# Photography Mentor 产品与交互 Review

日期：2026-07-15
范围：当前本地 Web App、74 张原子卡、22 个主知识节点、照片诊断、学习档案、训练计划和新增主动学习 Session。

## 结论

改进前，它是一套高质量的摄影知识工作台，但还不是下一代教育产品。知识结构、来源追溯、本地隐私和摄影领域覆盖已经成立；真正的短板是用户可以一直阅读、检索和获得建议，却不必先思考，也没有可靠证据说明自己是否学会。

本轮把核心交互改成：

> 下一主题选择 -> 独立回忆 -> 分层提示 -> 实拍迁移 -> 证据复盘 -> 掌握度更新 -> 间隔复习

产品因此从“内容与工具集合”推进为“初步可运行的学习操作系统”。它仍未达到跨时代产品标准，因为缺少真实多模态 AI 导师、客观作品语义评估、长期效果实验和人与人之间的作品反馈网络。

## 设计评分

| 维度 | 改进前 | 本轮后 | 跨时代标准 |
| --- | ---: | ---: | ---: |
| 摄影知识质量与来源 | 8.5 | 8.5 | 9 |
| 领域工作流完整度 | 8 | 8.5 | 9 |
| 主动学习闭环 | 4 | 7 | 9 |
| 个性化与适应性 | 3.5 | 6.5 | 9 |
| 视觉与交互清晰度 | 6.5 | 8 | 9 |
| AI 导师能力 | 3 | 3.5 | 9 |
| 学习效果可验证性 | 2.5 | 6.5 | 9 |
| 商业化准备度 | 4 | 5 | 8 |

综合判断：当前约为 7/10 的可验证 MVP；“跨时代”需要达到 8.5/10 以上，并证明用户作品和独立判断能力真的提升。

## 已经解决的痛点

1. 摄影知识分散：网络教程、本机书籍和专业资料被统一为可追溯知识库。
2. 学习没有脉络：知识按七段流程和 22 个主节点组织，不再只是文章列表。
3. 建议难以行动：知识节点能转成具体实拍任务和评片问题。
4. 复盘容易丢失：档案、周计划、照片复盘和掌握度保存在本地并可导出。
5. 学习只输入不输出：新 Session 要求用户先回答，再获得提示，并提交实拍证据。
6. 不知道下一步学什么：系统综合档案、目标、低掌握节点和到期复习选择下一主题。

## 与领先教育交互的差距

### 1. 还不是真正的自适应导师

目前的下一主题选择是透明、可解释的本地规则，但不能理解回答质量，也不能根据错误类型实时生成追问。Khan Academy 2026 年的产品实验显示，向导师提供结构化的近期表现和先修技能缺口，能改善下一题独立正确率；单纯增加相关内容链接没有显著改善。当前产品已经开始记录结构化掌握历史，但还需要真实推理模型消费这些信号。

来源：[Khan Academy：How Khan Academy Is Building a Better AI Tutor](https://blog.khanacademy.org/how-khan-academy-is-building-a-better-ai-tutor-our-most-recent-learnings/)

### 2. 作品证据仍缺少语义判断

当前已支持同一任务的 before / after 照片、可拖动视觉对照，以及亮度、对比、饱和、清晰度和裁切指标差异。它能证明作品发生了什么数值变化，但系统仍不能判断这些变化是否真正服务主题、人物关系与审美意图。下一步应把照片语义、构图关系、用户目标和数值变化结合起来。

### 3. 还没有真正的苏格拉底式动态对话

领先 AI Tutor 的价值不在于长答案，而在于控制答案泄露、保持认知参与和促进独立迁移。Stanford 收录的 2025 RCT 表明，采用研究型教学设计的 AI Tutor 可以在更少时间内产生更高学习增益；这个结论不能外推为“任何聊天机器人都有效”。当前四步 Session 提供了正确框架，但提示内容仍是预先整理的知识节点。

来源：[Stanford SCALE：AI tutoring outperforms in-class active learning](https://scale.stanford.edu/ai/repository/ai-tutoring-outperforms-class-active-learning-rct-introducing-novel-research-based)

