第一次把WorkBuddy用在一节完整的初中物理课上——从读课标到写教案，从批改作业到无生试讲陪练——坐在电脑前我愣了一下：过去至少要熬两三个晚上的活儿，被拆成了一条有清晰步骤的流水线。这不是说AI可以替教师动脑子，而是说那些重复、机械、占比过大的“体力活”，终于有工具能接住了。
这篇文章写给谁？中小学一线教师、教研组长、负责教师培训的信息技术老师，以及想给自己学校搭一套离线工具的教务人员。我会按教育场景的真实顺序，把AI备课、教研辅助、作业批改、无生试讲陪练和QuickForm本地部署这五件事逐一过一遍，每件事都有具体提示词、操作步骤和踩坑心得，拿过去就能直接照着做。
1. 先想清楚：为什么教育场景需要专用AI工作台
1.1 WorkBuddy和通用对话助手的核心差异
很多人问我，直接用网页版AI不就行了，为什么非要WorkBuddy？我的体感差异有三点。
第一是任务连续性。通用对话工具适合“问一句答一句”，但备课是一个持续两三个小时的工程：先拆课标，再写学情分析，然后做环节设计，最后生成作业。WorkBuddy的会话和Skill机制可以把整个备课流程看成一个“项目”，中途切换任务不会丢失上下文，规则设定一次之后，后续所有任务都跟着走。如果用过CodeBuddy，会发现WorkBuddy更像是把“写代码”扩展成了“跑通一切文字流程”的工作台，只不过我把它的场景换到了教育。
第二是可自定义规则。高频教育任务（教案、评课报告、作业批改）可以沉淀成固定规则。比如我在WorkBuddy里建立了一套“教案输出规则”，规定每一份教案必须包含课标要求、学情分析、教学目标、重难点、环节设计、作业设计和反思点七部分。之后我只要丢进来课题，生成的教案自动按这个结构来，不用每次重新交代。
第三是本地部署能力。教育行业对数据敏感程度高，学生姓名、成绩、评语都牵涉隐私，学校不可能把所有数据传到公网。WorkBuddy本身是否支持私有化部署要看具体版本和授权，但标题里提到的QuickForm是完全可以在本地跑的，这给数据敏感场景留了一条干净的出路。
1.2 教师重复劳动的真相：时间都去哪了
按我的观察，一线教师每周的隐性工作量是这样的：备课找资料1.5小时、手写教案2小时、批改作业2小时、教研记录整理1小时、试讲演练如果有赛课需求还要额外3小时。这些工作本质上是“把已知知识筛选、排版、组合成特定格式”，恰好是AI最强的地方，但过去大家没用起来，不是因为不学，而是缺一个把流程串起来的工作台。
WorkBuddy的价值就在于把上面五件事放进同一套操作习惯里。它不改变教师的教学判断，只压缩“打字和整理”的时间。下面我按真实工作流的顺序展开。
2. AI备课全链路：从课标拆解到逐页讲稿
2.1 用自定义规则先给WorkBuddy定“人设和标准”
我见过太多老师吐槽“AI生成的教案没法用”，原因几乎都是没设定规则。默认情况下AI生成教案会偏空泛，因为它不知道你的学情、你所在地区的教材版本、你习惯的课堂节奏。解决方法是开工之前先花五分钟发一段全局规则。
我常用的规则模板如下：
你是我的教研搭档，有15年初中物理一线教学经验。从现在起，所有与我备课相关的输出必须遵守： 1. 教学目标按知识与技能、过程与方法、情感态度与价值观三个维度展开； 2. 涉及课堂活动时，标注时间、组织形式和可能存在的前概念障碍； 3. 作业设计必须体现分层，标注基础题、提高题、拓展题； 4. 不使用“让学生感受”“培养学生的XX意识”这类空话，每个环节必须有可观察的学生行为描述； 5. 教材版本：人教版（如有偏差，我会单独指出）。设定这条规则之后，WorkBuddy在本次会话内生成的每一版教案都自动符合我的格式要求。这里有个小技巧：规则越具体，AI越不容易跑偏，尤其是“必须给出可观察行为”这一条，能瞬间把教案质量从“套话模板”拉到“能直接上课”。
