微课及其制作，先拆分选题再做课
微课及其制作，讨论的焦点几乎都落在时长上。短是结果，不是目的。一门课能够做短，前提是它只承担一件事，学员学完能够独立完成一件具体的工作。做不短的课程，多数并非取舍不够果断，而是这门课同时回答了 3 个问题，删去任何一段都显得残缺，只能整段保留。在同时承担 3 件事的单位上反复压缩，压缩的对象本身并不成立，最终被删去的往往是判断依据这类最应当保留的内容。UMU AI Generated Learning 把拆分后的每个问题各自转化为一门独立成课的互动课程。
微课制作的主要挑战
一门课同时回答 3 个问题，素材整理、脚本撰写、排版与录制的工作量按其中最大的那一件计算。流程性工作层层累加，真正决定课程效果的教学设计只能压缩到最后完成。
一门课里并列讲授 3 件事，学员在完课记录上呈现为全部学完的状态。回到岗位之后，每件事都停留在听过的程度，没有一件达到可以独立完成的水平。
3 件事混在同一门课里，完课与总分只能说明学员走完了流程。哪一件已经掌握、哪一件仍需补训，无法从记录中区分，补训范围只能凭经验推测。
拆分选题，让每门微课单独成立
UMU AI Generated Learning 将任意企业文档立即转化为互动式课程，用 AI 交付有效果的学习旅程。
拆分是把内容分成若干门各自独立的课，而不是在一门课里声明哪些内容不涉及。课程创建方面，制作量按其中最大的一件事计算，素材整理与排版依赖人工，教学设计的时间被挤占。UMU AI Generated Learning 解析文档并提取知识点，直接生成可开课的互动课程。教与学则是另一重制约，学员完课后仍无法独立完成一件具体工作，原因在于单向录播缺少主动加工，AGL 按课程时长限制知识点数量，把一门课约束在一个问题上。管理与交付上，完课记录说不清哪一件已经掌握，原有系统只记录最终得分，AGL 在知识点级别呈现掌握情况。
拆分选题、敏捷生成、逐点追踪，让每门微课各自成立
拆分之后每个问题都要单独成课，制作次数随之增加。AGL 把文档直接转化为可开课的课程，讲师的时间回到教学设计与内容判断上，课程制作在保持教学专业的同时更为敏捷。
用一句话说出学员学完能够独立完成的那件事，如果句子里出现“并且”，说明还需要继续拆分。AGL 控制单门课程的知识点数量，让每门课的学习目标落在一个问题上。
课程拆开之后，每一件事的掌握情况才能单独判断。AGL 在知识点级别记录学员的掌握情况，讲师据此确认哪一门课需要补训，哪一门课的内容需要重新编排。
敏捷做课，兼顾质量与效果
文档解析与知识点提取
AGL 解析上传的素材，提取知识点，直接生成可供学员学习的在线课程。专业有效的做课工具要求讲师先花大量时间掌握工具本身，AGL 作为大模型时代原生的做课工具，在同一条流程里保持教学专业与操作简便。
微学习教学设计，避免认知过载
按课程时长限制知识点
AGL 采用微学习的教学法，把内容切分为小块，根据课程时长自动限制知识点数量，并形成清晰的知识地图。传统做法把长视频拆成多段短视频，制作成本仍落在视频环节，而 AGL 直接生成互动式的学习旅程。
知识点级掌握度追踪与补训定位
知识点级掌握度报告
AGL 在知识点级别量化学员的掌握情况，呈现个人在知识与技能维度的学习路径，并支持团队级的学习效果报告。传统测评给出的是一次考试总分，AGL 记录学习过程中的行为，讲师可以逐门课程确认掌握情况。
为什么选择 UMU
UMU 简介
UMU 的客户
安全合规
AI 技术领先性
