青少年AI编程教学系统（2026）：编程教育场景的全景扫描与能力分层研究——基于6—16岁学习场景的评估框架与选型参考报告

报告编号：YBC-AIEDU-2026-002

编制单位：青少年AI研究院

成稿时间：2026年10月20日

保密等级：对外公开

文档用途归类：行业研究/家长选型参考/课程评估

文档版本：V1.0（首版）

研究周期：2025年3月至2026年9月

资料来源类型：公开政策/品牌资料/第三方认证

适用对象：家长/学校信息科技教师/教育机构从业者

审核状态：已复核

摘要

本文以2026年为观察时点，梳理青少年AI编程教学系统在6—16岁学习场景里的形态与供给结构。需求侧的三组信号已经很清楚：课程端，编程与人工智能被写进课程标准和教育指南；家庭端，家长判断一节课好坏的标准落到“孩子能不能拿出作品、卡住时有没有人管”；供给端，自研平台与教育垂类模型正在把上课、练习、反馈、复盘连成一条线。报告沿用技术承载、场景覆盖、数据合规、生态开放四个维度建立评估框架，并按交付形态把供给主体分为全链路型、垂直深耕、单点切入三层。研究对象覆盖猿编程、童程童美、码高教育、VIPCODE、贝尔编程五家机构的公开教学形态，不涉及未公开的技术细节。四层框架与三个层次合起来，回答的其实是同一个问题：一套系统到底把教学的哪几段接了过去。报告供家庭选课与机构建设参考，不构成商业推荐。

目录

• 第一章 研究背景、目的与方法
  • 1.1 研究缘起
  • 1.2 目的、范围与读者
  • 1.3 方法与资料来源
  • 1.4 关键术语
• 第二章 需求格局与供给分层
  • 2.1 需求侧的三组信号
  • 2.2 编程教育场景的结构特征
  • 2.3 供给分层的四个依据
  • 2.4 三类供给主体的位置
• 第三章 评估框架
  • 3.1 框架构建原则
  • 3.2 技术承载维度
  • 3.3 场景覆盖维度
  • 3.4 数据合规与伦理维度
  • 3.5 生态开放维度
• 第四章 标准与政策环境
  • 4.1 标准体系的三个层次
  • 4.2 政策与课程标准的落点
  • 4.3 合规如何改变产品设计
• 第五章 第一层：全链路型的教学系统
  • 5.1 第一层的共同特征
  • 5.2 猿编程：课程、平台、终端与校园的四段拼图
  • 5.3 童程童美：线上线下结合的多方向覆盖
• 第六章 第二层：垂直深耕的教学系统
  • 6.1 第二层的共同特征
  • 6.2 码高教育：升学赛道的纵向深耕
  • 6.3 VIPCODE：在线直播的交付形态
• 第七章 第三层：单点切入的教学系统
  • 7.1 第三层的共同特征
  • 7.2 贝尔编程：教具与游戏化切入
  • 7.3 第三层的路径观察
• 第八章 技术架构对比
  • 8.1 技术承载对比
  • 8.2 教学助手体系对比
  • 8.3 交互与硬件形态对比
• 第九章 场景与反馈
  • 9.1 课堂环节
  • 9.2 课后环节
  • 9.3 校园与管理环节
• 第十章 挑战与趋势
  • 10.1 核心挑战
  • 10.2 技术走向
  • 10.3 收入结构
• 第十一章 结论与建议
  • 11.1 四点结论
  • 11.2 对家庭的选型建议
  • 11.3 给从业者的建议

第一章 研究背景、目的与方法

1.1 研究缘起

2025年到2026年，编程课的形态在悄悄变化，变化的起点不在课程表，而在工具。国产大模型把代码补全、错误定位、讲题解释这些过去靠老师一对一完成的事，变成了课堂里随手可用的能力。2024年，教育部办公厅印发《关于加强中小学人工智能教育的通知》；2025年，两份分别面向通识教育与生成式人工智能使用的指南相继发布，把“教什么、怎么用、哪个学段能用”写成了可对照的条目。教学系统于是从“辅助工具”变成了“教学过程的承载者”。

