来源：MacTalk

过去一年，AI 产品的用户多了一种新的焦虑叫“Token 不够用”。人们一边用 Agent 做任务，一边盯着额度——既怕没用够浪费了订阅，又怕任务跑到一半 Token 先耗尽。对用户来说，Token 是账单上越来越刺眼的数字；但对模型厂商和算力厂商来说，Token 是生死线。

无论是 Coding Agent 领域的竞争，还是 AI 办公大战，本质都是一场关于大模型商业模式和 Token 经济的集体焦虑——谁能找到足够大、足够高频的长任务场景，谁就能在算力成本曲线上站住脚。

Coding 是第一个被验证的场景，最近我看了另一个火爆的产品，叫 OpenMAIC，是清华团队开源的 AI 互动课堂平台，可以一键将任何话题变成 AI 课，非常有意思。使用之后我的感受是，教育场景很可能成为下一个 Token 消耗的增量市场，这里的工程链条更长，互动更紧密，持续时间也更久。OpenMAIC 及其代表的 AI 教育产品，让我看到：当一门课的完整生命周期都跑在 Agent 上时，Token 经济会在教育领域长出怎样的新形态。

教师办公，只是第一站

Agent 肯定会进入并改写教育行业。今天很多所谓的 AI 教育产品，首先解决的是教师办公。写教案、做 PPT、出题、批改作业、整理资料，这些功能很重要，AI 也确实能帮教师节省时间，不过呢，文档交付，任务结束，模型也就下班了。

真正进入教学过程，情况复杂多了。教师发现一页课件没讲明白，可以让 Agent 换个例子、调整难度，或者重新生成语音、图片、视频和互动实验。学生上课时提出疑问，系统还要根据师生互动，补充个性化解释什么的 。

教师关注的是“Agent 怎么把课备出来”，教育 Agent 还要面对“学生怎么学”和现场互动。它需要理解学习进度和错误类型。同一个问题，第一次没听懂，第二次就不能只是提高音量的事儿了。

教育 Token 的想象空间，很大一部分藏在课堂内部。一段学习过程可能持续几周甚至更久，每一次提问、纠错、复习和反馈，都会触发新的模型调用。这个链路远比交付一份文档更长，比写代码更复杂。

这里的“教育 Token”，指教育任务持续调用模型所产生的生成、推理等相关需求。

从 workflow 到 Agent，消耗为什么会放大

OpenMAIC 是观察这件事的一个合适样本。它是清华开源的 AI 互动课堂平台，由清华团队发起，能把任意主题或文档转化为一节完整的互动课，里面包括 PPT、Quiz、项目式学习和交互网页。

到了 v1.0，产品从相对固定的 workflow 走向 Agent 驱动的专业工作台。教师可以通过持续对话规划、生成和编辑课程，加载教学法 Skill，或导入 PPTX 后调整讲解、测验与交互组件。过去是系统沿着流程把课做出来，现在是用户和 Agent 一起把课磨出来。

开源地址在这里：https://github.com/THU-MAIC/OpenMAIC

我试用了一下，v1.0 已经相当成熟了，以下是一个完整的、我和 Agent 一起创建的课程：把一个 159 页的 pdf 文件丢给 OpenMAIC，告诉它，根据输入的材料，先梳理 Coding Agent 的知识结构，再规划整门课程，逐页生成讲解、测验和互动组件：

大概几分钟的时间，Agent 就把学习资料梳理完毕，在正式构建课程之前会和我确认：

我选择 1：按照 20 页完整方案建课，于是我就得到了一门有丰富知识、课程设计和讲师的学习课堂：

幻灯片讲义、讲师、语音、互动场景，一应俱全。点击开始学习就可以进入课堂了：

同时，我还可以随时完善课程，OpenMAIC：增加一页幻灯片，讲一下上下文到底是什么意思，为什么要上下文压缩，把第五张幻灯片改成两张。课程就会动态改变：

这是修改好的课程：

这个 Agent 产品应用场景非常广泛，任何主题都可以用这种方式学习。我看到海外有网友做视频，把这个神奇的 Agent 叫做“一键将任何话题变成 AI 课堂”。

根据 OpenMAIC 团队提供的统计，旧版生成一个互动课堂平均消耗约 35.8 万 Token，v1.0 中一次完整创作任务平均达到 362.5 万 Token，约为原来的 10.1 倍。新版用户平均与 Agent 进行 4.1 轮对话和修改，平均调用模型 74.3 次。

