当大模型的浪潮席卷各行各业，教育领域正经历一场深刻的智能变革。从清华校园的科研探索到悟道大模型的实践深耕，从传统教育技术的局限突围到多智能体系统的创新落地，直到MAIC的出现，为教育AI打开了全新可能。
近日，我们专访了清华大学教育学院助理研究员于济凡，听他拆解MAIC理念以及OpenMAIC开源项目的诞生初心、技术路径与实践温度，探寻人工智能如何真正融入教育肌理，重塑学习的未来形态。
采访&编辑：梦佳熊宇轩
要点速览
从清华在线教育出发：研究生期间进入清华在线教育研究中心，2020年加入悟道2.0团队，成为中国第一批直接接触大模型的人。
MAIC的诞生：选择多智能体技术路线，提出“在场的多智能体”理念，让AI老师、助教、各领域专家角色同时在场，还原社会化学习。
教育实验验证：200名大学生三组对照实验，AI老师教学效果要么与真人老师无显著差异，要么显著优于真人老师（刘知远：很荣幸被AI的自己打败了）。
意料之外的教育平权：抽动症孩子在AI课堂中首次获得平等学习体验；西部地区流量显著，本地老师可二次调整课程，避免传统名校直播的“深海”困境。
两类教育AI：主流AI是“人的能力放大器”（容易让人变懒），教育AI独有路线是“让人越用越勇敢、越聪明、越强大”。
教师不会被替代：学习是“轻度的精神暴力行为”，教师的价值在价值观传递、情感链接、临场感，AI让教师从重复讲授中解放。
开源战略：一个团队改不了教育，开源后每个小团队都能基于OpenMAIC快速开展工作，“星星之火，可以燎原”。
21世纪是中国教育的世纪：石中英院长论断：19世纪德国教育，20世纪美国教育，21世纪中国教育。原生教育AI最可能发生在中国。
注：2026年4月20日，OpenMAIC全新版本（深度交互模式）正式上线。目前，OpenMAIC项目达到16k GitHub星标里程碑。（https://github.com/THU-MAIC/OpenMAIC）
简介：于济凡是清华大学教育研究院助理研究员、青源会成员，曾深度参与悟道2.0项目——中国最早的大模型团队之一，并在智谱担任AIGC中心主任，开发了“小呆”对话产品。他作为第三完成人获得2025年度吴文俊人工智能科技进步一等奖，其发起的OpenMAIC开源项目目前已取得16k GitHub星标。他提出的“在场的多智能体”教育理念，已在多所中小学及清华大学学分课中落地应用，经200名大学生随机对照实验验证，AI老师的教学效果不差于甚至优于清华优秀真人教师。
01
从清华和悟道出发，投身AI教育
""大模型之前教育AI停留在工具层面，大模型之后真正的教育智能变得可及。""
Q1：请谈谈您投身AI教育领域的初心和早期经历。
于济凡：研究生入学时，我是通过清华大学在线教育研究中心的名额招入的，该中心由计算机系和教育学院等多个学院共建。当时孙茂松、唐杰、李涓子、刘知远、李曼丽等知名学者都在中心负责指导，因此我从接触前沿科研伊始，便与教育领域结下了深厚的渊源。
此后恰逢疫情爆发，在线教育的需求急剧增长。那段时期大家都在家中线上上课，我们的研发和推进工作面临巨大压力。我当时是团队中相对资深的学生，便承担起了学生研究工作的统筹管理职责，也因此积累了大量实践经验。
大约在2020年中期，唐杰老师开始筹备智源研究院的悟道2.0项目。或许他考虑到我在人在回路（human-in-the-loop）、评测以及应用部署方面的一些技术基础和经验，便将我调入悟道2.0团队，负责部署应用和评测工作。悟道系列应该算是中国最早的大模型项目，这个团队中的我们也可以算是中国第一批直接接触大模型的人。在参与该项目的过程中，我深刻认识到：以往用传统手段构建的教育AI有太多无法实现的功能，而在大模型时代，这些都有望实现。
这也成为我最终择业时的重要考量。与老师们讨论后，我们认为在教育场景中有可能做出优秀的成果。教育场景本身具有很强的普惠性，而且对大模型而言，教育是一个“完备”的系统领域。在教育领域，几乎所有的信息采集都可以通过大模型的交互来完成。传统教育中的做题、练习等环节，也基本可以在线上完成。
