如果把过去二十年的互联网创业史压缩成一条时间线，你会发现一个有趣的轨迹：从游戏、视频、杀毒软件，到在线教育、智能教辅，再到今天的教育大模型和 AI 助教。张民松走过的，几乎就是这条轨迹的缩影。
他早年在盛大、暴风影音、猎豹移动这样的公司做架构师、高级专家，亲历过产品从 0 到数亿用户的蝶变，也三次连续教育赛道的创业，到达过行业顶峰，也跌倒过谷底，经历过在线教育从资本追捧到行业回调的冷暖。2021 年，他选择加入已经在教辅行业深耕 30 年的世纪天鸿——这家以纸质教辅起家的上市公司，如今却在用大模型重写教师教学这件看似再传统不过的事。
表面看，这是一个技术产品人转身投向教育赛道的故事；本质上，这是一个关于人怎样在技术浪潮中重新安放自己的位置的思考样本。
但张民松面临的，不是再做一个题库、资源平台，而是一个看似很传统、但极难啃的场景：老师的备课、命题和批改。
从教辅龙头到 AI 助教：一家纸书公司为什么盯上老师的备课桌
世纪天鸿的故事其实很传统：K12 教辅龙头、年策划图书超过 3000 种、覆盖全国 30 多个省市、累计发行超过 10 亿册。你很容易把它想象成一家拥有巨大发行网络的内容工厂。
传统备课是什么？是教师在资源的荒野里，一点点翻书、查网、剪裁、重组，把别人写好的东西改造成一份这节课用得上的教案与课件。如果运气好，能在备课组里流通一些质量不错的教案模板；如果运气不好，就得自己熬夜啃资料。教师的教研能力、时间精力、学校资源差异，决定了最后那一份课件和那一堂课的上限。
在这个过程中，工具一直存在：搜题网站、教学资源平台、口语测评系统……但它们大多是判别式 AI 的逻辑——你给出一道题、一段语音、一份模板，机器做出判定或拼接；它很少真正参与生成和设计，更谈不上理解一位老师眼前这一班学生的真实差异。
小鸿助教试图改写的，正是这块看似细碎却最关键的空白地带。
它不是要取代老师的专业判断，而是把查资料、凑结构、做初稿这些机械又耗时的工作，从老师手中接走，让 AI 在内容构建个性化生成和跨知识整合上，做老师的底座。真正该由老师来完成的，是选择、裁剪、润色、调整节奏和提问方式，是把一份可用教案变成一堂值得记住的课。
生成式 AI 带来的不是更快答案，而是重新组织知识的能力
张民松眼中的生成式 AI，有两个跨越非常关键。
一个是从功能驱动到认知驱动。以前的教育 AI 工具，面对的多半是清晰的问题：这道题对不对？这句口语发音准确吗？这篇作文的句子结构有没有语法错误？工具在给出一个是/否打分/不合格的反馈后，就结束了责任。它从不关心学生真正哪里没懂，也不关心老师下一步该如何讲得更好。
而大模型开始具备理解上下文、捕捉意图、进行逻辑推理的能力之后，AI 能做的事情就从判定变成了参与。它可以参与梳理一个知识模块的结构，参与设计分层教学方案，参与为不同基础的学生量身定制学习路径。它开始像一个能与老师讨论为什么要这样讲的同事，而不仅是一个会自动拼接题目的工具。
另一个跨越，是从工具属性到生态中枢。生成式 AI 不再是某一个环节的外挂，而是可以串联起教、学、练、评、管、研的那条长链。你可以让它在备课时做内容生成，在课堂中做即时提问设计，在课后根据学生的表现自动调整练习难度，再把所有过程沉淀为数据，为下一轮教学提供洞察。
长期以来，教育行业有一个看起来无法同时满足的不可能三角：高质量、大规模、个性化。好老师、好内容，一旦规模化，个性化就下降；想要个性化，就很难保持规模和标准。
生成式 AI 的出现，让这个三角开始出现裂缝。
因为它既能批量定制，也能持续学习。针对偏远地区学校，它可以自动生成适配当地学情和教材版本的教案与习题；针对有特殊需求的学生，它可以设计符合其认知特点的内容和节奏。一个 Agent 理论上可以同时服务几千名学生，每个人看到的题目、提示语、讲解路径都不同，而这些差异不是靠人工标签，而是靠对行为数据、知识结构和上下文的综合判断。
如果说过去的教育数字化，更像是把纸质内容搬到线上，那么在张民松的视角里，生成式 AI 正在重构的是知识在教育系统里的流动方式。
不为 AI 而 AI：从第一个 RAG 教案产品到场景优先的理性
有趣的是，越是看得清技术的上限和下限的人，越不会对 AI 有浪漫的幻想。
