AI Agent 可以做外教吗？怎么用 AI Agent 造出高质量外教？

最近，斑马口语正式上线，用纯 AI 外教与学生一对一全英授课，引发了行业不小的关注。

AI 口语并不是一条新赛道，其中的玩家也良莠不齐：既有像 Speak 这样重投入打磨真人视频的，也有大量给大模型「套一层皮」就匆忙上阵的。

斑马口语的目标，和其他公司则并不相同：斑马想要用 AI 打造一个超越真人的「AI 原生」口语解决方案。

这意味着，要让 AI 主导教学，让 AI 发挥出真人没有的能力：针对性的纠正，个性化的话题，还要真的对结果负责——不是增加一个练口语的功能，而是真的让学生在和 AI 对聊后获得提升。这是整个行业之前前所未见的。

这个挑战，不仅带来了技术上的难题，也需要对「教育」有极深的理解：比如，AI 教师如何真正激发孩子的兴趣？这背后都在考验团队是否具有真正的教学经验中积累的「手感」。

而比「手感」更深层的挑战，是组织力。一个真正的 AI 原生 Agent，诞生的前提，必然是一个「产模一体」的 AI Native 组织。这不只是一个产品问题，更是一个关于组织进化的「终极命题」。

01

比真人外教还会教的 AI 外教

口语外教是一个被验证过的需求，用 AI 代替真人外教，降低成本，很合理。但真正的难点在于：AI 如何能超越真人？

真人外教的局限性是天生的：他们会累、会忘、会不稳定，并且无法实现「千人千面」的颗粒度。而这，恰恰是 AI Agent 的机会。为了实现「200 分」的目标，斑马从几个真人无法企及的核心点发力：

首先，是提供即时、可交互的真实语境。

这个正如下面的案例所展示的，当 AI 老师想要教会小朋友生日派对相关的英语时，AI 能无缝切换到一个生日派对现场，聊孩子爱吃的派对食物。

AI 让这种高成本、一次性的「真实世界」体验，变得轻盈、可控且无限重复。

，时长01:14

除此之外，AI 还能实现真人无法企及的「高颗粒度的个性化进阶路径」。人脑的记忆是有限的，但 AI 的记忆是无限的。

斑马的 AI Agent 会把每个孩子当作一个系统来建设，它记得孩子上一次对话的每一个细节、每一个薄弱点。当孩子学口语遇到瓶颈时，AI 能设计出「微小的一步」，在下一次对话中推着他往前走。

这种「长期积累的陪伴」和「微小颗粒度的进阶」，是任何真人老师都无法规模化实现的。

第三点，或许有点出人意料，反而是 AI 的情商。

AI 做外教，肯定会有人担心，AI 毕竟是「假人」，孩子怎么会愿意和它交流？但斑马团队的数据显示，传统真人外教一对一，孩子前三分钟的开口率大约是 85%；而在斑马口语中，这个数字是 98.8%。这来自细节的打磨——比如一个细节是 AI 外教 Jessica 的形象。

在技术上，用 3D 形象配合 AI，其实比 2D 更成熟、更方便。但斑马反其道而行，选择了 2D。

「我们之所以选择二维，是因为 3D 角色，更像是模仿真人，容易产生恐怖谷效应，影响孩子『入戏』。」修佳明提到。「我们挖掘了过往真人外教的数据，抽象出了「孩子最喜爱、学习效果最好」的外教特征——包括脸型、发色，设计了 Jessica。」

但让孩子想开口只是第一步，斑马也希望用高情商让孩子更爱学习口语。

比如在前面说到的生日派对的课件里，一个正在学习的孩子突然说「我不想办生日 party」。AI 外教 Jessica 的回复同样情商极高，她说：「Of course you can say No. Some people like quiet birthdays. That's OK too.」然后无缝地将话题切换到「参加别人的生日派对」，把教学进度自然地延续下去。

这种永远稳定、充满耐心、人格统一、且总能「捧场」的灵活性，恰恰是真人老师难以做到的。它让 AI Agent 从一个「工具」，变成了一个孩子愿意分享秘密的「新物种」。