### 4. 复习调度已经存在，但题目生成仍不够丰富

检索练习在真实教育环境中的研究总体支持其学习收益。系统综述编码了 50 个实验、5374 名学习者，49 个效应量中多数呈现中等或较大收益。当前产品已经做到先回忆和间隔复习，但下一步要增加同一知识在新题材、新光线和新设备上的迁移题，而不是重复原问题。

来源：[Retrieval Practice Consistently Benefits Student Learning](https://link.springer.com/article/10.1007/s10648-021-09595-9)

### 5. 缺少人类评片网络

摄影是视觉表达，不只是知识掌握。导师、同伴和真实受众对组照、情绪和主题的反馈仍不可替代。长期产品需要支持匿名作品对照、导师批注、同题挑战和高质量评片规范，同时避免点赞数代替学习效果。

## 本轮完成的产品改进

- 移除功能介绍式首屏，第一屏直接进入今日导师 Session。
- 建立“先判断、分层提示、实拍迁移、证据复盘”四步交互。
- 为 22 个主知识节点增加本地掌握度、历史 Session 和下次复习时间。
- 下一主题根据用户目标、能力短板、低掌握度和复习到期时间选择。
- 知识图谱显示每个节点的个人掌握进度，不再只是内容数量。
- 成长面板增加已掌握节点，首屏增加待复习、已掌握和 Session 数量。
- 进入知识节点时先启动主动学习，而不是立刻展示完整答案。
- 学习数据备份升级，包含掌握度历史；增加掌握度重置入口。
- Session 实拍阶段增加 before / after 照片上传、拖动对照和六项指标差异。
- 完整照片证据允许最高 90% 迁移掌握度；只有文字证据时单次封顶 70%。
- 图片不上传也不进入备份，掌握记录只保存文件名、指标和差异。

## 投资判断

我会投入一笔有明确里程碑的小额产品验证资金，但不会立即投入大规模推广预算。

愿意投资的原因：

- 摄影是适合多模态 AI 的垂直领域，用户有明确作品和重复练习场景。
- 产品已经具备难以通过通用聊天快速复制的知识结构、工作流和本机资料整合。
- 主动学习闭环可以形成长期数据资产：问题、回答、提示、照片、证据和迁移表现。

暂不大规模推广的原因：

- 当前仍是本地规则型导师，不是真实多模态模型。
- 没有证明 7 天、30 天后的留存和作品改善。
- 缺少付费导师、同伴反馈或创作者课程等供给侧网络。
- 静态 Web App 尚无账户同步、跨设备学习和数据恢复。

## 90 天优先路线

### 第 1 阶段：验证学习闭环

- 招募 20-30 名不同水平摄影学习者。
- 测量首次 Session 完成率、提示使用率、证据提交率和 7 日复习完成率。
- 对比“直接给答案”和“四步 Session”对下一张照片独立改善的影响。

### 第 2 阶段：接入真实多模态导师

- 输入当前照片、任务、EXIF、历史弱点和相关知识卡。
- 先追问意图，再做语义评片；限制一次只给一个最大瓶颈。
- 将模型判断与像素统计分开显示，并提供来源和不确定性。

### 第 3 阶段：升级作品证据链

- 在现有 before / after 数值对照上增加构图、主体关系和意图语义判断。
- 记录用户是否采纳建议，以及下一张是否在目标问题上改善。
- 用作品变化而不是聊天时长作为核心学习指标。

### 第 4 阶段：小规模商业验证

- 免费层：本地知识库、基础 Session、照片统计。
- 订阅层：多模态导师、跨设备同步、长期掌握图谱。
- 服务层：真人导师评片、专题班和作品集审核。

## 应跟踪的核心指标

1. 激活：首次访问后 10 分钟内完成第一轮 Session 的比例。
2. 主动参与：提交独立回答后才查看提示的比例。
3. 迁移：完成 Session 后下一张照片是否改善目标问题。
4. 复习：到期节点在 48 小时内完成复习的比例。
5. 证据：包含 before / after 或明确观察记录的 Session 比例。
6. 留存：第 7 天、第 30 天仍完成实拍任务的用户比例。
7. 学习质量护栏：答案提前泄露率、无来源判断率和用户过度依赖率。