AI 给老师推备课素材，看起来只是「猜你喜欢」，实际排序要同时满足三个条件：内容对得上这节课、难度适配这批学生、形式能直接用。三者缺一，推得再多也是负担。
排序之前还有一步常被跳过：先保证候选里有货。召回不足，排序再精细也挑不出合适的。
排序之前先解决有没有
系统先从素材库里召回一批候选，通常按教材版本、章节、知识点标签做粗筛，再补上同知识点的拓展材料。这一步决定了上限，候选里没有好素材，排序层无能为力。
召回要宽一点。宁可多捞一些再排掉，也别因为标签不全把好素材挡在外面。标签缺失是常态，靠语义检索补一刀，能显著提高召回覆盖。
三路信号：内容、人群、场景
内容信号看素材与知识点的契合度，包括覆盖范围、例题类型、是否含易错点；人群信号看班级水平，同一份学案给基础班和竞赛班，价值完全不同；场景信号看用途，是新授课、复习课还是习题讲评。
三路信号要加权。权重不该由算法单方面定，建议让教研组给一版初始值，再用点击和采用数据微调。老师点了却没用，说明排序高估了吸引力、低估了可用性。
| 信号 | 看什么 | 具体变量 |
|---|---|---|
| 内容 | 素材与知识点的契合度 | 覆盖范围、例题类型、是否含易错点 |
| 人群 | 班级水平 | 同一份学案给基础班和竞赛班，价值完全不同 |
| 场景 | 用途 | 新授课、复习课、习题讲评 |
冷启动怎么排
新老师没有历史行为，新素材没有采用记录，这两类冷启动同时存在。常见做法是用群体画像兜底：同校同年级老师的偏好作为先验，再随个体行为逐步修正。
素材侧则靠内容特征排序，比如完整度、时长、是否配套答案。冷启动阶段宁可推稳妥的常规素材，也别推过于花哨的，老师第一次用得不顺，后面就很难再打开。
新学校上线时还有一个折中办法：先让教研组长挑二十份种子素材，系统围绕这批种子做相似推荐。种子质量决定了冷启动期的口碑，比任何算法调参都管用。
多样性与去重
同一知识点的十份课件高度相似，全推出来等于只推了一份。排序要做去重，按内容相似度聚类，每类只留一到两份代表。
还要控制形式多样。全是视频或全是文档，会让老师觉得系统偷懒。一个可用的比例是：主推荐给最匹配的，附带两三条不同形式的备选，让人有得挑又不至于挑花眼。
去重还要跨章节做。同一份实验视频，既可能挂在知识点 A 下，也可能挂在知识点 B 下，若按标签分别召回，就会出现同一份素材在一页里重复两次。解决办法是按素材编号去重，而不是按标签去重。
排完之后的人工兜底
再好的排序也会出错。要留一个显眼的「不合适」按钮，并把理由做成几个固定选项：太难、太简单、版本不对、形式不合适。理由比点击更有信息量。
Kimi、豆包这类助手可以用来生成素材摘要，帮老师快速判断要不要打开，减少无效点击。但摘要不能替代原文，关键内容仍要自己看一眼。
推荐排序四查
- 召回够不够宽，标签缺失是否用语义补
- 三路信号权重是否经教研组确认
- 冷启动是否用群体画像兜底
- 相似素材是否聚类去重
四查里第二查最容易被算法团队独自决定，也最容易和教学实际脱节。
相关机制：知识点图谱怎么搭提供召回所需的标签体系；评分一致性怎么验与排序共用标准化的思路；车路协同的延迟要求是另一个对时效敏感的链路；住中服务的多轮编排则展示了多轮场景下怎么承接推荐。
备课素材推荐快问快答三则
- 推荐越准，老师越省事吗？：不一定。太准会让素材面变窄，长期看反而限制备课思路，所以要保留一定探索比例。
- 点击率高就说明排得好？：不一定。点了不用是常见现象，采用率比点击率更接近真实价值。
- 小规模学校数据少怎么办？：先用区域共享的群体画像起步，再逐步积累本校行为，别等数据够了才上线。
