UMU 全新发布 AGL：将文档转化为课程的 AI 智能做课工具｜课程有质量，学习有效果

企业学习如何推动真实的绩效改变？从 2015 年起，UMU 始终在围绕这个问题投入产品研发与企业实践，形成了效果学习方法论：培训是否有效果，不看学习时长和完课率，要看学员所学能否转化为岗位上的行为，能否真正驱动业务增长。

过去，高质量的学习体验受限于专业人力的稀缺和成本的约束。现在，UMU AI Generated Learning（AGL）让这件事变得可能：让每一位讲师获得专业的教学设计支持，让每一位学员获得个性化的学习路径。把经过验证的学习科学与认知科学原理，通过 AI 规模化地落到每一门课程中。

AGL 是 UMU 效果学习方法论的 AI 原生实现，将教学法内置到 AI 的产品机制里。AGL 的产品设计回应了三个问题：

1. 如何让学员真正参与到学习项目中：在什么条件下，学习才有效果？
2. 如何让学习项目贴合具体业务场景：企业培训对教学设计有哪些要求？
3. 如何让高质量的学习体验可规模化：怎样通过 AI 大规模实现高质量教学？

一、如何让学习真正有效果

效果学习的目标：从了解到应用

一场产品知识培训结束，随堂测试通过率高达 90%。两周后，当这些销售在客户沟通中遇到产品相关的提问，多数人的回应却远远偏离了培训手册。培训通过率和实际工作表现之间的落差，是企业学习中常见的现象。而这个现象背后，是学习效果的层级差异。

学习效果划分为四个层次：了解、理解、记忆、应用。

• 了解：学员听过、看过，有初步印象
• 理解：学员能用自己的话，准确复述知识背后的逻辑
• 记忆：隔了一段时间、换了一个场景，学员仍能提取关键信息
• 应用：学员在实际工作中正确运用所学内容，产生有效的行为

培训的随堂测试所检验的是了解和理解层级，但客户沟通中的表现考验的是记忆和应用层级。如果教学设计不做针对性的干预，培训效果往往停留在前两个层级。效果学习的目标，是让学员走到应用层，让行为真正产生业务影响。

在 AGL 中，每一门课程的设计目标都指向应用层。课程不止于让学员了解和理解知识，关键是让学员能够在实际工作场景中恰当地使用所学内容。

决定学习效果的关键：学员的认知参与深度

什么决定了学员能否从了解走到应用？认知科学的研究指向一个关键变量：学员参与学习时的认知深度。学员在学习过程中被要求思考、判断和回应的程度，直接决定了学习效果能走到哪一层。

认知科学将学员的认知参与分为四个层级：

• 被动接收：听讲、看视频，认知参与最低。
• 主动标记：做笔记、划重点，有一定加工但深度有限。
• 建构性输出：用自己的话复述和解释，认知参与显著提升。
• 交互式推理：在对话中回应追问、共同推理，认知参与最深。

大量研究已证实，主动学习的效果优于被动听讲。2025 年的一项研究（Kestin et al.）将这个问题推进了一步：即便对照组已经是主动学习课堂，按照教学法原则设计的 AI 辅导系统仍然取得了两倍以上的学习成效，且所用时间更短。

研究团队分析了 AI 辅导系统胜出的原因：在教学设计上要求学员进行更深层的认知活动。学员不能直接获得答案，必须自己组织思路、尝试解释。学员遇到困难时，系统提供提示而非代替思考。只在学员确实无法推进时，才逐步增加支持的力度。这就将学员的认知参与进一步推到了建构和交互层级。同时研究指出，决定效果的关键变量是教学法设计，AI 放大了教学设计的效应。

录播视频和文档分发效果有限，原因在于学员全程处于被动接收状态。学习方式的差异，本质上是认知参与深度的差异。参与程度越深，学习效果越好。

在 AGL 中，AI 的教学行为经过系统性约束，确保学员在每一步都需要自己思考、判断和回应。AI 以提示和追问引导学员生成、修正自己的理解，将认知参与推动到建构和交互层级。认知任务始终保留在学员一侧，防止学员将思考外包给 AI。

教学设计如何保障深度参与：减少认知负荷，匹配知识类型

要让学员深度参与，教学设计需要解决一个问题：让学员有限的认知精力用在有效的内容理解上，不会被教学呈现方式消耗掉。

常见的例子是，一页合规培训材料中写道，“根据《XX 管理办法》第十三条（详见附件 3），在完成风险评估（参照评估矩阵）后，应在 3 个工作日内提交审批申请。”一句话中有四处交叉引用。学员的注意力在正文和引用之间反复跳转，用于理解审批流程本身的精力反而不够了。

认知科学把这类消耗称为外在认知负荷：由教学呈现方式造成的、与学习内容本身无关的认知消耗。人的工作记忆容量有限，一次只能处理有限的信息。如果大量认知资源被外在负荷占用，留给内容理解和深度加工的空间就不够了。