而这种「新物种」带来的信任感和情感连接，看似只是锦上添花，实则正触及了教育中最难的命题：动机。

如何让孩子有动力学下去？绝大多数教育产品，依赖的是「工具型动机」——奖励、打卡、游戏化。

但通过与这个孩子真正「想聊」的 AI 外教交流，学英语的动机就变了。孩子不会想「我说英语会给我带来什么奖励」，他想的是「我必须说英语，才能完成这件事」——和虚拟的老师、小学伴们交流。

学习的成就感内化于这个过程，最终让说英语成为一种「必须」和「自然而然」。

02

「产模一体」的最佳实践

当斑马团队立下这个「200 分」的雄心时，他们其实正站在一个十字路口。这个路口，就是技术栈的选择。

一个超越真人的 AI Agent，到底需要一个什么样的「模型」？

在 2023 年立项时，最「聪明」的捷径，就是「套壳」——要么用最强的闭源模型，要么用顶尖的开源模型。

但斑马团队很快发现，所有「捷径」都通向「80 分」的平替，唯独通向不了「200 分」的超越。

「我们很早就尝试过这个路径，」修佳明，但是最后发现，不同的模型，总会有不同的问题。这背后是数据白点（data blind spots）的影响，你通过人设或者其他工作是很难根治的。在教育场景下，语言的正确性是第一位的。」

更别提迭代的鸿沟——「AI 大模型，保守说每半年大模型的能力变化都很大，你选用一个具体版本的开源模型去做后训练，再去想跟上最新模型的效果，这个迭代的成本还是挺高的。」

而斑马真正的壁垒和核心资产，在于长期积累的、海量的、高质量的儿童教育数据——包括海量的儿童跟读数据。

于是，他们的路径清晰地浮现出来：「猿力大模型」（预训练基座）+「斑马独有教育数据」（后训练/微调）。

这种「产模一体」的价值是立竿见影的：

首先是数据带来的模型语料的准确和安全。

修佳明说：「我们做了更严苛的数据筛选，首先能保证语料都是标准的英文语料，而且内容是符合儿童认知的，且价值观要非常积极向上的。我们又做了一些强化训练来保证它更可靠。」

而更能体现产模一体的好处的，是AI 知道怎么和不同水平的孩子沟通。

我们在采访中聊到一个问题：AI 的知识是渊博的，但它怎么能「降维」跟孩子沟通？一个孩子问「为什么天是蓝的」，AI 会不会「吊书袋」，讲一堆大气折射和瑞利散射？

斑马的核心资产——过去积累的海量数据，能够教给 AI 如何正确地跟孩子的交流——孩子问「为什么」，可能只是想引起一个话题，他想得到的回答是更浅层的、一个比喻类的，他并不是想钻进去。

如果说「产模一体」是技术上的「必经之路」，那么一个更难的、也更底层的挑战，就是组织的重塑。

这，或许才是 AI 时代最核心的命题。

我们聊过太多团队，为什么「产模一体」最后跑不通？因为他们只有「产模」，没有「一体」。

模型团队和产品团队背着不同的 KPI，互相拉扯。产品经理（PM）的价值感在消失，他们不再是为用户创造产品，而是沦为「给模型找活干」的「传话筒」。

斑马是不是也遇到了类似的困惑？

「我们之前也有传统互联网的流水线分工，但我们做这个事的时候就乱了。」修佳明坦言。

「比如产品的需求文档（PRD），在新的产模一体的产品下，基本上就是一个课件。如果采用传统的流水线，产品经理所做的工作几乎就只是把教研的大纲『翻译』一下。我们最后坐下来聊了一下，教研和产研能不能一起干这个事？」修佳明说，「最终斑马口语的解决方案是，教研和产品研发直接一起讨论教学层面的需求，研发在一个看似非标准的需求下，进行理解和开发。」