总体来说，教育场景规模宏大、是人类永恒的主题、与知识关系最为密切，且是一个相对可完备应用的领域。我认为从智能体时代开始落地应用时，教育应该是最先受到影响、也是最终受影响最大的领域，同时它也能反哺人工智能本身的发展。
Q2：您在求学阶段成果丰硕，涉及数据挖掘、知识图谱等方向，请问您的代表性成果有哪些？为MAIC和OpenMAIC的前期研究奠定了哪些关键基础？
于济凡：一个重要背景是我深度参与了清华在线教育研究中心的工作。这项工作最近获得了2025年度吴文俊人工智能科技进步一等奖，这个项目中我是第三完成人，前两位是该研究中心主任，清华大学计算机系的孙茂松教授和学堂在线负责人，清华大学在线教育中心主任王帅国老师。这项工作系统地总结了我们在教育知识图谱、学生建模和个性化指导方面的技术积累。
另一个重要背景是刚刚介绍的我有幸参与智源的悟道系列模型和后续GLM系列模型的研究。加入悟道2.0团队后，我从事应用和评价工作；之后跟随唐杰老师回到智谱，担任内部的一个名为AIGC中心的主任，开发了名为""小呆""的对话产品。那个时候大家对大模型的研究还主要是对纯语言模型进行实验室探索，将其直接应用于C端新型对话场景还不是每个基础模型团队的必要工作（后面C端对话型大模型产品的大量涌现是现象级ChatGPT之后才形成的共识）。“小呆”产品大概于2021年中期启动，2022年九、十月份后，这个项目的独特性慢慢消失，逐步融入公司主体业务。在此期间，我学习了大量的智能体技术经验，包括幻觉消除、并发控制和拟人化等方向，也产出了一些有趣的研究成果。
这两段经历让我意识到：一方面，在线教育的智能技术迭代迫在眉睫；另一方面，我们在知识积累、各细分任务的技术积累以及智能体本身的技术积累方面，已经达到了可以推动技术迭代的全新水平。正是这样的动能，驱动我和团队同事开始了当前的研发工作。
Q3：人工智能领域与教育领域在研究思维上最大的差异是什么？如何实现融合？
于济凡：准确地说，这不只是“技术思维与教育思维”的差异，而是人工智能学科与教育学科作为两个学科所代表的两种研究品味。
人工智能研究者的核心目标之一是理解并创造智能。无论是做脑科学研究理解智能的本质，还是训练模型、研发具身智能来创造智能，其落脚点都在“智能”这个相对抽象而终极的目标上。教育学科的演化则不同，现代教育学的重要基础之一是课程与教学论，简而言之是“如何把课上好”。我刚刚加入教育学院时，刘惠琴老师就用马克思的表述——“教育的终极目标是让人自由而全面地发展”来作为我入行的第一堂课程。大家会发现教育的核心落脚点在于人的变化与成长。
同样是做教育技术，如果用技术思维去看，目标是以教育场景作为有挑战的场景和有意义的数据来源，让智能本身变得更强。比如，让大模型学会讲课，实质上是提升大模型在特定复杂认知任务上的智能水平。教育思维会关注和恪守的是，不管使用的是智能体、多智能体、多模态大模型还是其他技术手段，终极目标都是让人的学习效果变好、长期培养效果变好。两者的最终指向是不同的。
两者的差别确实非常巨大，各自都十分纯粹，但两个群体毕生追求的目标不同。不过在当今时代，这些差异会逐渐归一。人工智能本身是一个非常特殊的学科：它横向覆盖全领域、纵向贯穿全过程，与教育学科不是简单的融合关系，而是对教育带来了更底层的变革。人工智能与教育之间的融合会比其他学科更容易：重复性劳动可以被快速替代，知识发现过程可以有AI的深入参与。在当前产教融合的大背景下，这两个学科可以在重大创新工作中达成很好的统一。
Q4：人工智能领域与教育领域在研究思维上最大的差异是什么？如何实现融合？
于济凡：教育领域的技术一直相对主流技术范式有一定的滞后性。比如知识图谱，在主流AI领域十几年前就在深入研究，但在教育领域几年前仍在作为重点方向。这种滞后一方面源于技术人才密度不足，另一方面源于教育领域自身的审慎属性。