2.2 三步生成教案：拆课标、搭框架、填细节
规则设定好之后，我按照三步走。
第一步，拆课标。我不会直接问“请写一份《光的折射》教案”，而是先让AI把该课题对应的课标要求拆出来，并帮我梳理解题逻辑：
请列出《光的折射》这节课对应的课标内容要求，并帮我把“理解光的折射定律”这个目标拆成行为动词：学生能完成哪些可观察、可测量的小任务？这一步解决的是“教学目标空泛”的根本问题。AI把“理解”拆成“能画出光路图、能用折射定律定性分析全反射现象、能在实验课上说出入射角与折射角的变化关系”，后面的教案设计才有抓手。
第二步，搭框架。让AI按规则给出7个环节的粗框架，每个环节只写核心目标、师生活动一句话、时间分配。这一步产出的是骨架，我会快速扫一遍，把不符合我班级节奏的部分直接改掉。AI生成的速度很快，10秒钟出框架，我花5分钟调整，比从零写快了太多。
第三步，填细节。框架定型之后，我会挑重点环节让它展开写，比如“课堂引入”和“重难点突破”。这个环节提示词一定要带具体情境：
在“课堂引入”这个环节，请设计一个基于学生日常经验的导入实验，同时埋一个能引发认知冲突的点。请给出实验所需器材、演示步骤、需要向学生提出的三个递进性问题，以及学生可能出现的错误回答和你对应的追问。这一步我重点检查的是：设计的问题链是否符合我班级的真实水平。AI不知道你的学生基础，所以我会把班级情况补进去，比如“本班学生刚学完平面镜成像，对‘光路可逆’概念不牢”，它给的追问质量立刻就不一样。
2.3 配套资源生成：PPT逐页讲稿与分层作业
教案完成之后，WorkBuddy还能帮我把配套资源一次性做出来。我经常用的三个子任务：
第一，PPT逐页讲稿。给它一个指令：“把教案转换成PPT大纲，10页以内，每页写清标题、关键内容、讲稿台词、需要展示的图片或动画说明。”生成的讲稿我照读也不会卡壳。
第二，分层作业。直接让AI按班级的不同水平出题：
请为《光的折射》设计一套分层作业。基础层8题，对应概念记忆和简单识图；提高层5题，需要运用折射定律进行计算；拓展层2题，涉及“池水变浅”“海市蜃楼”等生活现象解释。所有题目给出参考答案和易错点提示。第三，课堂导入素材。比如让AI按班级真实场景编一个导入故事，或者生成十个课堂提问。
素材生成完不是直接用，而是把每道题、每页PPT自己过一遍。AI出题的错误率在低阶题目上很低，但拓展题偶尔会出现科学表述不严谨，所以我校对的重点是“难题和开放题”。
这里分享一个我在备课环节最有价值的经验：WorkBuddy最大的产出不是教案本身，而是“备课思路的整理效率”。当你把它当成随时能对话的教研搭档，它会逼你把“为什么这么设计”说清楚，这本身就是一种专业成长。
3. 教研环节的AI辅助：评课记录与课题申报
3.1 从听课笔记到评课报告的提效流程
教研活动里有大量文字整理工作，最典型的是听课后要交评课报告。以前是听完课回家翻着笔记本硬写，现在我把它变成流水线，大概十五分钟出初稿。
流程是这样的：听课过程中我直接拿手机记录关键时间点、教学环节转换、提问统计、课堂突发事件；听完课后，把碎片记录丢给WorkBuddy，给一条清晰指令：
以上是我这节课的听课记录，请按以下结构输出评课报告： 1. 教学目标达成度：对照课前写定的目标逐一判断是否达成，给出依据； 2. 时间分配分析：统计各环节占比，指出哪一段效率偏低； 3. 课堂提问类型统计：区分记忆型、理解型、应用型提问，计算比例； 4. 学生参与度观察：从记录中出现的学生行为推断参与情况； 5. 三点改进建议：按优先级排序，每一条都必须对应记录中的具体现象。生成的报告我一般会在“提问类型统计”那里手动修正，因为AI只能从我的记录里推断，如果我在记录时漏记了某个提问，它的统计就会失真。所以记录越详细，AI统计越准，这个环节不能偷懒。