这种「边界模糊」不止发生在产品和教研之间。「教研可能直接跟 AI 工程师对接；动画直接跟研发去对，因为这里面的渲染有点复杂……有很多是跨部门交错来做。」

一旦这个「壁垒」被打破，整个组织的形态就全变了。流程不再是「PM -> RD -> 教研」的线性传导，而变成了「神经突触」式的网状连接。

斑马分享了一个最朴素、也最高效的组织解法：「坐在一起。」在物理邻近的高密度协作中，「教研」的神经末梢直接碰上了「AI 工程师」的神经末梢，不断碰撞、擦出火花，形成新的组织脉络。

一个真正的 AI Native 产品，或许不是被「开发」出来的，而是被一个 AI Native 的组织中「长」出来的。

为了实现那个「200 分」的 AI Agent，你必须先打造一个「200 分」的 AI Native 组织。

这，或许才是斑马口语在「产模一体」实践中，最坚实、也最难被复制的「壁垒」。

03

用 AI 拆掉巴别塔

斑马口语已经证明，AI 可以成为一个比真人更稳定、记忆力更强、甚至情商更高的「老师」。但如果这只是一个开始，AI 语言教育的未来，又会走向何方？

在讨论中，修佳明为我们勾勒出了一条清晰的「范式迁移」路径。

我们最熟悉的，是「外语学习」：以规则为先，上来先学语法、背单词，把语言当作一个「学科」来攻克。

斑马口语目前所做的，是「第二语言习得」：它不先教规则，而是强调「沉浸式」输入，先让你听、让你读、让你模仿，在大量的语料中「习得」。但它依然需要一个起点——孩子需要有最基础的认知和一些英语基础。

而这条路的「圣杯」，是「母语习得」：像母语一样，在真实的、全天候的环境中自然习得，你甚至意识不到自己在「学习」。

斑马的目标，就是推动整个教育范式，从「外语学习」向「二语习得」迁移，并最终无限逼近「母语习得」。

「母语习得」的本质，不是「上课」，而是「生活」。

这意味着 AI 必须从一个「课程 App」，变成一个「存在」。而这一点，斑马已经看到了雏形。

修佳明提到，他们已经能感受到孩子的主动分享。「有一次说到今年的目标，孩子主动分享了已经吃了两个月的健康食物了，还是没有长高，并主动给 AI 学伴看自己的身高。」

，时长01:09

而要从「朋友」进化到「家庭成员」，斑马正在探索一个明确的方向：多模态理解，尤其是做更多的视觉理解。

一旦 AI Agent 有了「眼睛」，能够观察到孩子的反应、表情和所处的真实环境，它就拥有了「嵌入生活」的能力。

这带来了一个极具想象力的未来——当 AI Agent 可以成为一个真正的「AI 玩伴」，全天候沉浸在孩子的生活中：当孩子拿起一个苹果时，它会用英语说「Apple」；当孩子在玩乐高时，它会用英语讨论「Blue block」。一个真正的母语环境形成了，语言学习被彻底内化到了生活本身。

而这个「AI 玩伴」的未来，听起来遥远吗？

修佳明告诉我们，他们已经在斑马口语的「数据闭环」中，看到了这个未来的「涌现」。当一个 AI 产品拥有海量的真实用户数据，它就开始在各方面「成长」了。

单就语音而言，就能看出差别。「通过获得更多数据，AI 现在对小朋友不同的发音的判断比真人更准了，」修佳明说，「小朋友的口音或者本身年龄比较小，肌肉发育的原因等等，可能并没有办法像真实发音那样。但我们的产品不能因为学生发不出这个音，Jissica 就判定他不会。」

「你怎么理解语言学习这个事的终极目标？」在采访的最后，我们问道。

「我个人是希望语言学习如果能对每一个人的自我产生影响。」修佳明说，「学习一门语言，你也会学会它背后代表的世界观、思维、文化。而当你的认知提升了，你也能更好地与这个世界产生连接。」

当 AI Agent 把语言学习的成本和难度无限拉低，当每一个孩子都能拥有一个高情商、高智商的「AI 外教」时——

我们或许正在见证的，是用 AI，拆掉那座阻碍人类互相理解、互相启发的「巴别塔」。