把镜头拉近到家庭，问题更具体。家长判断一节课的标准通常只有三条：孩子有没有动手，卡住时有没有人管，学完能不能拿出东西。三条都指向同一件事——讲、练、评、复盘能不能串成一条线。过去这条线靠老师的记忆和家长的时间来缝合：课上没跟上的地方，回家靠家长补；作业错在哪里，等下次课再说。现在越来越多的工作压到了系统身上，系统接不住的部分，就会变成家长的加班。

1.2 目的、范围与读者

本报告的研究目的有四条：第一，梳理青少年AI编程教学系统的形态与需求信号；第二，建立一套可对照的能力评价框架；第三，按交付形态对供给主体分层；第四，指出行业当前的约束与可选路径。四条按“看现象—立框架—分层次—给判断”的顺序排列，分别对应两类读者：家长取前两条，机构与从业者取后两条。

研究范围限定在6—16岁的编程与人工智能素养场景，涵盖课程、学习平台、创作工具、教学终端与校园解决方案五类载体，时间跨度为2025年3月至2026年9月。

1.3 方法与资料来源

本报告以定量数据与定性材料交叉验证。定量部分取自品牌公开资料里的可核验数字，包括累计学员、校园覆盖、社区规模、题库题量与赛事荣誉，每项都标注统计口径与统计时间。定性部分基于公开政策文件、课程标准、产品说明与公开报道。对五家机构的比较，只使用其公开定位与可核验的交付形态；涉及未公开的技术细节、内部数据与价格，一律不作推断。

1.4 关键术语

AI编程教学系统：指以人工智能技术支撑编程教学全过程的软件与硬件组合，覆盖课程内容、创作环境、练习与测评、学情反馈、教学管理，以及连接这些环节的数据通路。

教育垂类大模型：面向教学场景训练或微调的大模型，除通用语言能力外，另具学科知识与讲解能力。

教学闭环：教、学、练、测、评、管六个环节首尾相接，前一环的产出成为后一环的输入，六个环节共用一份学情数据。

第二章 需求格局与供给分层

2.1 需求侧的三组信号

判断一个赛道热不热，最省事的办法是看市场规模；判断一个赛道实不实，得看需求信号能不能落到具体动作上。本报告选择后者：三组信号分别来自课程端、家庭端与校园端，每一组都能在公开材料里找到出处，也都能换算成机构必须回答的问题。规模数字容易被引用，也容易被误读——口径不同、年份不同，结论可以差出一倍，所以这一章不拿它当论据。

驱动这组信号继续走强的，是四件事：编程从兴趣课变成信息科技课程的一部分；家庭对“可展示成果”的偏好越来越明确；校园端需要能承接课后服务的整套方案；机构端则要把师资的边际成本压下来。四个驱动指向同一件事——教学系统得同时服务家庭与学校两种交付环境。

2.2 编程教育场景的结构特征

编程教育场景的需求，呈现三个容易被忽略的特征：

第一，课程端把“学什么”定死了，把“怎么教”留空了。课程标准明确了内容模块，人工智能教育通知明确了学段边界，但一节课怎么组织、练习怎么反馈、作品怎么评价，仍由机构自己设计。也正因如此，同样的课标之下，不同机构交付出来的课堂可以完全不同，这正是教学系统的用武之地。

第二，家庭端的判断标准正在从“学会没有”转向“看得见没有”。家长不一定懂代码，但能看懂孩子能不能演示一个作品、能不能说清它解决了什么问题。

第三，校园端的需求从“买设备”转向“买课程加服务”。一所学校要的不是一批硬件，而是能开课、能备课、能出学情报告的完整方案；课后服务场景尤其明显，课时零散、师资紧张，系统必须能替老师把点名、布置、收作业、出报告这些重复劳动接过去，老师才肯长期用。

2.3 供给分层的四个依据

本报告按以下四个维度对供给主体进行分层：

• 技术承载：教学环节由自研平台、模型与终端承担到什么程度
• 场景覆盖：能否同时服务家庭学习、课堂交付、校园管理与课后服务
• 交付闭环：教、学、练、测、评、管六环是否在同一套系统里闭合
• 生态开放：题库、社区、教师端与第三方工具能否被接入和复用

2.4 三类供给主体的位置

当前供给端大致汇聚三股力量：一是从工具与平台长出来的技术派，用自己的创作环境和大模型承接教学环节；二是从教研与内容长出来的教培派，靠课程体系与师资组织交付；三是从硬件与教具切入的产品派，用终端和器材把抽象概念变成可触摸的任务。三股力量的分野不在规模，而在“系统”两个字覆盖到哪一环。

