AI 教育赛道的新基建信号:知识点图谱类开源项目正在密集出现
AI 教育赛道的新基建信号:知识点图谱类开源项目正在密集出现
当大模型从"能说"走向"会推理",教育科技圈的注意力正在从模型参数悄然转向喂给模型的数据本身。过去一年里,围绕 Agent、多模态与开源大模型的讨论热度不减,但一个更隐蔽的趋势在底层积累:一批把「孩子到底要学什么、先学什么、学到什么程度才算会」拆成结构化数据的开源项目,正在密集出现。Marble 团队开源的 os-taxonomy(Marble Skill Taxonomy)正是这一波"教育底料数据"供给潮中的典型样本——它不提供任何模型与运行时代码,只交付一份精心编排的 JSON 数据集,却让自适应学习、AI 答疑与学习路径规划第一次有了可计算的"地图"。
这篇文章以该仓库的真实数据结构为切片,拆解知识点图谱、课标对齐与学习路径这三类教育新基建当前的供给形态,并讨论它们在整个 AI 教育叙事中的位置与后续机会。
一、泛 AI 开源潮之下,"底料数据"的价值正在被重估
最近的开源舆论场热闹而多元:有小模型在 benchmark 上逼近大模型、有开源 Agent 生态的密集路演、也有安全类开源扫描器一个月扫出数千漏洞。这些事件指向同一个底层判断——开源正在从"模型竞赛"转向"工程与数据竞赛"。
对大模型尤其是教育场景的模型来说,纯粹靠互联网语料预训练得到的"常识",在学科知识面前是脆弱的:它不知道"分数加法必须先理解单位分数"这类严格的先修关系,也不清楚某个知识点对应的课程标准编号。于是两类资产开始升值:一类是高质量的结构化知识数据(知识点本体、依赖关系、课标映射),另一类是可验证的数据工程能力(引用完整性、校验和、许可边界)。前者决定产品的上限,后者决定数据能否被放心复用。
这正是社区开始为 taxonomy 类项目聚集注意力的原因。2025 年底至 2026 年初,围绕 os-taxonomy 的多篇技术拆解文章(数据模型、DAG 解析、课标对标、校验脚本原理)在技术社区集中出现并收获稳定阅读量,说明这类"纯数据 + 校验脚本"的仓库已经不只是教研人员的工具,而进入了开发者与 AI 产品工程师的视野。
二、三类教育新基建的供给现状:以 os-taxonomy 为切片
把"底料数据"落到教育场景,可以抽象成三个供给层:知识点图谱(学什么、依赖什么)、课标对齐(对应官方标准)与学习路径(按年龄与领域组织)。os-taxonomy 恰好把这三层都做进了同一份数据集。
2.1 知识点图谱:1,590 个微主题构成的 DAG
仓库的核心资产是 data/topics.json 与 data/dependencies.json。前者定义了 1,590 个"微主题"(micro-topic)——一个可单独教学的粒度,例如"Building sentences""Apparent brightness of stars";后者用 3,221 条有向边把这些主题连成一张有向无环图(DAG),语义是"topicId 依赖 prerequisiteId"。
每条依赖边都带强度与理由,这是它与普通知识图谱的关键差异:
{ "topicId": "mt__00ZSLnB7p", "prerequisiteId": "mt_VBl1T1sFCM", "strength": "hard",
"reason": "Must understand vibrations make sound before finding volume patterns" }
全图 3,221 条边中,hard(硬前置,缺之不可)2,025 条、soft(软前置,有助于理解)1,196 条,比例约为 5:3。这种"软硬分流"让下游系统既能做严格的解锁逻辑(hard 边),又能做温和的推荐逻辑(soft 边),恰好是自适应学习引擎最需要的两种路由。
每个微主题节点的字段设计也相当工程化(schema/topics.schema.json 定义了全部约束):
{
"id": "mt_N8CpN1EJrP",
"type": "CONCEPTUAL",
"subject": "English",
"domain": "Grammar & Punctuation",
"name": "Building sentences",
"description": "Understand that words combine to make sentences…",
"ageRangeStart": 4,
"ageRangeEnd": 6,
"centrality": 0.257,
"evidence": [
"Distinguish between complete sentences and fragments",
"Compose a complete sentence with a subject and verb"
],
"assessmentPrompt": "If {{name}} says something like \"The dog\", can they tell you that's not a complete sentence…?",
"standards": ["ccss-ela:L.K.1f", "uk-nc-2013:Eng.App2.Y1.Sent.1"]
}
