对话式课程的关键不在形式，而在每轮的应答要求

对话式课程把课程内容拆成若干单元，每个单元先提出一个问题或一段情境，学员作出回答后才进入解释。问题可以要求学员回忆某项规定、说明一种做法的原因，或在给定情境中选择处理方式；回答形式可以是从选项中挑选，也可以是用自己的话写出一段说明。与先讲解后练习的安排相比，提问出现在讲解之前，学员需要先动用已有的理解，再对照课程给出的说明。

学员的回答不只是被记录下来，还影响下一步呈现什么内容。回答完整时，课程进入下一项知识；回答出现偏差时，课程先针对该偏差给出解释、提示或补充情境，再要求学员重新作答。因此一门对话式课程需要在上线前写出可能出现的回答类型及各自对应的反馈，而不是把原有讲稿改写成两个角色交替发言的文字。

对话形式相同，学员需要完成的认知加工可以差别很大。如果每轮只要求点击确认，或从差异明显的选项中挑出正确答案，学员仍然是在接收内容，只是接收节奏被切得更碎。如果每轮要求学员复述规定、说明选择理由或比较两种处理方式，学员必须先从记忆中提取内容，再组织成一段可被检查的表达。对话轮次的多少不能说明学习过程的深浅。

开发一门对话式课程，工作量集中在问题与反馈上：每个关键知识点问什么、什么范围内的回答可以接受、回答不完整时给出哪一层提示、什么情况下需要补充新的情境。这些内容无法从原有讲稿直接改写，开发者需要先确定该知识点要求学员理解到什么程度。课程呈现出的对话外形，是这套设计完成之后的结果。

AI 可以依据企业已有的产品资料、制度文件和业务案例，生成问题、情境与反馈的初稿，问题不再按条手工撰写。同一批资料可以一次产出覆盖多个知识点的应答环节，单个知识点上的设计投入随之下降。这项变化首先影响供给能力：对话环节能覆盖多少内容，不再主要取决于开发者能腾出多少小时。

开发者的投入方式随之改变。原先用于撰写题干和反馈文字的时间，转向确定每个知识点要求学员回答到什么程度、判断哪些回答可以接受、核对专业口径与情境是否符合实际业务。专业判断没有被替代，只是不再与文字生产混在一起。内容更新时需要重新确认的，也是这些判断。