AI 个性化例句 vs 词典例句：差距究竟有多大
很多家长不理解：背单词为什么需要 AI？
"查词典不就有例句吗，看那个不就行了？"
这篇文章用 3 个具体例子，告诉你AI 例句和词典例句之间存在的代际差距 —— 它直接决定了孩子能不能真正"记住并会用"这个词。
一、词典例句：写给成人的
对比同一个词 apple，几本主流词典给出的例句：
- 牛津高阶：He bit into the apple. (他咬了一口苹果。)
- 朗文当代：She gave me an apple and a banana for lunch.
- 柯林斯：I'd love an apple. (我想吃个苹果。)
看起来简单，但仔细看：
bit into是bite into的过去式 —— 三年级孩子可能没学过bitegave me ... for lunch涉及双宾语 + 介词 + 名词 —— 三年级语法没到I'd love是I would love的缩写 —— 虚拟语气
结论：词典例句是给"已经会基础语法的成人"看的。给三年级孩子看，等于让他在生词海里再多游 30 米。
二、Krashen 的 i+1 输入假说
斯坦福大学语言学家 Stephen Krashen 提出了著名的 i+1 输入假说：
学习者最高效的语言输入难度，是当前水平的 +1。 i+10 看不懂、白学。i-1 没挑战、白学。
这条假说被语言学界认可了 40 多年。它意味着：
- 给小学三年级（PEP 3A 水平）孩子看 i+10 难度的牛津例句 = 几乎无效
- 我们需要 i+1：用孩子已经学过的词 + 1 个新词的句子
三、AI 生成例句的 5 条铁律（爱题目）
我们对 AI 例句的约束条件：
- 长度 ≤ 8 词 —— 短句更易理解和记忆
- 只用孩子学过的词 —— 系统知道孩子目前学到哪本书的哪一单元
- 同时给中文翻译 —— 不依赖猜
- 附谐音口诀 —— 「阿婆」抱苹果，给记忆增加联想锚点
- 永久缓存 —— 一次生成永久保存，不会浪费 AI 调用费
来看实际例子。同一个词 friend：
词典例句：
She has been my closest friend since childhood. (她从小就是我最好的朋友。)
AI 例句（爱题目）：
Tom is my good friend. Tom 是我的好朋友。 口诀：「夫人的」朋友（friend ≈ 夫人的）
差距一目了然：
| 维度 | 词典 | AI |
|---|---|---|
| 词数 | 8 | 5 |
| 生词数 | closest, since | 0 |
| 语法新元素 | 现在完成时 | 一般现在时 |
| 记忆锚点 | 无 | 谐音口诀 |
| 个性化 | 无 | 按孩子年级生成 |
四、记忆心理学的"精细加工"
认知心理学有一个著名概念：Levels of Processing（Craik & Lockhart, 1972）：
处理信息越"深"，记忆越牢。
把 friend 仅当作 6 个字母背 = 浅层加工（机械记忆）。
把 friend 跟"Tom 是我的好朋友"+ 谐音"夫人的"绑定 = 深层加工（语义 + 情感 + 听觉多通道）。
研究数据：深层加工的记忆留存率比机械记忆高 3 倍以上。
五、为什么不预生成？为什么不用 GPT-4？
很多人问：
"你能不能提前把所有词的例句都写好，存进库？"
可以，但有 3 个问题：
- 不个性化：每个孩子学到的程度不同，预生成的例句无法精确匹配该孩子的词汇库
- 不可控更新：教材每年改版，预生成内容滞后
- 浪费成本：100 万词，提前写完要花费数万元 API 费用
我们的方案：
- 按需生成：孩子翻到这张卡才生成，自然只有热门词被生成
- 永久缓存：一次生成永久保存，第二次访问 0 等待 0 成本
- 多模型：底层用 OpenAI 兼容协议，可灵活切换 DeepSeek / Qwen 等高性价比模型
至于 GPT-4 vs DeepSeek：对于"给三年级孩子写 8 词例句"这种任务，DeepSeek-V3 的输出质量已经足够，成本却只有 1/30。
六、孩子家长的反馈
"之前用某背单词 App，孩子总抱怨例句看不懂。换了爱题目，孩子第一次主动问'妈妈这个口诀好玩'。" —— 杭州 三年级家长
"我儿子已经记住「香蕉」是 banana 的口诀是「便南拿」，听起来很傻但他真的记住了。" —— 上海 四年级家长
七、TL;DR
- 词典例句太难，写给成人的
- 给孩子需要 i+1：稍微比当前水平难一点
- AI 可以按孩子年级实时生成 ≤ 8 词例句 + 谐音口诀
- "精细加工"理论：多通道记忆比死记硬背强 3 倍
- 永久缓存让 AI 例句成本几乎为 0