在大模型爆发的 2023 年，世纪天鸿非常快地推出了基于 RAG 的教案生成产品，这在当时的教育领域几乎没有成熟先例。他们一边摸索大模型与自有内容的融合方式，一边在真实教师场景中试错：哪些生成内容老师愿意接收？哪些环节老师宁愿自己动手？什么样的交互方式会让老师觉得被理解，而不是被指指点点？
这背后其实有三个清晰的原则。
第一，趋势要拥抱，但方向不能交给趋势决定。技术升级的速度远快于教育行业接受变化的速度，因此跟着趋势走是必要条件，但不是充分条件。过度兴奋带来的，是短期的 Demo 和长久的鸡肋。
第二，场景优先，不为 AI 而 AI。用户的需求并没有因为大模型出现就变成了另一种东西，教师依旧要备课、命题、批改，只是原有工具在效率和质量上有明显短板。AI 做的，不是重新定义一大堆看起来很酷但没人愿意每天用的功能，而是在既有工作流中找到最痛的点，先撬开一个小口，证明价值，再逐步扩展。
第三，永远绑在自己的基本盘上。对世纪天鸿来说，基本盘是书，是内容，是三十年服务教师群体沉淀下来的理解和信任。AI 产品不是一块游离的新业务，而是要与图书、教研、渠道打通，服务同一批用户。这意味着它不能仅以技术漂亮自我感动，而要用非常现实的指标——比如老师每天愿意打开几次，校长是否愿意为它买单，教研组是否愿意围绕它重构协作。
在这样的前提下去看创新与落地的平衡，就会发现：真正难的，从来不是技术，而是克制。
Agentic AI：不是一个新名词，而是一种做产品的姿态
当 Agentic AI 这个词开始在圈子里流行时，很多讨论都集中在如何造一个更聪明、更自治的 Agent。张民松的视角有点不一样。
在他看来，Agentic 既不是一个全新的技术突破，也不是一个营销概念，而是一种如何看待 AI 自主程度的量尺，更是一套工程化思维。高自治的 Agent 和低自治的 Agent，本质上只是完成任务方式不同的工具，而不是什么高低贵贱的差异。
对于教育场景来说，这点尤为重要。你不可能让一个 Agent 自主替代老师做所有判断，也不可能完全抹去它的主动性，只把它当作改良版搜索引擎。真正要做的，是围绕具体场景，去调试多少自治是合适的。
比如，命题环节可以让 Agent 拥有更高的自主度：它可以根据教学目标和学情数据自动设计一整套试题结构，再由教师做审核和微调。但在给学生布置作业时，它可能需要严格遵循教师设定的节奏和难度边界，不适合自己发挥创意给学生加戏。
再比如，在教研赋能场景里，一个多 Agent 协作的系统，可以让不同 Agent 分工负责：有人专注教材对比，有人专注数据分析，有人专注课堂提问设计，然后由老师来做总导演。但要让这套系统长期好用，就必须在工程上反复试验边界，而不是一味堆砌模型数量、参数规模和看起来很复杂的流程图。
这就是他所说的：AI 领域的发展，从来没有唯一路径。当我们用 Agentic 的视角去看产品，问的就不该是我们的 Agent 有多强，而是在这个具体场景里，它该强到什么程度、弱到什么程度，才真正让人变强。
个体时代的真正门槛：你能领导多少智能体一起工作
我们本次大会的主题是开创智能｜个体时代。这个标题听上去有点宏大，也有点抽象。但如果把它放进张民松的语境里，就会变得具体很多。
大模型在推理能力上的提升，开源生态在工具层面的成熟，算力成本在可用范围内的快速下降，这三件事叠加在一起，带来了一个新的事实：AI 不再只是软件，而更像是一位可以自主规划、持续记忆、熟练调用工具、甚至懂得分工协作的虚拟员工。
传统组织对资源和能力有垄断优势：要做一件复杂的事，往往需要一个团队、一个部门、一个公司来支撑。个体想要在这样一个系统里产生影响，通常要先服从，再积累，再证明自己，才能获得一点点调动资源的权力。
但当一个人可以驱动十几个、几十个 AI 智能体协同作战时，这种垄断被撕开了一道口子。你不再需要一支完整的内容团队，就能持续产出高质量的图文、视频和课程；你不再需要一个庞大的运营团队，就能完成用户调研、活动策划、数据分析和投放复盘；你甚至不再需要一个很大的产品团队，就可以用 AI 完成从原型到 MVP 的迭代。
这就是超级个体的现实版：不是某种浪漫的天赋论，而是一个人 + N 个智能体的实际生产力提升。
