“没人陪我写作业”这句话，乍一听像撒娇。但当它在去年某个中学生科创比赛的答辩现场被一个13岁女孩说出来时，我意识到，这是一个绝佳的产品痛点。她把这句话做成了一件获奖作品，核心不是新技术，而是把“AI陪伴”这件事想透了。这篇文章，我就拆一拆这个作品的构思、技术选型和现场表现，中学生能复现，成年人也能从中看到一套完整的AI应用落地思路。
1. 作品源起：从一个小情绪到获奖项目
1.1 为什么「没人陪我写作业」值得做一个AI作品
大多数成年人听到“没人陪写作业”，第一反应是“这孩子不够独立”。但站在13岁中学生的视角，这句话的真实含义是：遇到不会的题没人立刻解释，做完题没人帮忙检查，写累了没人说一句“差不多行了，休息一下”。这是学习场景里实实在在的陪伴缺失，不是矫情。
做AI项目，最怕选题太抽象。什么“智慧校园”“未来教育”，听着大，落到具体功能全是拼凑。而“没人陪我写作业”是高频、具体、有情绪的场景。它天然包含三类问题：知识辅导、进度督促、情感支持。这三类问题恰好分别对应了大模型的语言能力、任务拆解能力和语气控制能力。也就是说，这个选题不是硬蹭AI，而是AI天生适合干这个。
更重要的一点是，这个痛点评委能听懂。很多中学生项目评委听完一脸茫然，但这个作品讲解时，评委的第一反应是“哦，我孩子也需要这个”。共鸣感一来，项目就已经赢了一半。
1.2 这个作品到底长什么样
公开答辩时展示的核心功能有四个。第一，语音或文字输入“我今天有数学卷子、语文背诵、英语单词”，AI自动生成任务清单并预估每项时长。第二，针对单道题目，AI不是直接给答案，而是用苏格拉底式追问引导解题，比如问“这个公式里的x代表什么”。第三，完成一项任务后AI给出简短的鼓励语音，并记录到“成就本”。第四，如果超过设定时间没进度，AI会用温和语气提醒，而不是催命。
这其实就是一个典型的AI Agent雏形：理解意图、规划任务、执行调用、记忆状态、主动反馈。13岁的孩子当然不懂Agent形式化定义，但她通过产品设计自然做到了这几点。我后面详细拆技术，但大家可以先记住一个结论：中学生做AI作品，不需要去定义“什么是Agent”，只需要让AI具备“记住、规划、执行、反馈”这四种行为。
从交互形态看，她做了一个极简的网页应用，左侧是对话区，右侧是任务打卡列表。没有复杂仪表盘，没有花哨动画。她说“界面越像聊天软件，妈妈越觉得我在玩手机，但同学越觉得好用”，这个观察非常精准。目标用户是中学生，交互必须像日常聊天，而不是像学习软件。
1.3 项目拆分：一个初中生能hold住的技术栈
很多中学生一听“AI项目”就以为要训练大模型、调显卡、写PyTorch，完全被吓住。这个作品实际用到的技术栈非常克制：前端是HTML加简单JavaScript，后端是Python的Flask，模型调用的是现成大模型API，语音识别用的是现成接口，所有数据存在本地JSON文件里，没有数据库。
整套系统跑起来，核心代码量不到600行。这个体量，一个有一定自学基础的中学生完全可以在两三个月内搞定。关键是，这个技术选型是在老师引导下刻意“做小”的。她本来想搞人形机器人陪写作业，被劝住了。机器人涉及硬件成本、运动控制、多模态交互，坑太深，而且和“陪写作业”这个核心痛点关系不大。现在的方案，所有算力都在云端，本地只需要一个浏览器，稳定性反而更高。
被劝住的过程其实就是产品经理经常做的“需求收敛”。我见过太多参赛项目，败在功能花哨但核心不稳。一件作品能把“陪写作业”这一个场景做到70分，强过十个场景各做20分。
2. 核心细节解析与实操要点
2.1 大模型不是必需品，但选对接口是关键
这句话听起来反直觉，但事实确实如此。这个作品的核心竞争力不在模型，而在对话设计和记忆管理。市面上的大模型API，随便挑一个主流厂家的入门款，都能胜任“讲题、鼓励、提醒”这类轻量对话任务。真正决定体验的，是上下文怎么组织、数据怎么存、语气怎么控制。