管理认知负荷的一个关键机制是知识类型匹配。不同类型的知识占用认知资源的方式不同，对应的最优教学策略也不同。当教法和知识类型匹配，学员的认知资源就能集中在有效加工上。在 AGL 中，知识地图自动标注知识类型，按类型匹配差异化的教学策略。

1. 事实型知识：如产品参数、合规条款，采用快速呈现加记忆巩固；
2. 原理型和概念型知识：如业务逻辑、行业方法论，采用类比解释加理解验证；
3. 流程型知识：如操作规范、审批流程，采用场景模拟加实践反馈。

确定教学策略后，系统生成学习卡片，控制每个学习单元的信息密度，确保学员在每一步都能有效吸收。

二、企业学习场景对教学设计有什么要求

企业培训和一般性学习有一个根本区别：目标是让员工回到岗位之后，做出驱动业务结果的行为。这个区别意味着，企业培训中的每一个设计决策都需要从业务目标出发。

课程设计的起点：行为改变的目标

课程设计的起点是行为目标：培训完成后，学员在哪个具体场景中应该做出什么不同的判断或动作。这个起点决定了后续所有环节，教什么、怎么教、怎么练、怎么评估，都围绕同一个目标展开。

在传统流程中，这个起点的确立是最耗时的环节之一。培训需求从业务语言转化为教学语言，确定“教什么、教到什么程度”，需要多轮反复对齐。

在 AGL 中，AI 帮助讲师进行对话式需求澄清。讲师用自然语言描述培训需求、上传相关文档，AGL 在对话中逐步提取关键信息，包括培训问题定义、目标行为、典型错误和学员画像，同步生成结构化的课程需求。信息不完整时，系统主动追问；信息充分时，提示进入下一步。

让练习贴合真实工作场景

行为目标确定之后，练习和评估要贴合学员的真实工作情境。一位销售在课程中学会了处理客户异议的方法，但练习中用的是通用案例。当回到岗位后面对特定行业的客户、特定产品的具体问题，课上练的和实际遇到的对不上，知识就用不出来。只有当练习的场景和学员在岗位上面对的场景一致时，知识才能有效迁移为行动。

在 AGL 中，需求澄清阶段提取的学员画像和岗位场景信息，将融入场景模拟和课程练习题的生成：为医药行业代表设计的练习，是医药学术推广的场景；为新员工入职设计的练习，是岗位基础知识与业务入门实践的场景。学员练习的内容，和他回到岗位后要做的工作直接相关。

让培训效果可量化、可汇报

培训管理者在规划与汇报下一阶段的培训计划时，可以从 AGL 了解团队当前在各个知识领域的实际掌握情况：哪些领域已经到位，哪些领域还需要加强。完课率和考试分数只反映学习流程是否完成，无法提供知识点级别的掌握程度。

在 AGL 中，每个教学单元收集学习信号，呈现每个学员在不同知识点上的掌握度。讲师和管理者通过看板，查看学员的掌握状态，据此识别团队的实际进度和能力缺口。

学习科学提供了有效教学的原理，对企业场景的理解确保了教学设计的针对性。上述的做法，优秀的培训设计师一直在做。问题在于，这些做法过去高度依赖个人经验、成本高、无法规模化，而 AI 改变了这个约束。

三、高质量的学习体验如何规模化

每个学员的知识基础不同、学习节奏不同、容易遇到瓶颈的地方也不同。理想的学习体验是：已经掌握的内容不需要重复，没学过的前置知识及时补上，薄弱的地方有针对性的练习和反馈。

AGL 通过 AI 改变了规模化的约束。系统根据学员的自主学习能力，分层匹配教学策略。对自主性强的学员提供更多探索空间，对自主性弱的学员提供明确的认知支架。这种程度的个性化，过去只有一对一辅导才能实现，AGL 让它在成百上千学员的规模中成为可能。

AI 如何赋能讲师

AGL 可以承担课程开发中工作量最大、重复性最高的环节：知识提取、策略匹配、教案生成、学员交互。讲师将精力集中在最需要专业判断的关键节点上：这门课要解决什么问题、知识地图中的内容是否准确、教学策略是否贴合学员的实际情况。

AGL 在每一步展示完整的推理过程和方法论依据，讲师可以直接采纳推荐，也可以基于自身专业判断调整。培训部的教学经验和专业洞察，在这个流程中得到放大。最终产出的课程质量，取决于讲师准确的审核判断和 AGL 内置方法论的有效结合。

讲师制作课程时，只需通过对话与 AGL 协作完成全流程，无需学习复杂的操作界面。课程大纲以可视化的知识地图形式呈现，讲师可以在地图上直接拖动、拆分、合并知识点，也可以在对话中告诉 AI 调整。