这些数字说明任务的形态发生了变化。固定 workflow 更像自动售货机，用户选择口味，按下按钮，等结果掉下来。Agent 工作台更像一间可以不断返工的工作室：可以增加材料，改变目标，用户会说“这一页简洁一点”“这道题换个讲法”。每一次修改都需要重新理解上下文，并调动新的工具。

它像不像 Coding Agent？形态上很像：两者都从一次生成走向持续协作。消耗量却很难直接横向比较，不同模型、任务边界和计费口径的差异都很大。代码还能通过测试快速验证，教育面对的是人的理解，反馈更慢，评价也更多元。

一个开源项目，怎样撬动模型生态？

OpenMAIC 本身是个优秀的免费开源项目，这里值得观察的是，这种形态的 Agent 会把一门课变成整个大模型生态的调用入口。

课程规划和教学对话需要语言模型，语音讲解需要 TTS，课堂提问可能用到语音识别，课件又会调用图像、视频、搜索和交互内容生成。长任务还需要上下文管理、数据存储和稳定的任务调度。

前面看起来是一间 AI 教室，后面其实坐满了一排供应商，就像房间里打开了一盏灯，后面有电厂、电网、变压器和物业管理员。

OpenMAIC 支持多种基础模型，也能进入不同的 Agent 与 Harness 环境。教学法 Skill、课程组件和模型服务可以重新组合，同时，开源让使用者拥有选择权，学校与开发者可以进行本地部署，并让教学方法有机会被公开检验。

如果教育 Agent 像 Coding Agent 一样进入日常学习，打开的将是另一幅图景：每个学生每天都会提问、追问、练习和复盘，教师也会持续调整课程、更新材料和设计新的互动。每一门课的背后，都可能同时调用语言、语音、图像和视频模型，并需要长期记忆、任务调度与稳定算力。OpenMAIC 的开源，降低了学校、教师和开发者进入这个场景的门槛，也让更多模型与工具有机会参与其中。这样的需求一旦形成，教育 Agent 就可能从效率工具成长为高频、长任务基础应用，教育也会成为模型与算力市场中一块非常有想象力的新空间。

教育 Token 怎么算账呢？

OpenMAIC 的开源路线还有另一层意义：让不同模型进入同一个真实教育任务，接受公开比较。新上线的 OpenMAIC 教育 Arena 采用了匿名两两对比的方式，用户输入同一个教学主题，由两个模型分别生成可以实际操作的互动课件。用户体验并投票后，模型名称才会揭晓。随着真实主题和用户选择不断积累，人们可以逐渐看见不同模型在互动课件生成中的特点与相对表现。

这种评价比一张综合跑分表更接近教学现场。它关注知识是否准确、讲解结构是否清楚，教学活动能否推动思考，图像与交互是否帮助理解，生成的课件能否完整、稳定地运行。只不过，Arena 能比较的仍是教育内容和教学产物。

真正使用教育 Agent 的机构，还有自己的一本账：学生是否学得更快、更投入，不同基础的人是否都被照顾到；教师减少了多少重复劳动，又保留了多少教学主动权；生成内容是否准确，过程能否复盘，成本能否被学校和家庭长期承担。真实的学习效果仍需通过课堂实验、专家评价和学习数据继续验证，这些指标共同决定每一次模型调用能不能产生教育价值。

2026 年，AI Coding 已经让市场看到，专业 Agent 可以创造新的模型需求。教育的链条更长，参与者更多，责任也更重。它与教师办公有交集，真正的增量还在持续学习、多轮互动和个性化反馈之中。

目前清华发布的这个 OpenMAIC 只是一个早期样本，值得行业持续观察：当 AI 开始参与一门课的完整生命周期，模型、算力、工具和教学方法被连接到同一条任务链上，如果这条链路能够长期运行，教育 Token 就很可能变成可以被使用、评价和计算的新市场。

我很期待。

特别声明：以上内容仅代表作者本人的观点或立场，不代表Hehson财经头条的观点或立场。如因作品内容、版权或其他问题需要与Hehson财经头条联系的，请于上述内容发布后的30天内进行。