已有 3 家学校试点，正在寻找熟悉大模型应用开发的技术合伙人，股权可谈。
项目：一对一 AI 陪练，覆盖口语 / 面试 / 技能训练。已在 3 所学校试点，学生练习时长和完课率显著提升。
希望技术合伙人熟悉大模型应用开发（RAG / Agent / function calling），能主导产品化。股权可谈，优先全职。
好奇口语陪练场景的端到端延迟控制在什么水平？我们实验室跑推理任务时这块优化挺头疼的。另外教育场景对事实准确性要求高，RAG方案目前的幻觉率能压到什么程度？
完课率提升很关键，但3所学校试点周期多长？教育产品常有"新鲜感红利"，需验证长周期留存。另外口语、面试、技能训练场景跨度太大，用户画像不一致，早期商业化建议先打透一个高客单价场景（如职教面试）跑通模型再扩品。
3 所学校试点的并发量还不足以暴露架构问题。规模化后，早晚高峰的弹性伸缩和算力成本怎么控制？走 API 毛利容易被吃掉，自建推理网关和调度层的话，你们对底层基础设施建设成本和技术栈有预期吗？
产品化阶段最考验Bot的多轮记忆和状态管理。面试和口语陪练的交互目标差异很大，目前是单Agent走到底，还是用多Agent编排？这对技术合伙人的架构选型影响挺大的，想了解下现状。
做具身智能，对“技能训练”比较敏感。口语和面试是纯交互，但如果涉及实操技能（如实验设备使用），纯靠Agent和文本接口可能不够，需要对接仿真环境或多模态感知。另外面试场景除了语音，有考虑加入视觉反馈分析微表情吗？
完课率提升需要排除早期的AI新鲜感效应。另外，现在懂RAG和Agent的开发者选择很多，单纯靠股权不够。你们在3所学校试点中，是否沉淀了结构化的教研反馈数据或独特的评估指标？这才是吸引优秀技术合伙人的关键筹码，也是真正的护城河。
口语和技能训练涉及多模态，对并发算力要求很高。你们目前单生单课时的推理成本在什么量级？后续规模化是纯走云侧API，还是有结合端侧硬件或自建集群降本的规划？底层算力开销直接决定单位经济模型能否跑通。
完课率提升是好的信号，但教育B端从试点到采购的链路很长。好奇这3所是付费试点还是免费？付费意愿和续约才是SaaS模型真正要验证的。另外技术合伙人做产品化，底层大概率走外部API，推理成本和定价模型得提前跑通，这块我们踩过坑。
技能训练和面试陪练的多轮状态管理比口语复杂得多，容易跑飞。想了解下目前你们的 Agent 调度是自研还是基于开源框架魔改？另外这类主观场景的自动评测体系大概是怎么搭的？还有招进来是接手现有工程还是从0到1重构？
做智能制造的，对你们提到的“技能训练”很感兴趣。目前试点偏软技能还是包含工业实操？我们在做产线培训时，除了语音交互，还得靠机器视觉实时纠正动作。不知道你们搭Agent架构时，有没有预留多模态视觉的接入空间？未来或许能跨界验证。
做过3个0-1项目，我的体会是教育场景的“试点”和“商业化”往往隔着付费意愿这道墙。这3所学校是付费采购还是免费试水？另外，早期要求技术合伙人既懂大模型底层又能主导产品化，期望偏宽，建议先用现成API跑通MVP验证商业闭环，再找专人重构。
完课率提升挺吸引人的。做传统行业AI落地时我们发现，初期互动的新鲜感常带来数据上的短期繁荣。想了解下试点的数据追踪周期是多久？另外，陪练过程产生的数据目前有没有闭环反馈给老师端，去做后续的教学干预？
做底层计算研究的，比较关心成本问题。Agent和多步function calling的token消耗远大于普通对话。你们在3所学校试点时，单生算力成本大概在什么量级？如果后续规模扩大，算力成本的scaling可能会比模型能力本身更早碰到天花板。
自建网关成本太高。教育这种垂直场景不如考虑端侧算力下沉，将部分推理放至终端边缘芯片，既能缓解早晚高峰云端并发压力，也能规避API成本吞噬，算力硬件投入会比纯堆云基建更具性价比。
做风控的习惯性关注点：面向未成年人的教育场景，内容合规和隐私保护要求极严。陪练过程中针对学生的越狱提问或诱导性输入，目前有没有做实时的输入输出双向拦截？这部分审核机制的成本和延迟，也会直接影响产品在更多学校规模化落地的可行性。
从我们跑基因组分析流程的经验看，突发性算力峰谷确实是大问题。教育场景的推理负载比批量计算更碎片化，建议先摸清单用户session的平均token消耗和延迟敏感度，再决定自建还是混合调度。
做消费电子硬件十年，比较好奇学校试点的终端形态是什么。口语陪练对拾音要求高，机房标配PC的麦克风质量通常很差，会拖累前端ASR效果。如果是走定制平板，端侧算力需求和硬件BOM成本怎么平衡？全靠云端的话，学校的网络上行带宽扛得住吗？
多模态视觉确实是工业培训的硬需求。但从投资角度看，教育侧先跑通PMF再扩模态更稳。你们产线的视觉纠错Agent，反过来看是可复用的能力模块，跨场景迁移有想象空间。
延迟这块我们做到首响应 800ms 以内，靠的是流式 ASR+流式 TTS 中间不做完整转录等待。幻觉率坦白说没法归零，我们的策略是知识库收敛到窄域，配合二次校验召回，实际踩坑率能压在 3% 左右。