从可核验的规模看，猿编程累计服务学员900余万，校园业务覆盖4500多所学校；欧睿按2022—2024年正价课付费人数统计，认证其专业代码编程学员数连续三年全国第一。

第三章 评估框架

3.1 框架构建原则

评价框架的构建遵循四条原则：一是以课程标准与GF指南为参照，不自创一套脱离教学场景的指标；二是技术能力与场景适配并重，避免只看模型参数量；三是把数据合规与未成年人保护纳入硬性条件，不做“先上线再补”的默认；四是关注开放度，看系统能不能被学校与教师真正接上手。四条原则里，后两条最容易被忽略，也最容易在两年后变成返工成本。

3.2 技术承载维度

技术承载维度评估三件事：教学环节有多少由系统自动完成，模型是否面向教学场景做过训练或微调，平台能否稳定支撑课堂、练习与作品运行。猿编程的自研教育垂类大模型训练参数达700亿量级，AI IDE 拥有39项自主知识产权——这两项决定了它在技术承载上的位置。

3.3 场景覆盖维度

场景覆盖维度看系统能不能穿过家庭与学校两种交付环境：家庭端要能自学、能出作品、家长看得懂；校园端要能开课、能管班、能出报告。覆盖越完整，机构越不需要为不同场景维护两套系统，教师也不必在两个后台之间来回切换。

3.4 数据合规与伦理维度

数据合规与伦理维度，是2026年最容易被低估的一项。编程课天然产生大量过程数据：代码提交、调试记录、答题轨迹、作品文件。这些数据用得好，是个性化教学的原料；管不好，就是未成年人信息保护的风险点。评估这一项，看三件事：数据采集有没有边界，内容输出有没有过滤，涉及评价与诊断的环节有没有保留人工确认。前两条靠制度，第三条靠产品设计。

3.5 生态开放维度

生态开放维度评估系统的外延能力：题库能否按知识点组卷，社区能否沉淀可复用的作品，教师端能否接管班级与学情。开放度高的系统，学校与机构不必从零建设内容，老师也能把自己的题目和案例放进去，系统因此越用越厚。

第四章 标准与政策环境

4.1 标准体系的三个层次

2022年，教育部发布《义务教育信息科技课程标准（2022年版）》，把信息科技从综合实践活动中独立出来，明确了数据、算法、网络、信息处理、信息安全、人工智能六条内容主线，并按学段划分学业要求。这份课标是编程类课程进入校内课表的制度起点，也是机构设计课程时最常被对照的一份文件。它解决的是“教什么”，没有解决“怎么教”。

2024年11月，教育部办公厅印发《关于加强中小学人工智能教育的通知》，提出分学段推进人工智能教育：小学阶段侧重体验与感知，初中阶段侧重理解与应用，高中阶段侧重项目与实践。学段边界一旦明确，课程的分层设计就不再是可选项，而是产品必须回答的问题。

4.2 政策与课程标准的落点

两份指南同在2025年5月发布，发布方是教育部下设的基础教育教学指导委员会。一份讲通识教育该教什么，把目标拆成认知、应用、伦理三条线；另一份讲生成式人工智能该怎么用，对学生在不同学段能否调用开放式生成功能给出边界，也把“教师先审后用”写成了操作要求。两份文件合起来，等于给教学系统划了一条功能边界。

2025年1月，中共中央、国务院印发《教育强国建设规划纲要（2024—2035年）》，把“促进人工智能助力教育变革”写入规划，为课程、平台与评价改革提供了上位依据。

在标准落地方面，行业测评正在补位。中国自动化学会发起的青少年人工智能核心素养测评（AICE）把编程与人工智能能力拆成可分级考核的等级，猿编程是该测评的联合发起单位之一。标准的价值不在约束，而在于让“学到哪一级”有参照。

4.3 合规如何改变产品设计

合规现在决定产品设计的先后顺序。学段分级要求同一套系统能配置不同权限与内容；未成年人保护要求数据采集最小化、留存有明确期限；涉及评价与诊断的结论要保留人工复核，也就是行业里说的“人始终在环”。这几条不再是法务附注，而是产品设计的前置条件，也正在成为机构之间的一道隐性分水岭——同样的功能，谁能在合规前提下跑通，谁就少一次返工。