她最初踩过一个大坑：选了一个当时很便宜的API，结果数学逻辑能力太弱，连“一元一次方程移项”都反复讲错。后来换成了中档配置的模型，成本虽然高一点，但稳定性明显提升。这个教训很适用于中学生项目：不要因为省钱选太弱的模型，也不要盲目追最新最强配置，够用就行。对学生来说，AP类的额度通常很低，挑一款在“数学推理”上口碑过关的入门级模型就是最优解。
另外要提醒一点：所有大模型API都需要联网，项目演示一定要提前准备网络备用方案。这个作品到了现场彩排时，场地Wi-Fi突然不稳定，差点翻车。最后解决办法是手机热点加本地录音演示，有惊无险。以后凡是做AI类参赛作品，一定把“离线演示预案”当成必选项。
2.2 把「陪写作业」拆成四种AI行为
整个作品的底层，其实是把“陪写作业”这个抽象动作，拆成了四种可以编程的行为。
第一种叫“任务拆解”。用户说“我有数学卷子、语文背诵、英语单词”，AI需要把它变成结构化清单，并为每个任务估算时长。这部分的实现方式是不直接让AI回复用户，而是先在内部让AI输出一个约定好的JSON结构，再渲染到页面上。这个设计非常妙，它避免了大模型自由发挥导致的格式混乱。
第二种叫“答疑引导”。当用户问一道题，AI不能直接给答案。提示词里明确写着“只提问，不解答，通过连续追问帮助用户自己找到思路”。为了防止AI偷偷直接输出步骤，还加了一个后置校验：如果回答长度超过150个字且没有问号，就判定为违规，强制重新生成。这个校验逻辑简单但非常有效，它保证了“引导”人设的一致性。
第三种叫“进度鼓励”。每次完成一个任务，AI从固定话术库里随机抽一句简短鼓励，加上任务名称一起播报。这里的细节是，话术必须短，且不能出现“真聪明”这种定性表扬，要说“这道题你用了两次移项，思路很顺”这种描述性反馈。
第四种叫“超时提醒”。如果系统发现用户在设定的番茄钟周期内没有任何操作，会主动推送一条消息，比如“你卡在数学卷子最后一道题大概十分钟了，要不要先做英语单词换换脑子”。这个行为涉及一个简单的状态判断逻辑，不复杂，但有很强的关怀感，是整场答辩最打动评委的亮点之一。
2.3 提示词设计：如何让AI像同学而不是搜索引擎
提示词是这个作品的灵魂，值得单独拿出来说。学生最初写的系统提示词是“你是一个耐心负责的老师”，结果实测效果很糟糕，AI的回应全是“首先我们需要仔细分析题目要求，然后逐步建立解题思路”这种满分废话，像极了不干正事的搜索引擎。
后来经过反复调整，最终沿用的提示词核心部分大概是这样的：
你是陪伴一个13岁初中生写作业的同学，不是老师。 你的语气要像同龄人，可以轻松、调侃，但不能轻浮。 禁止直接给出答案，只能通过提问引导。 每次回复不超过100个字，如果用户在解题中，优先追问下一步思路。 不要夸“你真聪明”，要描述具体做得对的地方。 如果用户连续三次答错同一类题，切换到“降低难度再引导”模式。这个提示词为什么有效？因为它给出了角色、禁忌、长度限制、行为偏好、异常处理五类信息。中学生常常把提示词当成一种“魔法口令”，其实提示词的本质是“给AI写产品需求文档”。把需求写清楚，AI才不跑偏。
还有一个容易被忽略的细节：系统提示词里设置了一个“身份认同”字段，告诉模型它的名字叫“小海”，用户是它的好友“小樱”。测试发现，给定具体名字之后，模型的语气明显放松下来，不再端着。这就是语言模型的社会化特质，你给它一个有温度的身份，它回应的文本也会更有温度。
3. 实操过程与核心环节实现
3.1 最小原型：一次API调用的完整链路
这个项目的起点不是界面，不是数据库，而是一个最简单的问答循环：用户在命令行输入问题，AI在命令行输出回答。整个原型只有不到30行Python，逻辑是“拼接对话内容，调用云端模型接口，打印结果”。我当时给学生的建议是，先不要碰前端，先验证“大模型能不能当好一个讲题陪练”，再考虑把它做成能给别人演示的产品。