在清华与各位老师合作的过程中，我们已经尽量将最前沿的技术引入教育领域，但在大模型之前，教育技术远未达到“智能涌现”的临界点。过去所做的自适应学习，无非就是视频切片、做推荐算法，或者做特定问题的简单问答。做得好一些的，也就是基于学习记录分析未来的学习行为，或预测特定学生做题的对错。在大模型时代到来之前，AI对教育的赋能停留在非常简单的工具层面。
然而，在智能体能力的加持下，AI可以深入到教育的深层环节。一个好老师讲课特别吸引人，讲得清楚且不枯燥；同样的知识内容，同样的PPT，换一个老师可能效果天差地别。这背后是一种非常精深的过程性知识，而在过去的技术手段下几乎无法体现出来。
大模型的出现使这件事变得可行。如果能够善用智能体技术，就有可能让AI像优秀教师一样授课。当然，直接让大模型完成这个任务是不行的，还需要大量的研究工作，但这件事起码变得可及了。
02
MAIC的诞生：从多智能体到MAIC
""选择'在场的多智能体'路线，不是为了炫技，而是为了还原社会化学习的本质。""
Q5：上述思想体系与MAIC的缘起有何关联？MAIC是在怎样的思考中诞生的？
于济凡：是的，MAIC正是在这些思考的孕育下诞生的。我们之前做了大量在线教育的工作，非常了解传统教育技术如何应用到教育中的。同时我们也充分意识到，大模型已经走到了“科幻时代”，而传统教育技术还停留在“农耕时代”或“前工业时代”，存在巨大的代差。最初的设想其实很简单：探索已有的教育技术范式是否还有其他可能性。比如，如果不把视频、音频等流媒体作为知识载体，而是让大模型作为载体，知识的传授能否发生更好的变化？其实让AI来讲课这件事本身，蕴含了以AI为知识载体的全新教育技术理念。
Q6：有媒体将OpenMAIC与OpenClaw等当前AI产品的热潮相联系，OpenMAIC是借着AI热潮的东风发展起来的吗？
于济凡：我认为这更多是一种营销层面的说法。OpenMAIC本质上不是一个以帮人提升工作效率的工具，而是一个以教学为目的的自主智能体系统。其实我自己认为教育中可用的AI可以分为两类：
第一类是“人的能力放大器”，OpenClaw这种工具就可以做到这一点：一个人借助AI能干十个人甚至一百个人的事，让自己的产出效率更高。这是目前大多数人讨论AI时的主要用法。我们日常讨论的“AI容易让人变傻”、“AI让人变懒”，正是人在依赖放大性工具的过程中造成的结果。第二类是教育AI独有的路线：使用AI的过程和结果可能并没有比过去产出更多（当然也可能更多），但因为使用了AI，使用者变成了更好的人，能力内化到了人自身。教育AI的重要目标是让人越用AI越勇敢、越聪明、越强大。这两条路线在技术路径上完全可以调和，但在产品设计和应用形态上需要有很大的不同。
图注：OpenMAIC多智能体互动教室
Q7：早期的悟道等项目经验，是否延续并迭代到了MAIC平台和OpenMAIC项目之中？
于济凡：当然。相当于我们一直在做这个领域。做了悟道和后续的项目（包括基于GLM支持的“小呆”对话系统等），让我们意识到大模型技术真正可用，也积累了相当充分的产业和技术经验。只有这样才敢于启动这样一个项目。
Q8：为什么选择多智能体作为核心技术突破点？它主要解决了哪些突出的痛点？
于济凡：选择多智能体技术路线，原因有两点：第一，在我们刚开始做这件事（2024年年初）时，大模型的长程规划能力还不够强。想让一个AI老师把整门课完整、不出问题地讲好非常困难，因此需要借助丰富的多智能体系统来弥补这一不足，并在产品设计上进行优化。第二，多智能体具有强烈的社会临场感，在设计上给了更大的可扩展空间。
解决的核心痛点是教育技术领域长期以来都希望解决的“兼顾个性化和规模化”的难题。过去很多代研究者都在努力解决这个问题，但目前时代中，不通过大模型和多智能体，这个目标很难真正实现。此外，过去的教育技术任务非常单一和分散。做智能解题的只做智能解题，做知识图谱的只做知识图谱。但“将人工智能融入教育教学全过程”需要一套统一的智能体范式，能够深入各个环节。