写评课时还有个小技巧：让AI先输出客观描述，再输出主观评价。这样可以避免AI生成一堆“课堂氛围活跃”这种没有依据的话。我的提示词里明确要求“每一条结论必须引用记录中的原句或现象”，报告质量会明显提升。
3.2 课题申报里AI能帮什么、不能帮什么
课题申报是另一个常见的教研重头戏。文献梳理是最耗时间的环节，也是AI最擅长的。我通常让WorkBuddy做三件事：
第一，把课题关键词转化为检索式，并列出近五年的研究方向聚类。注意，AI只能基于它训练数据里的知识做聚类，不能替代真正的文献数据库检索，所以这一步定位是“帮我确定文献检索的方向”，不是“帮我写文献综述”。
第二，写研究背景时，让AI根据我口述的校本现象起草第一版。例如：
我的课题是“基于错误资源培养初中生物理建模能力的实践研究”，请帮我梳理研究背景。请说明错误资源在物理建模中的价值，并结合当前课程标准对科学思维的要求。先用两句话概括核心论点，再展开，总字数不超过800字。第三，研究内容部分，我会用对话式让AI和我“互相追问”：我提出研究框架，它从审稿人角度提出三个质疑，我再修改。这种抗辩式写法比闷头自己写高效得多。
但请务必明白：课题的研究设计、研究对象、评价方案这些核心决策，不能外包给AI。AI只能当组卷人、当质疑者和润色者，如果连研究对象和方法都是AI定的，这样的申报书答辩时会很容易出问题，因为一问到细节就答不上来。
4. 作业批改的边界与提效技巧
4.1 哪些批改任务可以放心交给AI
作业批改是我在教学中对AI最谨慎的一个环节，因为它直接关系到学生反馈的准确性。我的习惯是分成三档。
第一档，可以完全交给AI：填空、选择、计算题的结果判对错。我会让WorkBuddy按答案批量判断，并且自动统计班级错误率。这类任务客观、标准明确，AI出错的概率极低。
第二档，AI初改教师复阅：英语作文、语文作文、实验报告。AI打初评、给修改建议，我在此基础上做最终评分。这样省掉的是“逐句划线”的体力劳动，保留的是“最终评价权”。AI初改的价值在于它永远不会遗漏低级错误，比如时态、拼写、标点。
第三档，不交给AI：涉及价值观判断、情感态度和需要有教师个人温度的评语。比如学生写“我的理想”，AI可以点评结构但绝不能武断评价学生的理想本身；再比如针对学困生的鼓励性评语，AI写的会显得客套，这种内容必须自己写。
4.2 作文批改的提示词模板与人工复核流程
英语和语文作文批改是我用得最多的场景，这里给一套我调好的提示词模板：
你是初中英语作文批改老师。请按四个维度分别评分：主题一致性30%、篇章结构25%、语言准确性25%、词汇与句式丰富度20%。 输出要求： 1. 先给总评，不出现分数，只给等级（A/B/C/D）； 2. 逐句列出有语法或拼写错误的句子，标注错误类型，并给出修改建议； 3. 指出全文的一个结构亮点和一个逻辑不足； 4. 最后用一句话总结本次最需要改进的一个问题。这里我要强调“不出现分数只给等级”，是因为AI给出的具体分数并不具备统测参考性，不同AI模型对同一篇作文的打分可能相差很远。用等级制可以减少误导。
人工复核流程我的习惯是这样：AI批改完成后，我会快速抽看10%到20%的AI初评结果，重点看两件事——是否漏判了学生在立意上的亮点、是否错判了学生明显想表达但表达不清的句子。AI对“错句”的判断相对可靠，但对“这个学生想说但没说清楚”的情形判断不可靠。复核时我会用红笔在花名册上标记需要面批的孩子，这比从零批一篇快得多，而且质量可控。
4.3 批改数据回收：错题统计和班级学情分析
批改的最终价值在数据回收。以前Excel表格要自己录入错题信息，现在我可以把批改结果批量导出，让WorkBuddy做班级学情分析：