在这样的结构下，个体的价值坐标也随之发生变化。过去，我们衡量一个人的价值，很大程度上看他亲手能做多少事：写代码、做设计、带团队、跑客户。而在 AI 规模化应用的时代，更关键的问题变成了：你能把什么样的问题拆解成可执行的任务？你能设计出什么样的工作流，交给 AI 去完成？你如何在过程中不断调整目标、评估结果、承担责任？
换句话说，未来生产力的核心，不是你会干什么，而是你能让一群智能体为你干成什么。
对教师来说，这意味着你不需要掌握所有技术细节，但需要愿意让 AI 进入你的课堂和备课桌，学会把重复劳动交出去，把自己的时间和精力，挪到更有价值的那一端——理解学生、设计课堂、启发思考。
对创业者和管理者来说，这意味着你不必执迷于招多少人堆多大团队，而要思考：在这家公司里，人和智能体分别承担什么职责？我们用怎样的机制，让一个小团队可以做出过去一个大部门才能做出的成绩？
而对每一个普通个体来说，这个时代最值得警惕的，其实是两种极端：一种是恐惧——担心 AI 抢走一切工作，从而拒绝学习、拒绝尝试；另一种是迷信——把所有希望都寄托在某一个万能工具上，期待一键成功。
张民松用自己的路径，给出了一个更务实的答案：尊重技术的边界，也尊重人的独特价值；永远往前走，但永远知道自己为什么走、为谁走。
当我们谈论开创智能｜个体时代，谈论的不该只是某个行业的风口，也不只是某一类人的机会，而是一个更底层的选择：你愿不愿意把 AI 当作一整支看不见的团队，然后开始学习如何带领它们，把一件原本做不到的事，拆成一件一件做得到的小事，再一个一个完成。
如果愿意，那你与所谓的超级个体，其实只差一个开始刻意练习的今天。
访谈精选Q&A
Q1：先简单介绍一下您自己和世纪天鸿吧？
张民松：我早年在盛大、暴风影音、猎豹移动等公司做架构师和高级专家，也做过千万级 DAU 产品，后来连续创业深耕教育赛道，做过同步学、在线课程、在线口才相关赛道，做到过赛道老大，也跌倒过低谷。2021 年加入世纪天鸿，这是一家在 K12 教辅深耕 30 年的上市公司，核心品牌“志鸿优化”覆盖全国 30 多省市，图书累计发行超 10 亿册，现在正把“AI+教育”作为第二增长曲线来布局。
Q2：小鸿助教具体是干什么的？主要解决谁的什么问题？
张民松：小鸿助教是一款专门给老师用的 AI 助教工具，围绕“备课—命题—批改—事务处理”这条链条做提效。简单说，就是帮老师减轻查资料、做教案、出卷、改作业这些高耗时工作，让老师有更多精力投入到真正的教学和与学生的互动上。
Q3：为什么说备课特别适合用 AI 来改造？
张民松：备课既是老师工作量最大的环节，又最考验教研能力，过去主要靠检索和模板拼接，难以做到真正个性化。生成式 AI 能在“知识整合、认知模拟、个性化生成”上补上短板，让优质资源可以“批量定制”，再由老师做最后决策和打磨。
Q4：你们怎么看当下的生成式 AI 浪潮？对教育最大的改变是什么？
张民松：大模型让 AI 从“功能型工具”变成了“认知型助手”，不再只是判题、打分，而是可以参与设计知识结构和教学路径。对于教育而言，它有机会第一次同时兼顾“质量、规模和个性化”，推动整个行业真正迈入大模型智能时代。
Q5：在技术快速演进下，你们怎么避免“为 AI 而 AI”？
张民松：一方面要积极拥抱，我们在 2023 年初就上线了基于 RAG 的教案生成产品；另一方面所有创新都要落回老师的真实场景——先在小点上试、验证价值，再放大。最重要的是，AI 产品必须和我们的图书、教辅主业打通，服务同一批老师，而不是变成一个“孤立的新玩具”。
Q6：你如何理解 Agentic AI？你们的实践重点在哪里？
张民松：Agentic 更像是一种“AI 自主度 + 工程化”的思维，高自治和低自治的 AI 都是 Agent，关键是匹配好场景。我们做的是在具体教育场景里不断调试这个“自治刻度”，通过模型能力、专业数据和工作流设计来找到“刚刚好”的智能度，而不是一味堆砌参数和概念。
Q7：站在你的角度，怎么理解“开创智能｜个体时代”？
张民松：大模型、开源生态和算力成本的三重突破，让 AI 更像一支“隐形团队”，个体可以调动多个智能体一起完成复杂工作。未来竞争力不再是“我亲自能做多少”，而是“我能带着 AI 做到什么”，那些既懂技术、又懂教育与人文价值的人和组织，会在这个时代走得更远。
