AI 学习机这类教育硬件里的大模型应用怎么设计？纯硬件场景和 App 有什么不同的技术约束？

先这样答

和手机 App 比，教育硬件有四个硬约束。算力：学习机的芯片算力和内存有限，旗舰大模型只能上云，端侧跑轻量的识别类模型（指尖点读的图像识别、语音唤醒）。离线：家长和学校场景里网络不稳定是常态，「断网也能用核心功能」是产品竞争力，所以查词、基础讲解这类高频功能要有端侧方案或本地缓存策略。管控：设备是孩子的，付费方是家长，家长端的时长管控、内容白名单、学情报告是刚需功能，AI 的所有交互都要考虑「家长可见可控」。护眼和专注：硬件的卖点之一是防沉迷护眼，AI 对话要设计使用节奏，不能做成让人上瘾的闲聊机器。

AI 功能设计上，学习机的核心场景是围绕作业和课本的：拍题讲题（不是给答案，是分步引导）、指尖点读、口语跟读评测、作文批改。这些功能对事实准确性要求极高，讲错一个知识点家长立刻流失，所以生成环节全部挂教材和题库做检索增强，讲解内容限定在课标知识体系内。口语评测这类实时性强的功能走端侧或近端服务，延迟感知直接决定用不用。

端云分工的原则：涉及孩子隐私的数据（作业照片、语音）尽量端侧处理或脱敏上云；重推理的讲解生成上云，但要为弱网做排队重试和结果缓存。

面试官会怎么追问

• 「拍题讲题怎么做到不直接给答案？」 分层交互设计：先出思路提示和知识点定位，学生主动请求才逐步展开步骤，完整解答只在家长模式或练习完成后可见。模型层用提示词约束输出形态，产品层做交互闸门。
• 「离线模式怎么覆盖 AI 功能？」 高频刚需功能做端侧轻量版：查词、语法判断、简单答疑走端侧小模型；复杂讲解离线时降级为缓存的知识点卡片，联网后补全。
• 「学情报告的数据怎么来？」 交互行为埋点（哪些知识点反复错、讲解请求的分布）加作业批改结果，聚合成知识点掌握度图谱。报告只给家长看结构化结论，孩子端看到的是鼓励式的任务引导。

回答的坑

• 拿 App 思路做硬件，忽略离线、算力、管控三个硬约束。
• AI 功能只讲模型能力，不讲家长可控和护眼防沉迷这类硬件特有的产品约束。