以下是本次作业每道题的班级正确率数据。请帮我找出： 1. 正确率低于60%的题目对应的知识点； 2. 这三个知识点在最近三次作业中的正确率变化趋势； 3. 根据错误类型，推测学生的主要障碍是概念不清、公式误用还是审题失误； 4. 给出下次课堂前5分钟的针对性训练建议。这个分析的价值在于，AI整合的数据能直接指导第二天的课堂导入，把教师从“感觉学生不会”变成“知道谁不会、哪里不会、为什么不会”。不过还是要提醒，AI的趋势分析依赖数据完整性，录入的时候不要图快省掉记录学生姓名的字段，否则“针对性”就无从谈起。
5. 无生试讲陪练：让AI扮演评委、学生和杠精
5.1 构建试讲模拟环境的提示词结构
无生试讲是教师招聘、赛课和职称评定的常见形式。最开始我练试讲只能对着空教室自己录像，回放时也看不出问题。后来我把WorkBuddy改造成了一整套陪练系统，一个工具同时扮演评委、学生和临时突发情况制造者。
基础是给WorkBuddy定一个复合角色：
现在你是初中物理学科无生试讲评委组组长，同时兼任模拟课堂中的虚拟学生。我们进行一次模拟试讲练习，每次你收到我的讲课内容，请做两件事： 1. 用评委视角按教学设计、语言表达、板书逻辑、时间控制、互动真实性五个维度打分，每个维度写出具体的表现证据； 2. 用虚拟学生视角向我追问一个问题，追问要有一定的挑战性，模拟真实课堂上爱思考的学生。 5轮之后，请汇总给出一个提升优先级清单。这个复合角色的妙处在于，它把“表演”和“批评”分开了。我在试讲过程中只需要按节奏输出我的教案或讲稿片段，AI就一边扮演学生配合我，一边以评委身份剖析我的问题，相当于每练一次就多一个“懂行的现场观众”。
5.2 从练流程到练应变：突发情况模拟
无生试讲最怕的不是讲得不好，而是临场遇到“意外”。真实面试现场，考官会在试讲结束后追问一个教学设计问题，或在你试讲过程中模拟学生发出挑衅式提问。这些突发情况非常考验临场反应，而AI是最廉价、最温和的陪练对象。
我会专门建立一个新的会话来做应变训练。这个会话里，我给WorkBuddy设定的任务是“制造麻烦”：
现在请你扮演三类角色，每轮随机选择一类来刁难我： A. 坐不住的学困生：你说你的，我故意接话茬、做出扰乱行为； B. 爱钻研的学霸：我因为你对概念的解释不够严谨而深挖追问； C. 有经验的评委：我总在你讲完后追问“你刚才为什么要那样设计这个环节”。 我发布讲稿片段后，你按角色回应，我要训练的是稳定输出的能力。这个训练对我最大的帮助是心理层面。被AI刁难多了，真实面试场里的刁难就显得没那么可怕。而且AI给出的追问往往相当专业，它逼我把每个教学设计的“为什么”都想清楚。
5.3 复盘试讲录像：让AI做课堂语言分析
录完试讲视频之后，还有一步很关键：把录像里的口语输出转成文字，丢回给WorkBuddy做课堂语言分析。这里的具体操作是：先利用视频转写能力把讲稿整理出来，然后让AI做语言分析。
我给的提示词：
以下是我10分钟无生试讲的完整讲稿。请分析： 1. 我的语言中“然后”“那么”“就是说”这类口头禅出现的位置和频率； 2. 语速偏快和偏慢的区间，结合内容判断是否影响重点强调； 3. 提问和陈述的比例，判断我是否在互动设计上说话太多； 4. 找出我全文中信息量最大的两句、信息量最弱的一句； 5. 给出下一次试讲时语音层面的三个具体目标。这项分析相当于给自己请了一个语言教练。我印象最深的是第一次分析，发现我光“那么”就说了27次，这个问题在真实课堂上学生感知更明显。分析建议不需要全盘照做，但把口头禅位置标注出来这件事，AI做得比我自己回放视频高效太多。
在试讲复盘这块我还要多说一句：AI对板书逻辑的评估只能基于你喂给它的文字描述，如果你有实际板书的照片或草图，拍照上传让AI比对“预设板书”和“实际板书”的差异，反馈会更真实。无生试讲的评委在评定板书时看的是结构和美观度的综合印象，所以这个环节千万别只依赖纯文本。