杜威讲“生活即教育”，不用多智能体参与不同环节，不实现人工智能贯穿教育全过程，最终只能由不同产品、不同企业各自负责一个特定环节，拼凑成所谓的“整套解决方案”，我相信通过不断升级的多智能体技术，则有机会用一个方案尝试覆盖所有环节。
Q9：请详细讲解一下OpenMAIC的多智能体技术路线。
于济凡：在课堂场景、项目制学习等各种场景中，我们一直遵循多智能体技术路线。我们这里的多智能体不是隐式的。很多人做多智能体，是让用户上传一个文档，背后自动调用多个智能体完成任务，用户感知不到。我们的理念是教育中要有“在场的多智能体”。
所谓“在场的多智能体”，指的是在用户面前至少有多个可见的智能体同时在场。这在教育学中对应“临场感”（presence）的概念。某种角度来说，社会化的场景越真实、人数越多，人们越能投入和沉浸在学习过程中，也会更规范自己的行为。在教育中，社会化学习是非常重要的概念。人是在社会中学习的，比如学校本身就是一个社会，学生需要交流、合作、竞争，这些看似不是学习的其他活动实际上对人的培养是全方位的。
图注：OpenMAIC多智能体角色
Q10：多智能体技术路线的难点或实现挑战在哪里？
于济凡：首要的挑战是：如果要求多个智能体同时在场，如何保证每个智能体之间既协调一致，又能保持各自表达的连贯性和角色一致性。这相当于除了真人学生之外，其余所有智能体都在演一出“剧本”。所有智能体都是为了让学生学好这一终极目标来配合“演出”的。这需要非常深入、细腻的多智能体控制技术。
同时，主智能体（如教师智能体）需要具备符合认知规律的深度教学规划和执行能力。即使任务目标明确，当前大模型智能体的长程规划能力本身就较为有限。在教育场景中，规划是持续动态的，需要理解人类的认知过程，其难度在已有的自主智能体技术壁垒之上又加了一层。如果这个问题能够被解决，不仅教育领域，各个领域都将受益匪浅。
Q11：相比于单一教师大模型，教师智能体与学生智能体结合的模式优势在哪里？
于济凡：优势在于临场感和社会化学习。而且比起单一教师，多智能体的可能性也更多。比如我们在清华有一门张牧云老师的思政课，她不仅配置了AI老师和AI助教，还可以把文物修复工作者、老稻农、科技馆讲解员等角色也引入课堂。这模拟了一个真实的社会场景，其想象空间远比“一个老师教一门课”大得多。未来如果讲一门关于某前沿研究的课程，可以把各种专家的想法都做成智能体，让他们同时在场参与丰富的项目式场景。这种社会化场景极其丰富，未来的教育远不止“一个老师、一群学生”这种传统课堂模式。
Q12：未来还会一直采取多智能体的技术路线吗？还会有新的迭代吗？
于济凡：我们的技术路线会基于大模型本身能力的成长而做动态调整。但目前来看，这套技术路线的包容性非常强：大模型越强，它就会越强。正如我们在最近开源的OpenMAIC中展示的，背后已经有大量的coding agent能力在支撑，比如智能白板、自动教学实验、课件自动高亮等。随着大模型基座能力的持续提升，系统会变得更加丰富和强大。
03
MAIC的教育实践与社会影响
""AI课堂带来的不仅是个性化学习，更是意想不到的教育平权——抽动症孩子第一次被平等接纳。""
Q13：在发展过程中，有哪些让您特别意外或感动的用户反馈？这些反馈印证了哪些最初的想法？
于济凡：我们目前将这套AI课堂设计成了一套全新的教育范式，在门头沟教委下辖的学校进行推广，初中、高中均有应用。在与他们进行实验和实践的过程中，有一个让我非常意外的案例：
有一位同学患有抽动症，会不由自主地发出怪声。在AI课堂中，每位同学都使用自己的电脑或平板进行学习，戴着耳机自主学习，老师的任务是讲解和组织小组活动。在传统课堂中，这位同学已经隐约面临不被喜爱、甚至有被排除在班级集体以外的风险。同学们不喜欢他扰乱课堂秩序，觉得他很奇怪，甚至会将他故意留到教室外面。但在AI课堂中，他与其他同学完全平等，有时学习进度甚至更快，在合作中也更加积极。这是我们完全没有预料到的效果。我们最初只是希望每个人都能获得个性化的学习体验，但没想到它天然地带来了大量的平权效果。