import json import requests # 以常见的开放接口风格为例，实际以所选厂商文档为准 API_URL = "https://your-llm-endpoint/v1/chat/completions" API_KEY = "your-key-here" def ask_llm(messages): payload = { "model": "your-model-name", "messages": messages, "temperature": 0.7 } headers = { "Content-Type": "application/json", "Authorization": f"Bearer {API_KEY}" } resp = requests.post(API_URL, json=payload, headers=headers) data = resp.json() return data["choices"][0]["message"]["content"] if __name__ == "__main__": history = [] while True: user_input = input("你: ") if user_input == "退出": break history.append({"role": "user", "content": user_input}) reply = ask_llm(history) history.append({"role": "assistant", "content": reply}) print("AI:", reply)这段代码包含了三个关键点。第一，messages是一个列表，用来模拟多轮对话上下文；第二，temperature调到0.7，让回答带一点随机性，不至于每次都一模一样；第三，API返回的格式是标准的OpenAI兼容风格，现在绝大多数服务商都支持这种格式，迁移成本很低。
这个阶段最重要的一件事，不是写好提示词，而是亲身试出模型在“数学讲解”上的边界。比如让AI解一道二元一次方程组，再故意问“为什么这里要代入而不是消元”，观察模型能不能给出合理回答。只有亲自测试几十轮，才能判断这个模型适不适合自己的场景。这一步必须由学生自己完成，不能由老师代劳。AI产品的体验是一个非常主观的东西，只有目标用户亲手试过，才知道“像不像一个真人陪练”。
3.2 让AI记得“昨晚作业写到哪了”：本地记忆设计
纯API调用是“每次都失忆”的，关掉程序，再打开，它不知道你是谁，也不知道你昨天写到哪道题。这个作品对记忆提出了两个要求：一是跨天持续记忆，二是区分“短期对话状态”和“长期用户档案”。
短期状态很简单，就是把当前这一轮对话的messages列表保存在内存里。长期档案则用JSON文件存储在本地，结构大致是这样：
{ "user_name": "小樱", "preferred_subjects": ["数学", "英语"], "difficulty_nodes": [ {"subject": "数学", "topic": "分式方程", "status": "需巩固"}, {"subject": "英语", "topic": "现在完成时", "status": "掌握"} ], "tasks_today": [ {"id": 1, "content": "数学卷子最后三题", "done": false} ], "common_mistakes": [ {"question": "x/2 + 3 = 5", "wrong_answer": "x=1", "correct_step": "先移项再除"} ] }每次对话结束后，程序会做一次“记忆提取”：让大模型从本轮对话中提炼出三个字段——完成的任务、卡住的知识点、值得记录的错误。然后这个结构化的摘要覆盖写入本地JSON。下一次对话开始时，系统把JSON内容重新塞进系统提示词里，AI就“想起来”了。
这种“大模型对话时先读档，对话结束再存档”的思路，本质上就是一个非常原始的Agent记忆循环。难点不在于写代码，而在于设计“哪些信息值得记住”。如果什么细节都存，JSON文件会越来越大，对话时塞进提示词的记忆文本会无限膨胀，最终拖垮上下文窗口。所以记忆提取一定要通过结构化输出，只留下“任务完成情况、错题知识点、用户偏好”三类信息。