6. QuickForm本地部署完整记录：数据不出校园的表单系统
6.1 为什么要选QuickForm：收集学生数据的安全底线
QuickForm是教育场景里补上“数据收集”这一环的开源表单向导工具。为什么专门为它写一节？因为教育全流程实战中，表单收集是避不开的刚需：学期初信息采集、课后学习反馈、研学报名、作业提交登记、教研满意度调查，样样都要收集数据。
问题在于，很多老师习惯用在线问卷平台。一旦涉及学生身份证号、家庭信息、成绩单，这些数据就默认进了第三方服务器，这对学校来说是不可接受的风险。我所在学校的做法是：敏感数据一律不进公网第三方平台。QuickForm这种能本地部署、数据库握在自己手里的开源工具，就成了最安全的选择。
6.2 Docker部署QuickForm的完整步骤与环境要求
先声明一个前提：QuickForm的具体版本和镜像仓库地址请以项目方GitHub发布页为准，我下面给的是通用部署思路，任何类似的表单系统都可以照这个办法落地。
部署环境我用的是一台校园内网服务器，Ubuntu 22.04，4核8G内存，100GB磁盘。这个配置对QuickForm配套的MySQL、Redis跑起来绰绰有余。如果学校没有独立服务器，找一台淘汰的办公电脑装Ubuntu Server也行，表单系统本身不重。
第一步，安装Docker和Docker Compose插件：
sudo apt update sudo apt install -y docker.io docker-compose-v2 sudo systemctl enable docker sudo systemctl start docker第二步，建立项目目录，写docker-compose.yml。核心文件如下，其中的数据库和Redis服务负责数据存储与缓存，数据目录通过volume挂载到宿主机：
version: '3.8' services: mysql: image: mysql:8.0 container_name: qf-mysql restart: always environment: MYSQL_ROOT_PASSWORD: root_pwd_change_me MYSQL_DATABASE: quickform MYSQL_USER: qfuser MYSQL_PASSWORD: qf_pwd_change_me volumes: - ./mysql-data:/var/lib/mysql command: --character-set-server=utf8mb4 --collation-server=utf8mb4_unicode_ci redis: image: redis:7-alpine container_name: qf-redis restart: always volumes: - ./redis-data:/data quickform: image: quickform/quickform:latest # 以官方仓库实际镜像名为准 container_name: qf-app restart: always ports: - "8080:8080" environment: DB_HOST: mysql DB_PORT: 3306 DB_NAME: quickform DB_USER: qfuser DB_PASSWORD: qf_pwd_change_me REDIS_HOST: redis REDIS_PORT: 6379 volumes: - ./app-data:/app/data depends_on: - mysql - redis第三步，启动并初始化：