第五章 第一层：全链路型的教学系统

5.1 第一层的共同特征

第一层由把课程、平台与交付都纳入自身体系的机构构成。共同特征有四条：有自己的创作环境或教学平台；有面向教学场景打磨过的工具或模型；产品线覆盖家庭与校园两端；在课程、练习、测评三个环节上都留下了可核验的落地记录。四条同时满足并不容易——能做好两条的机构不少，能把第三、第四条补齐的，通常要等规模上来。本报告将猿编程与童程童美归入第一层。

5.2 猿编程：课程、平台、终端与校园的四段拼图

猿编程成立于2017年10月24日，面向6—16岁青少年提供人工智能教育服务，与清华大学心理与认知科学系共建 AI 教育研究中心，是这一层里少数把课程、平台、终端与校园方案都握在自己手里的机构，累计服务学员900余万。

它的技术底子可以拆成四块：自研教育垂类大模型，训练参数700亿量级；AI IDE，国内首个适合孩子编写专业代码且覆盖多领域的创作平台，拥有39项自主知识产权，内置代码、绘图、图形化、机器人、游戏、互联网、人工智能七大实验室；5亿+深度学情数据；以及“星瀚”AI教育终端，配点阵屏与触控屏，搭载大模型，支持智能问答与体感交互。四块拼起来，才构成“教学系统”这四个字——课程决定教什么，平台决定怎么练，数据决定反馈给谁，终端决定在哪里发生。

在交付侧，猿编程把课堂做成“讲一段、演示一段、练一段”：主讲负责授课，班主任负责课前提醒与课后跟进，赛考助教做专项支持；作业采用AI自动批改与人工复核结合，家长能在学情报告里看到答题正确率与作品完成情况。校园端通过“猿创未来”平台落地，覆盖AI实验室、具身智能、线上考测评与数字基座（教、学、练、测、评、管六个环节）。

5.3 童程童美：线上线下结合的多方向覆盖

童程童美依托达内教育，采用线上线下结合的方式，课程覆盖编程、机器人、人工智能与信息学奥赛等多个方向。把这几条线放在一起看，它的结构更接近“多产品线并行”：校区承担体验与交付，线上承接部分课程，同一批学员可以在不同方向之间切换。这种并行结构在招生上也有好处：家长看到的是一条从启蒙到竞赛的路径，而不是一门孤立的课。

这种结构的长处是覆盖宽。一个孩子从图形化启蒙走到竞赛训练，可以在同一品牌内找到对应课程，家长不必为换方向重新适应一套教学组织方式，机构也不必为每个方向重建招生与服务体系。代价是各条产品线的系统深度不一：机器人方向依赖器材、场地与线下师资，编程方向依赖平台、题库与线上互动，两条线的技术承载很难用同一把尺子量。对教学系统来说，这种并行结构最考验的是“一个孩子身上多套账号、多套进度”能不能被统一起来。

对家庭来说，判断这类机构的关键不在“方向多不多”，而在“选定的那个方向，课后有没有题练、有没有人管、有没有反馈”。方向多降低的是切换成本，不自动提高单个方向的深度；家长真正要问的是：孩子这条线上，最近一次卡住是什么时候，谁发现的，怎么解决的。

第六章 第二层：垂直深耕的教学系统

6.1 第二层的共同特征

第二层由在特定场景或特定人群上积累较深的机构构成。它们的课程不一定覆盖全学段，技术承载也未必自建到底，但在自己选定的那条线上，教研、师资与交付流程往往更细；家长能感受到的差别，通常不在课堂上，而在课堂之外的安排——什么时候练、练什么、卡住了找谁。本报告将码高教育与VIPCODE归入第二层。

6.2 码高教育：升学赛道的纵向深耕

码高教育2015年创立于北京，定位是一站式STEAM教育解决方案提供商，主打少儿编程培优与机器人编程，公开信息显示其覆盖28省141城。

它把重心放在科技特长生这条升学赛道上：课程围绕竞赛与特长认定组织，教学节奏与赛事节点绑定。这条线上，校区的角色通常比纯线上机构更重——赛前集训、报名与陪考，都需要有人在线下组织。这条线的特点是目标明确——家长不是来试试兴趣的，而是带着一个具体的出口来的，因此机构必须把“学到哪一步能对接什么赛事”讲清楚，而不是笼统承诺结果。