另一个案例是关于教育公平的。我们不仅与人大附中、苏州中学等优质学校合作，也与西部地区的学校合作。在OpenMAIC开放期间，我们发现相当一部分流量来自西部地区。
过去在线教育时代，大家很乐意讲教育平权的故事，但近年来这些故事逐渐破裂了。一个典型案例是某网校：该学校是知名学校，他们通过直播将课程同步到云南、贵州等山区的学校，试卷也统一使用这个优质中学的。最初这被视为非常好的教育平权案例——优质资源通过互联网传递给了所有人。但几年后发现实际效果并不好。原因在于：本地老师的权力与作用被基本剥夺了，他们变成了机械的收发工具；有时名校老师讲的题，本地老师自己都不理解。对山区学生来说，他们跟不上课程进度，又无法求助，突然被扔进了“深海”，非常窒息。这本质上是视频载体无法个性化所导致的。
而MAIC的做法不同。每堂课都变成了一套智能体系统，可以被本地老师根据自己的教学需求进行二次调整和微调。老师还是那个老师，只是获得了更好的资源和创作基础。老师了解学生觉得难的地方可以删减，觉得适合的例子可以添加。加上AI这层“软装”之后，优质资源的落地不再生硬，实现了软着陆。学生也能更好地跟得上，获得个性化的学习体验。同时，老师完成了角色转型但权力没有发生变化，他对课堂甚至变得更重要了。
Q14：MAIC系统如何针对不同水平的学生设计差异化的学习内容？
于济凡：不仅是差异化、阶梯式的内容，还包括学生感兴趣的内容。如果一堂课完全由大模型生成，首先可以了解每个学生的所有历史情况，实现教学内容的个性化。比如一个喜欢踢足球的小朋友上数学课，所有例题都可以是足球相关的；同一节二元一次方程的课，喜欢音乐的孩子看到的例子可能全是音乐家和音乐的案例。难度也可以根据学生的历史表现动态调整。
这背后是大量的教育智能体技能（skill）在支撑。它的个性化不是传统学习机那种简单的“简单题/困难题”预设关卡模式，而是学生根本感知不到的隐式个性化：就像每个人刷短视频都是个性化的，但用户并不察觉。当然，系统也支持学生主动进行显性的个性化设置。
Q15：在AI时代，维护教师在课堂中的角色与权威还有多大意义？教师的角色会逐渐被削弱吗？
于济凡：我认为教师在教育过程中扮演重要的社会角色这件事，应该是不会变的。国家在推动数字教育时，也不是要替代所有教师。教师的作用远不止知识传授。有人可能因为一个好老师而爱上一个职业，有人的原生家庭问题可能被老师化解。
我自己不严谨地认为：学习本身是一种“轻度的精神暴力行为”。正常人不会无缘无故地热爱学习，有时候它不像饿了要吃饭那样是本能。有些知识很重要、不得不学，就需要有权威在场给予一定的社会压力。孔子说“不愤不启，不悱不发”。如果一个人没有经历过困顿，就不可能在克服困难后获得真正的成长。教育确实具有这种有趣的、微弱的精神压力属性。
在AI时代中，教师不管是在价值观传递、个体化经验分享，还是人与人交往建立的情感链接方面，都扮演着不可替代的角色。人与人面对面交流时产生的共同在场感和认同感，与大模型聊天是截然不同的。大班授课制只发明了两个多世纪，但在人类漫长的历史中，“师”作为一个角色始终很重要：孔子就是个性化教育的典范。AI辅助下，更能推进“有教无类”的理想，因为目前无法做到一对一教学的实际原因是优质教师资源太过稀缺。
Q16：MAIC最早的试点是在刘知远老师“迈向通用人工智能”这门课上进行的，真人刘知远老师与AI老师的教学效果对比如何？这个实验是如何设计和发起的？
于济凡：学习科学是一门严谨的新兴学科，一个科学严谨的研究一定需要对照分析。这个实验由教育学院的张羽教授团队指导我们来执行。我们回答的核心问题非常简单：AI教学的效果到底怎么样？