3.3 界面与交互：低年级学生也能用的语音入口
UI部分原本是想用现成的网页框架，后来发现对中学生来说学习成本还是太高。于是改成了一个更取巧的方案：后端用Flask提供API，前端用原生HTML加JavaScript写了一个极简聊天界面，左侧对话流，右侧任务清单，右下角一个“按住说话”按钮，调语音识别接口转成文字再发给后端。整个交互不超过20个控件，任何用户看一眼就会用。
语音入口是整个产品体验的关键。中学生写作业时，两只手通常握着笔，腾不出手打字，语音是最自然的交互方式。但语音识别在数学符号上非常拉胯，一句“y等于x平方加二x加一”识别出来可能变成“外等于艾克斯平方加爱克斯加一”。这个问题的解决方法是：显示区保留识别原文，同时后端再做一道“关键词修正”，把常见的同音词映射成数学符号后再送入大模型。这个细节虽然简单，却让整个系统在数学科目上的可用性上了一个台阶。
界面另一个被反复打磨的细节是“正在输入”的动画效果。一开始调用云端模型需要两三秒，页面没有任何反馈，用户会以为卡死了。后来加了一个简单的省略号跳动动画，配合一行字“小海正在想怎么提示你，而不是直接告诉你”，体验立刻好了很多。AI应用的响应速度不够时，一定要用界面反馈来兜底，这属于最基础的交互常识，但学生项目里很少有人注意。
4. 常见问题与排查技巧实录
4.1 大模型也会算错题，怎么拦
讲到数学题时，大模型确实会一本正经地胡说八道。有一次测试，AI把“(a+b)的平方”展开成了“a方加b方”，还振振有词地配了完整步骤。如果这个错误被评委现场抓到，整个项目可信度会大打折扣。
这个作品的应对方案是“三层防护”。第一层是提示词限制，写清楚“如果你不确定答案，请直接说‘这道题我需要想一想，我们先看一个更简单的例子’”。第二层是通过记忆文件里的“错题本”模式，用户提交答案后，系统先不判定对错，而是要求AI判断“用户的解题步骤是否合理”，将判断依据明文输出。第三层是面对复杂题目时，主动建议用户“把题目拍照发给老师”，勇敢承认AI的边界。
这个做法很实在。中学生AI项目不要试图证明“AI永远是对的”，评委反而更欣赏“项目清楚知道AI的弱点并设计了应对机制”。与其隐瞒失误，不如把失误变成你设计的亮点。
4.2 上下文窗口塞爆了怎么办
使用大模型API时，如果是免费或低配额阶段，通常上下文窗口有限。这个组件一开始把整本错题本都塞进系统提示词，结果调用直接报“上下文长度超限”。当时学生有点慌，我让她做一个实验：把错题本内容截成50条、20条、10条三个版本，分别测试回复质量。
实验发现，对“陪写作业”这种场景来说，塞进去的错题超过15条之后，AI不仅没有表现得更聪明，反而开始注意力涣散，回复开始混入不相关旧题的内容。后来设定的规则是：记忆文件最多保留最近5道错题和3个长期薄弱知识点，其他历史记录冷备到磁盘里，不参与对话。
这背后是一个直觉：“AI的记忆不是硬盘，更像是桌面。桌面上只能放正在做的任务，做完了就归档。”中学生做AI项目不需要掌握复杂向量检索，先学会做“记忆压缩和截断”，问题就解决了一大半。
4.3 未成年人项目的隐私与安全底线
这个作品的用户群体是未成年人，所以隐私安全不是加分项，而是硬门槛。所有对话记录和任务数据默认只储存在本地，不向任何第三方服务器发送。选用的云端API调用时，只发送必要对话内容，不开通“数据训练优化”选项，避免未成年人的学习数据被拿去训练模型。
尤其要注意的是，界面里不能出现任何诱导未成年人输入“学校名称、真实姓名、家庭住址”的字段。用户昵称随机生成，签到数据用“小海星数”替代真实头像和名字。我看了很多参赛作品，功能很强但隐私卫生乱七八糟，评委在这个问题上格外敏感，因为一旦出事就不是技术问题，而是伦理问题。