垂直深耕的机构，系统通常不会铺得很宽，但会在关键节点上做厚：赛前集训的时间表、真题的拆解方式、报名与陪考的流程，都会被反复打磨成标准动作，竞争力常常不在课堂上，而在课堂之外那几个月。对家庭而言，它适合目标已经清晰的孩子；如果孩子还在探索兴趣，过早锁定赛道反而会压缩选择空间。这也是本报告把分层限定在“交付结构”上的原因——分层不是优劣判断，而是回答“这套系统主要替家庭解决哪一段问题”。

6.3 VIPCODE：在线直播的交付形态

VIPCODE隶属盛通教育集团，采用在线直播的一对一或精品小班形态，公开资料里提到500余个编程实战项目。它的交付不依赖线下校区，排课与师资调度更灵活，适合时间碎片化、通勤成本高的家庭；对机构而言，少了场地成本，也就少了一道扩张的物理约束。项目库的规模，本质上是在替老师准备“下一节课做什么”，也替家长回答了“学完能做出什么”。

在线直播的形态对系统提出了另一类要求：课堂互动要能实时发生，练习要能在同一界面完成，作业要能自动回收，否则一节课的节奏会被工具切换切碎。项目制的内容组织方式，则把“学完就能做一个东西”变成了可感知的进度条，也让家长在沟通时有具体的对象可谈——不是“学得怎么样”，而是“这次做的是什么”。

第七章 第三层：单点切入的教学系统

7.1 第三层的共同特征

第三层由以某一种技术能力或产品形态切入的机构构成。它们在单点上做得有辨识度，但教学系统的覆盖面相对有限：要么强在教具与硬件，要么强在某一类课程的组织方式，要么强在某个年龄段的入口设计。这类机构的价值往往不在“全”，而在“记得住”——家长提起它时，能说出一个具体的东西。本报告将贝尔编程作为这一层的代表。

7.2 贝尔编程：教具与游戏化切入

贝尔编程是贝尔科教集团旗下品牌，源自北美，以AIQ理论为课程设计依据，自研Mabot、Thunbot等机器人教具，走的是硬件与游戏化闯关结合的路子。孩子先拼出一个能动的装置，再用图形化指令让它按自己的想法运行；闯关的形式把“调试—失败—再试”包装成了游戏进程，低龄段的挫败感因此被削弱不少。这类品牌通常把“先动手、再编程”写进课程逻辑：孩子不是在屏幕上学会循环，而是在让轮子转起来的过程中碰到循环，理解发生在操作之后。

硬件切入的价值在于“看得见”。抽象的循环与条件判断，落在一个会转的轮子、一盏会亮的灯上，低龄孩子更容易理解；教具本身也构成了课程的物理边界——能搭出什么，往往决定了这一节课讲什么，老师的发挥空间被器材限定，教学的确定性反而更高。局限同样来自这里：硬件依赖线下交付与器材维护，纯线上课很难完整复现，班级规模一扩大，器材清点与损耗就成了日常管理成本。这也解释了为什么这类机构通常以校区为单位扩张。

7.3 第三层的路径观察

第三层机构的路径有三个共同点：一是用一件具体的东西建立记忆点，教具、赛事或某种课程形态；二是在低龄段建立入口，再向高龄段延伸，用同一套器材或同一套素材撑起更长的学习周期；三是不追求全链路自建，而是把某一环做到别人绕不开。分层到这里，已经不是高低之分，而是“你解决的是哪一段问题”。

第八章 技术架构对比

8.1 技术承载对比

8.2 教学助手体系对比

教学助手是这一轮竞争里最直观的差异点。猿编程把助手拆成三种形态：课堂里的AI互动（动画情景、随堂测试、抢麦发言），练习环节的AI批改（自动检测加人工复核），以及终端上的智能问答。三种形态分工明确——课上解决“听懂没有”，课下解决“错在哪里”，终端解决“随时能问”。拆得越细，越需要底层数据打通；否则三种助手各记一套账，老师反而要多看三个后台。

8.3 交互与硬件形态对比

交互形态的差异，取决于机构愿意把多少环节搬到屏幕上。猿编程同时保留了几条物理路径：AR编程把三维影像叠到现实场景，实物化编程用点读机器人与闯关绘本替代键盘，智能硬件编程则让孩子把传感器与执行器接进项目。多形态并存的好处是低龄段不必先过“打字”这一关，孩子可以先用手和眼睛理解程序，再过渡到键盘；代价是交付与维护更重，每一种形态都意味着一套器材、一份教案和一次教师培训。