我们将学生分为三组：AI老师授课组、真人老师授课组和真人老师录制的视频课组（类似于原有的在线教育场景），进行了严谨的随机对照实验。共上了两大节课，设计了一系列小组合作任务。实验对象是全北京约200名不同水平的大学生（这是一门大学生核心素质课）。招募时特别规避了统计偏差，如果全是清华学生，会被人质疑样本缺乏普适性，因此那次招募的学生覆盖各种水平。
实验数据采集非常全面：前测问卷包括知识能力、各项素质、AI素养、接受度、批判性思维等指标；完成所有课程和任务后再进行后测，所有过程数据也完整保留。实验结论是：不管是学习效果（即直接的成绩），还是特定的人的素养指标，AI老师要么与真人老师没有显著差异，要么AI老师显著优于真人老师。
当然，这个结论不能代表所有AI老师和所有真人老师的情况。毕竟，这只是一个高等教育场景下的一门偏通识的技术类课程的一次讲授，而且刘知远老师本人也不代表所有教师。但实际上，刘知远老师已经是清华讲课非常优秀的教师了（教学成果奖项也印证了这一点），讲课能力我也非常钦佩。他得到这个结论后发了朋友圈，大概说“很荣幸被AI的自己打败了”。这也能代表一部分老师的心态，并非所有人都惶恐自己会被AI替代。
现在，这门课已经变成了一门具有跨时代意义的全校学分课，每学期都会开设。课程内容由AI讲授，同时每学期安排几次非常有意思的线下讨论活动。刘知远老师把自己的精力更多投入到线下互动中：上课变得更有趣，学生收获更多，学习效率更高，各方都不费力。
图注：MAIC中刘知远的《迈向通用的人工智能课程》
04
开源战略与未来愿景：21世纪是中国教育的世纪
""一个团队改不了教育，开源才能'星星之火，可以燎原'。""
Q17：今年3月OpenMAIC正式开源，这一开源行动对教育AI生态将带来怎样的改变？
于济凡：开源是因为我们意识到，一个团队的技术力量和能做的事情是非常有限的。不管技术上还是教育上多领先，一支团队不可能颠覆整个已有的教育模式。只有把技术分享出来，让所有有能力产生社会价值的人拿着它去产生社会价值（才可以）。相当于把这一“屠龙术”开源之后，对于传统模式的革新就会进入“星星之火，可以燎原”的状态。每个小团队只要有理想，都能基于这套技术迅速开展工作。我们也会持续进行开源迭代。最终，让整个教育范式都真正的产生蜕变和升级。
Q18：您和团队在开源之后的下一步核心规划是什么？
于济凡：我们不会锁定某一特定的教育领域作为核心攻关目标。教育对个人来说是终身的事情。现有的小学、初中、高中、大学的划分是制度设计的结果，这种制度并非自古就有。我们相信，不管是在K12、高等教育、职业教育、特殊教育、老年教育、幼儿教育还是职场培训等领域，都会有团队基于这套技术做出有意义的、甚至产生重大社会价值的成果。教育一定是一个政产学研用深度融合的交响曲，一家是做不大的。
Q19：从更宏观的视角来看，OpenMAIC的实践如何体现中国在教育AI领域的愿景？
于济凡：我认为中国人有义务在这个时代给世界一个答案。当前世界上的技术水平，中美是最强的两个。最近一段时间，大家会发现中国的大模型底层能力越来越强。这种强不只是模型表现上的，虽然算力和数据方面仍有差距，但人才密度确实非常高，能感受到很多原始创新。不管是DeepSeek、智谱还是Kimi，很多模型架构已经达到令世界惊叹的水平。
因此做出真正有价值的原生教育AI这件事，要么在中国发生，要么在美国发生。但美国有制度上的限制：如果想在美国做类似我们现在的事情，会被政治正确问题困扰，会被教师工会举报。很多北美的教师其实是不乐意、甚至是在规避这个话题的。
但不管是为了自立自强的需要，还是面向原始创新的战略需求，中国一直在努力推动世界人工智能教育新范式的诞生。我们学院的石中英院长曾给出过这样令人振奋的论断：“19世纪是德国教育的世纪，20世纪是美国教育的世纪，21世纪是中国教育的世纪。”这件事在中国人中舍我其谁。而像我们这样年轻的、与技术离得很近的团队，更是责无旁贷。我们必须持续做出优秀的开源成果，让它产生广泛的、深刻的社会影响，才能最终让改变真正发生。"