AI 如何引导学习者

AGL 为学员提供对话式互动学习旅程。信息以轻量化的知识卡片逐步呈现，学习过程中穿插交互式小测、场景模拟和情境练习。每个学习单元完成一个明确的教学动作，学员完成对应的思考和回应后，系统才进入下一步。学员无需面对长篇大论，每一步的认知负荷都经过控制。

学习过程中，AI 持续引导学员主动思考。学员需要回答问题，用自己的话表述知识点，在模拟场景中做出判断和选择。每完成一个章节，AI 自动总结核心要点，帮助学员确认所学内容。AGL 确保学员在学习过程中真正经历思考和深度加工，不只是泛泛浏览一遍。

学员在每个单元完成后即时获得掌握状态的反馈，清楚知道自己学到了什么、哪里还需要加强。让学员在学习过程中持续感受到进步，提供学习的动力和方向感。

课程内容严格基于讲师上传的企业文档生成，并经由讲师审核，每个知识点可追溯至源文档。学员学到的是基于企业知识库的业务知识，确保高于通用大模型的内容忠实度与教学质量。

AGL 的完整使用流程覆盖从课程创建到学习项目交付的全过程：上传文档，对话式需求澄清，知识地图生成与审核，教学策略匹配，对话式课程交付，掌握度数据看板。

四、典型业务场景的 3 个效果学习项目

场景一：新人入职课程

一家企业需要搭建新人入职学习路径，覆盖新人在前 30 到 60 天需要掌握的核心内容。现有材料分散在三个部门：产品部有产品手册，销售部有销售流程文档和客户沟通指南，HR 有企业文化和规章制度手册。文档格式不统一，知识点之间的前后依赖关系没有被梳理过。

如果由讲师手动完成，需要先通读所有文档，判断哪些内容需要教、教到什么程度，然后理清知识点之间的先后依赖，最后设计教学方式和检测环节。这个过程通常需要两到三周。

在 AGL 中，讲师上传全部文档，AI 进行跨文档的整合解析，自动提取知识点并建立依赖关系。在知识地图上，每种知识类型自动匹配对应的练习方式，自动编排教学大纲，形成一条有递进、有检测节点的入职学习路径。

讲师在知识地图上审核内容准确性和编排逻辑，调整确认后即可发布。零散的文档变成了一条有教学结构的学习路径，让讲师的时间集中在审核和判断上。

场景二：产品知识快速更新

产品团队完成了一次重大更新：新功能上线，配套的销售话术需要同步调整。全国数千名销售和客服人员需要在新一轮客户沟通开始前，准确掌握更新内容。业务负责人手上有三份文档：新版产品说明书、内部的常见问答文档、旧版的变更对照表。

这类更新有两个特殊要求。第一是时效性，从产品发布到客户沟通启动之间的窗口有限，课程开发的周期越短越好。第二是准确性，产品规格和合规条款容不得内容偏差，一个被错误传递的参数可能直接影响客户沟通的结果。

过去，业务负责人需要把文档交给培训部，等培训部拆解内容、制作课件，再安排培训。或者直接把文档发给团队自行阅读，但无法确认每个人是否准确掌握了关键内容。

在 AGL 中，业务负责人直接上传三份业务文档，由 AGL 自动生成一门可供审核的课程。课程内容严格基于上传文档，每个知识点可追溯至源文档中的具体位置。

业务部门可通过看板查看每个人的掌握程度，确认团队是否已经准备好进入新一轮客户沟通，从产品更新到团队掌握的整个周期大幅缩短。

场景三：情境领导力培训

讲师收到一个培训需求：给一批新晋管理者做情境领导力培训。需求只有一个方向，没有现成的文档，没有明确的课程结构，也没有具体的学员画像。讲师需要把这个模糊的方向，转化成一门有清晰内容结构的课程。

在 AGL 中，讲师在 AI 需求澄清阶段，定义学员当前面对的典型管理场景、管理中最常出现的判断偏差、期望培训带来的行为改变、学员的管理经验水平等。几轮对话后，模糊的方向被逐步收敛为清晰的培训目标和结构化的课程需求。

基于这份课程需求，AGL 生成贴合该企业背景和管理场景的教学大纲、案例和情境练习。一个模糊的培训方向变成了一门有教学目标、有场景练习的完整课程。

无论面对的是什么业务场景，已有的素材处于什么状态，AGL 都能支持讲师和业务负责人做出一门有教学结构、有效果的课程。

联系 UMU，立即试用

如果您想了解 AGL 如何适配企业的培训场景，欢迎预约产品演示。

查看 AGL 的完整产品能力，欢迎点击链接了解更多，看看 AGL 能为您的团队带来哪些改变。查看 AGL 方案与价格，选择适合您团队的版本。

参考文献

Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). AI tutoring outperforms in-class active learning: An RCT introducing a novel research-based design in an authentic educational setting. Scientific Reports, 15(1), Article 17458. https://doi.org/10.1038/s41598-025-97652-6