其中几个字段尤其值得注意:type 把知识点分成 CONCEPTUAL(810 个)、PROCEDURAL(512 个)、META(144 个)、LANGUAGE(75 个)、REPRESENTATIONAL(49 个)五类,对应认知负荷的不同;centrality 给出了节点在图中的中心度,可直接用于排序"核心知识点";evidence 是可观测的掌握证据,1,590 个主题中 1,555 个都带证据清单;assessmentPrompt 则是一条自然语言的评估提示,内含 {{name}} 占位符,可直接喂给大模型做对话式评测。这些设计让数据不仅描述"是什么",还描述"怎么教、怎么测"。
2.2 课标对齐:1,859 条映射与 3,261 条标准
第二层供给是官方课标对齐。data/curriculum-standards.json 收纳了 7 套课程标准共 3,261 条标准——英国国家课程(KS1/KS2,全文)、Common Core ELA 与 Math(全文)、NGSS K-5 与初中段、C3 社会科框架、IB PYP PSPE 等,并通过 1,859 条"知识点→课标"映射把 818 个微主题锚定到具体标准编号。
映射的键格式是 <curriculum-slug>:<code>,例如 ccss-ela:L.K.1f。这意味着一个知识点可以同时命中美、英两套体系的官方条文,为跨国课程对比和教材本地化提供了现成的桥梁数据。值得强调的是它的版权处理非常克制:对 NGSS、C3、IB PYP 等受限来源,仓库只发布标准编号(codes-only),不夹带原文,具体边界在 PROVENANCE.md 中逐条列明。
2.3 学习路径:年龄带与 183 个领域簇
第三层供给是面向"人"的路径表达。os-taxonomy 用两种机制把图谱翻译回日常语言:
- 年龄带:每个主题携带
ageRangeStart/ageRangeEnd,主体落在 4–14 岁区间,多数分布在 5–11 岁,少量延伸到初中段。于是"这张图"天然带有一个竖直的年龄坐标。 - 领域簇:data/clusters.json 按 (subject, domain, age band) 聚合出 183 个簇,每个簇配一段面向家长的通俗总结。例如 English 的 Grammar & Punctuation 在 5 岁簇写道:"Your child is learning the building blocks of writing…"——把一张 DAG 压缩成家长一眼能懂的一句话。
这种"底层严谨、表层亲切"的双层设计,正是教育产品需要的形态:机器读 DAG,人读簇。
三、数据可信与可商用:两个关键的"冷启动"设计
数据类仓库最容易被质疑的两点——数据是否可信与能否商用——os-taxonomy 都用工程手段正面回应了。
可信性靠校验脚本保证。 整个仓库零运行时依赖,数据一致性由 scripts/validate.mjs 单独承担:它校验声明计数与实际一致、每条依赖边的两个端点都真实存在、没有自环、hard/soft 合法、每个 topic→standard 引用都能解析、codes-only 来源不泄露原文,最后用 data/manifest.json 中的 SHA-256 校验和逐一比对四个数据文件。任何一处不通过即非零退出。这意味着下游团队可以在 CI 里直接挂一条命令:
node scripts/validate.mjs
把"数据集是否损坏/被篡改/引用断裂"变成一次可自动化的体检。
可商用性靠分层许可设计。 仓库采用 ODbL 1.0(数据库层)+ CC BY-SA 4.0(内容层)的双许可,并在 README 中明确区分"衍生数据库"(必须保持开放)与"衍生作品"(在自家产品里使用无需开源产品本体)。也就是说,教育公司可以把这份图谱直接揉进商业产品,只需回馈对图谱本身的改进。对照 AI 教育圈普遍存在的"数据在黑盒产品里"的现状,这是一份罕见的、明确允许商用衍生的开放底料。
四、os-taxonomy 在其中的位置与后续机会
把视野拉回整条赛道,知识点图谱类项目当前大体分三类供给:纯教研标注(准确但难以复用)、产品内私有图谱(可用但不可得)、开放数据资产(可得但往往缺乏工程化)。os-taxonomy 站在第三类的工程化一端:结构、模式、校验、许可四件套齐全,且刻意不发布 embeddings 等"可重新计算"的派生资产(见 CHANGELOG.md),把注意力集中在不可轻易复制的本体数据上。
由此可以推演出几个明确的后续机会:
- 垂直 RAG 的锚点:微主题的
description+evidence+standards三元组,可以成为教育问答系统检索阶段的"黄金分块",用图谱边做检索扩展,缓解大模型在学科知识上的幻觉。 - 自适应路径引擎的规则底座:hard/soft 边天然支撑"解锁式"进度系统,
centrality支撑核心知识点排序。 - 多课标本土化:当前 7 套课标以英美体系为主;把同一套 schema 扩展到更多国家/地区的课程标准(含中文语境下的课标),是数据层面最直接的扩展路径。
- 评估能力外溢:1,555 个带证据、带评估提示的主题,几乎可以直接转译为可执行的测评题目或 AI 助教的追问模板。
当然,作为 v1 数据集,它也有清晰的边界:8 个学科中 Computing、Learning to Learn 等学科的主题数仍偏少(分别为 21、18 个),年龄带延伸至初中段后的覆盖密度下降,这些都是下一版可以期待的演进方向。
结语
模型会迭代,榜单会翻新,但"一个孩子要先理解分数单位、才能学会分数加减"这类知识结构不会轻易改变。当 AI 教育产品集体转向"可解释、可评测、可规划"时,像 os-taxonomy 这样把课程知识做成可校验、可商用、可复用图谱的开源数据资产,正在成为整个赛道最底层也最持久的新基建。真正值得关注的信号,从来不只是某个模型又刷高了几分,而是供给端开始有人认真地把"学习"本身做成开放的数据。