docker compose up -d docker compose ps看到三个容器状态都是running之后，浏览器访问 http://服务器IP:8080 ，按向导创建管理员账号。之后就进入后台，可以建表单了。
这里有三处最容易踩坑。一是MySQL的字符集必须显式设置utf8mb4，否则用户填的表单里一旦有生僻字或Emoji，入库就会报错。二是容器数据目录必须配volume映射，否则哪天容器一删重建，全部表单数据直接没。三是千万别用默认密码上线，尤其是映射到校园网之外公网端口时，默认密码等于裸奔。
6.3 部署后的运维：备份、升级与权限管理
部署成功只是开始，真正决定安全的是运维习惯。我日常固定做三件事。
第一，每日备份数据库。写一个简单的cron任务，每天凌晨把MySQL整体dump出来存到另一块硬盘或NAS，保留最近7天。
0 2 * * * docker exec qf-mysql sh -c 'exec mysqldump --all-databases -uroot -p"$MYSQL_ROOT_PASSWORD"' > /backup/quickform_$(date +\%Y\%m\%d).sql第二，版本升级前先备份再拉取新镜像，docker compose down之后 docker compose pull 再 up -d。表单系统升级一般平滑，但数据库结构变更时可能提示兼容问题，所以务必先备份。
第三，权限管理。QuickForm的账号权限要按“教师-教研组长-管理员”三级分清楚：普通教师只能创建自己的表单和查看自己数据；教研组长可以看本组数据；管理员负责用户维护和系统设置。不要图省事给所有人管理员权限，否则一旦某个老师的账号被盗，整个学校的数据都会被看光。
6.4 进阶：把QuickForm和本地大模型接起来做智能分析
如果你的学校有本地部署的大语言模型服务（比如通过Ollama跑起来的教育私有模型），QuickForm收集上来的数据还能进一步智能化。最简单的做法是：定时把表单导出的数据文件交给本地大模型做学情分析，全部过程都在校园内网完成，数据不出门。比如研学报名表单收集了学生的兴趣选项，本地大模型可以根据填报分布生成分析报告，辅助教务部门排期。
这一步的意义在于，它把“本地部署”的价值从存储层面提升到了计算层面：数据不出校园，又享受了AI的分析能力。成本只要一台还说得过去的办公服务器加一块普通显卡，对很多学校来说是完全可以承受的。
如果学校暂时没有本地大模型，还有一个折中方案：把QuickForm的统计图表功能用足。它自带的筛选、导出和基础统计功能已经能覆盖大多数数据收集场景，比如统计每个班级的作业提交率、比较不同选项的占比分布。先让表单系统跑起来，再逐步叠加AI分析，比一上来就上全套架构更稳妥。
关于数据安全我还要单独提醒一句：QuickForm默认跑在HTTP上，如果服务器只在内网访问，问题不大；如果学校有需求让校外访问（比如家长填表），一定要用Nginx反代加HTTPS证书，不然表单数据在公网传输等于透明。没有强制HTTPS之前，宁可用临时方案让教师在校园网内填，也不要把HTTP服务直接暴露到公网。
跑完这一整套流程，我最深的感受是：AI在教育场景里的定位，不是一个替你讲课的替身，而是一个把重复劳动清零、把思考时间还给教师的搭档。WorkBuddy的备课规则、批改模板和试讲陪练，本质上是把老师大脑里那些“隐性流程”显性化了；QuickForm本地部署则是把数据安全的底线牢牢抓住。技术只是手段，省下来的时间真正用在了和学生面对面交流、给学困生单独辅导这两件技术上帮不上忙的事情上，这才是整套流程最大的价值。
如果你也想在学校里落地这套流程，我建议从一个小切口开始：先选一个班、一门课、一个场景，把WorkBuddy规则定好跑通一周，再逐步扩大。别想着一步到位，教育场景的数字化从来都是慢功夫，但每慢一步，积累下来的都是真本事。
