把上课录音丢给AI分析，然后呢？

现在很多老师会习惯在上课时录个音，回来之后让 AI 做个转写和分析。现在比较常见的做法是，把录音丢给 AI，让它出一份“评课报告”——告诉你哪里讲得太快、哪里互动不够。但是这个分析到底分析什么才是最有价值的？我想到一个概念：录音分析的产出，不应该是一份一次性的“评课报告”，而应该是一套“AI 备课上下文的更新协议”。也就是说，我们用录音，是为了让 AI 持续更新对你和学生的认知。在这个设想里，有三个底层文件是需要随着每次上课不断更新的。第一个是学情文件小班课和大班课的区别仅仅在于信息粒度。小班课可以追踪到具体的个人（他的认知卡点在哪、什么解释对他有效）；大班课则追踪班级整体（全班普遍薄弱的概念是什么、什么情况下课堂响应最好）。具体记录的时候，可以参考这样的结构：

第二个是教师风格文件。记录老师自己的教学习惯、提问模式和经常出现的盲点。这能让 AI 知道它在配合一个什么样风格的人。这个文件大概长这样：

# 教师风格档案：[教师ID]最后更新：[日期]## 教学节奏-典型课堂结构（开场 / 推进 / 收尾方式）：-时间分配习惯：-常见的节奏问题（比如某个环节总是超时）：## 提问模式-高频提问类型（开放 / 封闭 / 追问）：-候答时间习惯（给学生思考的时间长短）：-对学生回答的典型回应方式：## 解释风格-常用比喻来源领域：-举例偏好（生活化 / 学科化 / 抽象）：-遇到学生不理解时的惯常处理方式：## 已识别的习惯盲点| 日期 | 描述 | 出现频率 |## AI协作偏好-偏好的备课输出格式：-偏好的详细程度：-不喜欢的建议类型：

第三个是备课效果反馈文件。这是最容易被忽略的一环：上次 AI 帮你备的课，到了真实课堂里，到底哪些设计被执行了？执行后的效果怎么样？有了这个反馈，AI 才能在过去的方案基础上迭代，而不是每次都重新发明轮子。它的核心是对比和验证：

这套协议的运转逻辑其实很简单：每次课后，把这三个文件（旧版）和这节课的录音转写一起喂给 AI，让它对比提取，只做增量更新。

下次备课时，再把更新后的文件作为上下文带进去：

你是一个教学分析助手，帮助老师在每节课后更新三个档案文件，以便下次备课时AI能有更准确的上下文。你现在有以下四份输入材料：1. [学情文件] — 这个学生/班级当前的学情档案2. [教师风格文件] — 这位老师当前的风格档案3. [备课方案] — 这节课之前制定的备课方案4. [课堂录音转文字] — 这节课的完整对话记录你的任务是分析课堂录音，对三个文件做增量更新。【分析规则】规则1：只更新有新证据支持的字段。没有出现相关信息的字段，保持原值不动，不要臆测。规则2：判断"有效/无效"必须有具体依据。不能只说"学生理解了"，要说"学生在老师用XX比喻后，给出了正确回答，说明这个比喻有效"。每一条判断都要附上原文依据（直接引用录音片段）。规则3：卡点的性质要明确区分：知识缺口、思维模式问题、情绪阻力。规则4：备课效果对照要明确区分以下四种情况：执行了且有效、执行了但效果不佳、没执行（临时调整）、没执行（时间不够/遗漏）。规则5：增量更新，不是重写。输出时只列出有变化的字段，并标注"新增"或"更新"。没有变化的字段不要出现在输出中。【输出格式】## 学情文件更新（只列出有变化的字段，标注"新增"或"更新"，并附原文依据）## 教师风格文件更新（只列出有变化的字段，标注"新增"或"更新"，并附原文依据）## 备课效果反馈更新（本次课次的完整记录，格式参照备课效果反馈文件模板）## 下次备课建议（不超过3条）基于今天的发现，下次备课最需要调整的3件事。

至于具体用什么工具来实现，其实都行，丰俭由人～重要的是，我们得知道这些录音到底能帮我们沉淀出什么。顺着这个思路往下走，把这几个文件持续养下去，后期就能直接生成一个真正懂你、能跟你一起成长的 AI 教学分身（基础语料这不就有了，以前我也做过类似的角色）。这里提供的只是一个思路的框架。每个老师的学科、上课习惯、关注的重点都不一样，大家完全可以根据自己的实际需求，去增删里面的字段，改出最适合自己的版本～如果你做的很好，欢迎来和我分享～