家长和指导老师在这个项目里也要有角色边界。家长定期查看云端调用记录，但不在孩子写作业时实时监看对话。这既保护孩子自主性，也让作品在答辩时能自信地说“我们做了全面的未成年人保护设计”，这句话的分量比任何技术指标都重。
4.4 现场评审被问到“这算不算作弊”怎么答
答辩现场几乎所有评委都会问一定类似问题：如果这个AI陪练越来越强，学生直接用AI把作业全做了，怎么区分“陪写”和“代写”？这个问题如果答不好，前面的技术工作会瞬间失去光彩。
作品给出的答案分了三层。第一层，底层提示词硬性禁止直接输出答案，整个系统的对话风格是“多问少答”，评委可以当场拿一道题测试，看AI是否遵守这个约束。第二层，系统会在每周总结中统计“独立完成率”和“求助次数变化”，如果发现独立完成率下降，主动建议用户关掉辅助模式一段时间，防止依赖。第三层，也是最打动评委的一句：“作弊的人不会搭一个AI来管着自己别抄答案，真正想学的人才会。”
这一句话讲完，全场安静了两秒，然后评委开始点头。产品设计可以模仿，技术方案可以学习，但这种对场景本质的思考，才是获奖的关键所在。
5. 从比赛到日常：这套方法的复用价值
5.1 同一套骨架还能做什么
把“陪写作业”这个壳换掉，底层的“任务拆解 + 对话引导 + 记忆反馈 + 主动提醒”骨架能迁移到非常多场景。比如“陪练口语”，AI每天给定一个英文主题，陪你聊五句话，再根据发音和流利度反馈；“陪练乐器”，用户报告今天练了什么曲子，AI给出分解练习建议；甚至还能做“陪爸妈学手机”，帮长辈把复杂操作拆成一步步指引。
这个骨架在技术上的通用性非常强，每个场景只需要换一套提示词和一套记忆字段。中学生如果想在这个基础上继续深入，有三条路径。第一条是做深记忆系统，引入向量数据库和语义检索，让AI能精准回忆起很久以前某个知识点；第二条是做多Agent协作，一个Agent负责讲题，一个Agent负责查资料，一个Agent负责监督学习状态，这属于AI Agent的进阶方向；第三条是接入更多本地能力，比如摄像头识别纸质作业，自动把错题导入系统。
对刚开始接触AI的中学生来说，不需要一上来就挑战全部。把一个骨架吃透，能把它迁移到三个不同场景，这种“元技能”比任何单点工具知识都值钱。
5.2 给中学生做AI项目的通用建议
带过几轮中学生AI项目之后，我越来越确信，这个年龄段的孩子做AI，最稀缺的不是编程能力，而是把生活问题“转译”成AI问题的能力，以及把一个想法克制落地的心性。
第一，选题一定要来自真实的“我”的痛点，不是为了比赛而编造。13岁女孩的“没人陪我写作业”为什么能打动人，因为它真实。评委和用户都厌烦那些从网上抄来的假需求。
第二，项目规模宁小勿大。400行能跑通的东西，不要为了炫技写成4000行。多一个模块就多一个出bug的地方。比赛看的是完成度和深度，不是代码量。
第三，AI项目迭代要用真实用户反馈驱动。这个作品发布了一版给班里同学试用，反馈排前三的需求是“别老催我”“说话能不能别像我妈”“能不能在我想不出的时候提示一下”。这些反馈直接决定了最终产品形态。学生要学会把一个粗糙版本扔给真实用户，然后认真听骂声。
第四，也是我反复强调的，要学会“向下卷”。如果你学有余力，比起学更多算法，不如把一个接口的完整调用链吃透，把提示词打磨到极致，把记忆管理做成一个干净的数据结构。整个行业现在最缺的不是“知道注意力机制的人”，而是“能把一个简单功能做得极其可靠的人”。
一点真实体会
这个项目做完之后，那个13岁女孩跟我说了一句让我印象很深的话：“我原本以为AI特别难，作品做完发现，难的不是AI，是搞清楚我到底想要它干什么。”她说的这句话，比我见过很多技术强的人总结更准确。
AI入门最核心的关卡，早就不是“会不会写代码”，而是“会不会定义问题”。把一个模糊的情绪变成清晰的功能，把一句话变成一个能跑的流程，把一堆反馈收敛成一个稳定的版本，这才是AI时代真正值得练习的能力。
“没人陪我写作业”只是一个起点。她真正做出来的，是一套属于自己的、把想法变成产品的思维方式。这条路一旦走通，后面的可能性会比我们想象的宽得多。
