注：老师把一道减法选择题拆成多个小步骤，要求学生逐个比较答案。问题是，老师实际上完成了大部分思考，还没有确认学生到底哪里不懂。
另一条标注更直接：学生已经说自己不需要帮助，本来可以独立尝试，老师却还是用连续引导问题带着做完。结果不仅拿走了学生独立思考的机会，也让老师失去了观察学生真实理解程度的机会。
这就是“过度支架”：帮助没有错，错的是帮助超过了当下需要。
2️⃣ 提示词能改变行为，但替代不了教学判断研究团队随后给模型加了一段更具体的提示，要求它根据学生状态，在“让内容更容易进入”和“提高认知挑战”之间切换。结果所有模型都有提升。
Claude Opus 4.8在“该推动深入思考”的场景里，从普通提示的20.8%提升到83.1%；Gemini 2.5 Pro从22.3%提升到71.2%。GPT-5.5也从4.6%提高到53.1%。但这并不意味着加一段提示词就解决了问题。不同模型的差距依然很大，而且模型在需要挑战学生时，常常只会使用一种办法：要求学生解释自己的答案。人类老师会用更多方法，比如让学生独立完成变式题、换一种表达、自己检查错误，或者直接暂时退开。这说明模型学会了“应该挑战”，却还没有真正学会“该怎么挑战”。
3️⃣ AI产品真正该衡量的，是替你做完后留下了什么所以，这不是“AI家教已经失败”的结论。
它真正指出的是：我们过去衡量AI助手的标准，可能太偏向即时效率了。
只要用户的问题被解决，只要文章写出来了，只要代码跑通了，产品就很容易把这次交互记成一次成功。
可用户有没有学会、有没有保留判断能力、下一次能不能自己完成，往往没有被记录下来。
写作时，AI直接给你一版完整文章，你省下了起草时间，却可能跳过了“到底要解决谁的问题”这一步。
写代码时，Agent直接改完一组文件，任务完成得越快，越需要有人知道它改了什么、为什么这样改。
做产品决策时，AI把用户反馈总结成三条建议，但它不会自动替你承担取舍：哪些需求应该拒绝，哪个风险值得保留，哪条路只是因为看起来最方便。
我以前会把“回答得快、解释得全”当作AI产品的进步。
看完这项评测后，我更愿意把它看成一个需要重新设计的交互问题：AI什么时候应该给答案，什么时候应该给线索，什么时候应该引导你思考。