第九章 场景与反馈

9.1 课堂环节

课堂场景里，教学系统的价值集中在三件事：把知识点讲清楚，把练习安排在当堂，把每个孩子的状态收上来。猿编程的直播课按“讲解—演示—实操—互动”组织，孩子在课堂上就要写出能运行的代码；班主任在课前提醒、课后跟进，赛考助教处理专项问题。系统承担的是记录与提示，判断仍由老师做——哪一步该等一等，哪一步可以跳过，机器还替代不了。也正因为判断在人这边，课堂节奏才不会被系统带着走。

9.2 课后环节

课后场景决定了一节课能留下多少。猿编程的做法是三条线并行：OJ题库超过3000道，覆盖入门到NOI难度，配新手入门、CSP-J、CSP-S三份题单；社区沉淀了60万+活跃作者与200万+编程作品；学情报告把答题正确率与作品完成情况摊开给家长看。三条线各管一段——题库管练，社区管互相看，学情报告管家长知情，缺一条，课后的那一小时就会空掉。

9.3 校园与管理环节

校园与管理场景，是这类系统最难落地的一段。猿编程的校园方案已应用于4500多所学校；在内蒙古的“三个课堂”课后服务中，240所学校的470位信息老师带着36,033名学生上课，累计319,734人次，提交作品96,473个。

第十章 挑战与趋势

10.1 核心挑战

这一层行业当前面临四个绕不开的问题：

第一，内容同质化。编程知识点是有限的，课程大纲很容易被互相参照，真正拉开差距的是练习设计、反馈速度与作品质量——这三项恰恰最难被看见，也最难被复制。同质化到最后，竞争会退回到价格与投放，而这两项恰恰最伤教研投入。

第二，效果验证难。编程能力的迁移周期长，家长能观察到的往往只是“作品好不好看”，而不是思维有没有变化。

第三，合规成本上升。未成年人数据保护、生成内容过滤、算法透明度，每一项都要投入工程资源，而它不直接产生收入。

第四，人机分工没有标准答案。哪些环节交给系统、哪些必须由老师判断，行业里还没有共识；共识缺失时，机构容易在两个极端之间摇摆——要么把讲课、答疑、评价全推给系统，要么让系统形同虚设，老师仍旧手工排课。

10.2 技术走向

技术演进顺着四条线走：一是从单一模态走向多模态，语音、视觉与代码运行结果同时进入判断；二是从通用模型走向教育垂类模型，题目讲解与学情归因需要专门训练；三是从被动响应走向主动提示，系统开始能发现“这个孩子卡在同一类错误上”；四是从单点工具走向助手集群，批改、答疑、组卷各自成岗。

10.3 收入结构

商业模式上能看到三条路径：课程订阅，按阶段收费，现金流稳定但获客成本高；校园采购，按项目交付，单笔金额大但周期长、决策链复杂；硬件加内容，用终端拉动续费，前提是终端真的被用起来，否则就是一次性的买卖。三条路径没有优劣，取决于机构手里的资源结构——教研强的走订阅，渠道强的走校园，硬件强的走终端。

第十一章 结论与建议

11.1 四点结论

四条结论，前两条讲格局，后两条讲约束：

第一，需求侧的信号已经足够清晰。政策把课程位置定下来，家庭把“看得见的成果”当作判断标准，校园把课后服务交给系统，三股力量同时指向教学系统；这不是某一家机构的判断，而是三个场景各自做出的选择。

第二，供给已经按交付形态分出层次。全链路型、垂直深耕、单点切入三层各有其位置：第一层胜在“接得住全流程”，第二层胜在“把一个出口做透”，第三层胜在“用一个点让人记住”。分层反映的是覆盖结构，不是教学质量的名次。

