Novi ACAdemy

intro

Ella Academy是一次对传统教育项目的探索式创新，产品从单纯提供课程和答案，转向以AI笔记为入口、由知识图谱与原子化内容支撑的自主学习系统。

它通过整理资料、关联知识点并推荐练习题、闪卡等内容，帮助学生更高效地理解和积累知识，同时保留对学习过程的自主选择权。通过AI定位学生的学习情况，提供动态的个性化解答和测验，帮助学生更好的学习。

Services

UI/UX Design, Research, Animation, Illustration

Year

2026

概念、分析与规划

在传统的学习模式当中，学生往往被要求按照既定课程推进，学习的起点掌握在体系化的教育系统手中。
对于当下旧有的教育 App ，它也存在类似的问题，和传统的学习平台之间并无明显差异：课程内容主要由 AI 辅助生成并经过人工审核，以提升制作效率；同时在应用中加入了部分 AI 解答与问答功能，用于辅助学生学习。

然而从更长远的视角来看，这种模式依然停留在“AI 提效”层面，AI存在与否并不影响学习流程。这与理想中的“AI 深度赋能学习体验”还有明显差距——它尚未实现真正的个性化学习路径、自适应反馈机制、情境化互动体验，也缺乏对学习动机与成效的持续驱动。

为此，我通过桌面调研，撰写了这份50页的方向提案报告，以规划当前项目可能的方向和潜在解决方案。

问题与挑战

在1.0的项目中，我们发现了许多问题：

依赖当地教材、课标定制和人工审核，因此内容生产成本较高，跨地区复用也比较困难。AI生成内容的质量和稳定性有限，仍然需要较多人工检查。
课程、问答和日程之间缺少联系，用户的阅读、提问和学习结果无法沉淀为长期资产。
AI目前更像临时使用的被动工具，无法主动参与学习路径的判断，缺乏长期记忆。

项目需要解决的核心问题，是如何把分散的内容和工具连接起来，让AI真正帮助用户理解、练习和积累知识，积累用户自己的资料学习库。

设计策略

在经过了调研和思考后，我将“先提供工具价值，再建立学习信任”作为核心的产品策略。
用户首先通过AI总结、概念解释和笔记整理等功能获得明确的效率提升，并在持续使用中理解AI能够做什么。
建立信任后，系统再根据学习内容推荐练习题、闪卡和相关知识，帮助用户从资料阅读进入主动学习。
整个过程坚持推荐而不强制，让用户始终保留是否生成、学习和继续探索的决定权。

从笔记切入

笔记是用户进入产品和获得首次价值的核心入口，可以将课程、文件和个人记录转化为结构化内容。它不仅保存信息，还能够提炼重点、解释概念、整理疑问并建立内容之间的关联。
用户可以在原始资料与AI生成内容之间自由查看、编辑和补充，随着使用积累，笔记会逐渐形成个人知识资产，并为练习生成、闪卡复习和关联课程内容的推荐提供依据。

学习引擎

知识图谱与课程原子化共同构成产品的学习引擎。知识图谱定义知识点之间的前置、后置和关联关系，使AI能够判断用户正在学习什么、还缺少什么以及可以继续探索什么。课程原子化则把完整课程拆分为独立、明确且可以复用的知识单元，为知识图谱提供可连接和调度的基础节点。两者结合后，系统才能围绕具体知识点生成练习、闪卡和解释，而不是笼统地推荐整门课程。

流程循环

在用户旅程的整体设计上，一直遵循着一个简单的原则，即“系统提供选择与内容，用户决定如何学习和行动”。
产品的核心体验从用户导入资料或打开课程开始，AI首先将内容整理为结构化笔记，并识别其中的知识点。系统根据笔记内容、知识关系和历史问答，推荐可以生成的练习题、闪卡、总结或延伸解释。学生可以自主决定是否生成和学习这些内容，不需要遵循固定日程或完成每日任务。学习结果与新的疑问会继续回到笔记和知识状态中，形成“输入—理解—推荐—练习—沉淀”的学习循环。

页面结构

最终产品由首页、笔记、书架和问答等核心模块组成。
首页负责呈现近期内容和学习建议。笔记负责资料的深入分析与解答，将有价值的内容和个人情况进行整理保存。书架负责管理标准课程资源，问答则提供临时响应的解释。
练习题和闪卡作为知识点的衍生学习内容，自然的出现和积累，使整个产品围绕自主选择和持续积累展开。

AI角色设计

AI 角色形象的设计不仅仅需要结合用户画像中目标人群的特点，还需要结合现有AI中心智能助手的形象进行设计，因此我决定通过明亮的橙黄色和简单的动作令用户对AI对定位作出区分。

动效与交付

动效在符合视觉亮点的同时需要具备可落地性。
经过多种方案评估后，最终选择 Rive 作为动效制作与交付工具。
相比 Lottie 或 AE 等传统方案，Rive 具有更高的灵活性，AI不同状态的切换连续不丢帧。基于更贴近开发逻辑的状态机系统，能够直接通过控制参数改变交互状态变化，大幅降低开发整合难度，使动效落地的工作量减少 90% 以上。