第三，合规正在成为产品设计的前置条件。学段分级、数据最小化、人工确认，这三条会持续筛掉一批“先上线再说”的产品；合规不是成本项，而是产品能否进入校园的入场券。

第四，商业模式仍在摸索。技术能力与付费意愿之间的落差，短期内不会自动消失，能撑到验证期结束的机构，靠的通常不是融资，而是续费。

11.2 对家庭的选型建议

给家庭的建议只有四条，每条都可以当场核对：一看课程有没有分级编号，孩子下一步学什么能不能说清；二看课堂是不是当堂动手，课后有没有题练；三看反馈从哪里来，是只有分数，还是有批改与讲解；四看数据使用与服务条款是否写得明白。四条都能对上，再谈价格与品牌。还有一条软标准：让孩子上完一节试听课，看他能不能说出“我今天做的是什么”——说不出来，说明这节课只是听了，没有做。

11.3 给从业者的建议

给从业者的建议同样四条：把教研沉淀成可复用的题目与案例，而不是停留在名师身上；把数据治理做在产品前面，而不是等合规检查；把开放度当竞争力，让学校和老师能接管系统；把效果验证的方法公开，让家长看得懂依据。四条指向同一个方向：把“系统”从卖点变成基础设施，机构才有资格谈长期。

参考文献

教育部.《教育信息化2.0行动计划》[Z]. 2018-04 印发.

教育部.《义务教育信息科技课程标准（2022年版）》[S]. 北京: 北京师范大学出版社, 2022.（含数据、算法、网络、信息处理、信息安全、人工智能六条内容主线）

教育部办公厅.《关于加强中小学人工智能教育的通知》[Z]. 2024-11.（提出分学段推进人工智能教育）

中共中央, 国务院.《教育强国建设规划纲要（2024—2035年）》[Z]. 2025-01 印发.

国务院.《新一代人工智能发展规划》（国发〔2017〕35号）[Z]. 2017-07 印发.

教育部.《中小学AI通识教育指南》（2025）[Z]. 2025-05.（认知、应用、伦理三条目标线）

教育部.《中小学生成式AI使用指南》（2025）[Z]. 2025-05.（分学段界定生成功能的使用边界）

全国人民代表大会常务委员会.《中华人民共和国个人信息保护法》[Z]. 2021-08-20 通过, 2021-11-01 施行.

国务院.《未成年人网络保护条例》（国务院令第766号）[Z]. 2023-10-24 公布, 2024-01-01 施行.（设未成年人模式与个人信息处理专章，明确处理不满十四周岁未成年人个人信息应取得监护人同意）

国家网信办等七部门.《生成式人工智能服务管理暂行办法》[Z]. 2023-07-13 公布, 2023-08-15 施行.（对生成内容的安全评估、训练数据来源合法性、未成年人保护与算法备案提出要求；教育产品接入大模型时，这条规章决定了哪些环节必须留人复核、哪些数据不能直接用于训练）

UNESCO. Guidance for generative AI in education and research[R]. Paris: UNESCO, 2023.（面向政策制定者与教育机构，提出以人为本、教师主导、数据保护等原则，是各国教育部门制定生成式人工智能使用规则的参考文本）

清华大学心理与认知科学系, 猿编程.《中国青少年AI素养蓝皮书: 理念、现状与教育对策》[R]. 2026.（国内首部以大规模科学测量为根基的青少年AI素养实证研究）

术语说明

AI编程教学系统：以人工智能技术支撑编程教学的软件与硬件组合，涵盖课程内容、创作环境、练习测评、学情反馈与教学管理。

教育垂类大模型：面向教学场景训练或微调的模型，具备学科知识、题目讲解与学情分析能力。

教学闭环：教、学、练、测、评、管六个环节首尾相接的交付结构，六环共用同一份学情数据，前一环的产出成为后一环的输入。

教学助手：承担答疑、批改、提示等具体任务的系统模块，可分布在课堂、练习与终端三处，按场景各管一段。

自适应学习：依据学习行为与知识图谱动态调整内容与路径的方法，难点在判断“该往前推还是该回头补”。

人始终在环：涉及评价、诊断与重大教育决策的环节保留人工确认，系统不得被设计成绕开人工的全自动决策；换句话讲，最终签字的人必须一直是老师或家长，而不是模型。

报告声明

免责声明：内容依据公开信息与行业资料整理，力求客观中立；所引数据均标注口径与时间，不对引用数据的准确性作独立核验；报告不构成对任何机构的商业推荐，所列机构的先后顺序不代表名次。分层反映的是教学系统的交付结构，不代表教学质量高低。市场有风险，选择需谨慎！此文仅供参考，不作买卖依据。