Ai4
Memrise通过将词汇原子化拆解并结合领域上下文与智能体协调,成功将传统语言学习转化为规模化个性化服务。
AI-assisted summary of The Personalization Paradox: How We Solved AI at Scale for 75M Users With Memrise — original source. Check the original for full context.
Source published:
Detailed notes
## Background 本视频由 Ai4 频道于 2025 年 8 月 24 日发布在 YouTube 平台上。视频记录了 Memrise CEO Steve Toy 的演讲,简介指出其重点探讨了 Memrise 如何通过三层 AI 架构处理 7500 万用户的交互数据,攻克大规模语言学习的个性化难题。
## TL;DR Steve Toy 分享了他在生产环境中应用 AI 的历程,并重点介绍了 Memrise 如何打破传统固定课程体系,将词汇“原子化”以实现按需学习。演讲提出了以提示词(Prompt)、上下文(Context)和协调(Coordination)为核心的 AI 架构,以即兴表演剧团为喻,阐述了如何通过多智能体协作打造个性化学习体验。此外,他还展示了该架构在语言学习、健康营养及旅游规划等领域的应用对比,强调将领域专业知识转化为数学算法是创造优质 AI 体验的关键。
## Atmosphere & style 演讲整体氛围专业且幽默,现场感十足,演讲者语言生动、条理清晰。Steve Toy 通过安永税务自动化的亲身经历和“即兴表演剧团”的比喻,将复杂的 AI 理论转化为接地气且易于理解的干货。演示视频中好坏案例的鲜明对比不仅增添了趣味性,也让听众在轻松气氛中深刻体会到精准上下文对 AI 产品体验的决定性影响。
## Key takeaways - [00:04](https://www.youtube.com/watch?v=S16EsdWJYtc&t=4s) Steve Toy 结合在安永(EY)自动化税务流程的早期经验指出,AI 在商业中的应用并非“魔法”而是“数学”,其超额利润虽会随竞争递减,但能切实提高效率并降低成本。 - [00:25](https://www.youtube.com/watch?v=S16EsdWJYtc&t=25s) 语言学习是一个复杂的“多变量问题”,用户学习语言通常是为了实现具体现实目标(如旅游、职场沟通、增加小费收入等),而非单纯学习语言本身。 - [00:25](https://www.youtube.com/watch?v=S16EsdWJYtc&t=25s) Memrise 打破了传统课程体系和词典架构,将词汇“原子化”,允许用户根据自身目标以任意顺序学习,并结合真实母语者视频以展现真实的口语表达。 - [00:25](https://www.youtube.com/watch?v=S16EsdWJYtc&t=25s) 在 AI 产品构建中,“Prompt(提示词)、Context(上下文)与 Coordination(协调)”是实现大规模个性化体验的核心三大要素。 - [05:14](https://www.youtube.com/watch?v=S16EsdWJYtc&t=314s) AI 技术栈可划分为基础层(大模型与硬件)、工具层(IDE与RAG等工具)和应用层,企业应聚焦应用层,切忌为了使用工具而盲目套用工具。 - [05:14](https://www.youtube.com/watch?v=S16EsdWJYtc&t=314s) 将“Prompt-Context-Coordination”框架类比为“即兴表演剧团”:Prompt 确定基础设定,Context 引入现场变量,Coordination 则决定团队配合与流程调度。 - [11:06](https://www.youtube.com/watch?v=S16EsdWJYtc&t=666s) 在语言学习架构中,拆分出的词汇、发音、听力与会话等 Agent 需要结合用户的学习动机、掌握词汇量及历史偏好等 Context 进行精准调度。 - [11:06](https://www.youtube.com/watch?v=S16EsdWJYtc&t=666s) 精准的 Coordination(协调调度)与智能体分流是领域专业知识(Domain Expertise)的体现,也是实现大规模个性化(Personalization at Scale)的核心关键。 - [11:06](https://www.youtube.com/watch?v=S16EsdWJYtc&t=666s) Agent 架构同样适用于健康营养、旅游规划及 B2B 销售培训等领域,通过将上游 Agent 的输出转化为下一个 Agent 的 Context,可实现自动化协作。 - [16:49](https://www.youtube.com/watch?v=S16EsdWJYtc&t=1009s) 通过向 Agent 注入个性化上下文(如健康禁忌、过敏史或用户过往薄弱点),才能避免推荐错误方案,提供真正精准的智能化体验。 - [18:35](https://www.youtube.com/watch?v=S16EsdWJYtc&t=1115s) 对比演示表明,缺乏 Context 的 AI 容易给出危险或无逻辑的建议(如建议过敏者吃花生),而引入高质量 Context 则能带来贴心且合理的方案。 - [19:22](https://www.youtube.com/watch?v=S16EsdWJYtc&t=1162s) 构建个性化 AI 系统需要完成三步:拆解业务领域以明确 Agent 职责、梳理并注入高质量 Context 数据源,以及设计合理的执行算法逻辑。
## Detailed walkthrough 以下是根据视频 Part 1 内容整理的详细逐段记录与分析:
[00:04](https://www.youtube.com/watch?v=S16EsdWJYtc&t=4s) 从税务自动化到生产级 AI:Steve Toy 的 AI 历程与 Memrise 的定位
Memrise 的 CEO Steve Toy 讲述了他运用 AI 的起点:2017 年在安永(EY)工作期间,他刚将上一家公司卖给安永。入职约九个月时,团队成功将原本需要 400 个工时的税务分类工作,缩短为仅需 15 分钟的计算机运行程序。然而,当他们向业务负责人演示这一成果时,对方却“吓坏了”——不是因为程序不起作用,而是因为太有效了!安永当时是按“工时与材料(Time and Materials)”计费的。Steve 和团队向他解释并建议转变商业模式:改为项目制计费,每月向客户收取固定费用(设定为过去 12 个月最低账单的 90%),从而在执行过程中直接套现数十万美元的毛利与净利润。当这位业务负责人算清这笔账后,惊叹道:“这简直是魔法!”Steve 回应道:“**不,这不是魔法,这是数学。**” 既然是数学,就必然会被他人效仿。如今,当年在安永合作该项目负责 AI 的同事已开办了一家 AI 会计事务所,原有的超额利润虽因市场竞争而消逝,但客户却得以用更少的钱完成同样的工作。
这段经历开启了 Steve 在实际生产环境中应用 AI 的旅程。此后,他管理过健身、营养、工具、VPN 以及休闲游戏等多类 App,如今则执掌语言学习平台 Memrise。他指出,语言学习是一个极其复杂的“多变量问题(Multivariate problem)”,而 Memrise 的目标是通过 AI 加速这一过程,提供个性化体验以帮助每个人取得成功。2024 年,《时代》杂志(Time magazine)将 Memrise 评为全球第二大教育科技公司(EdTech Company),正是归功于其后台部署的 AI 技术。Steve 强调,Memrise 现已不再只是一款简单的 App,而是一个完整的语言学习平台。
[00:25](https://www.youtube.com/watch?v=S16EsdWJYtc&t=25s) 破解个性化难题:以目标为导向的原子化词库与真实母语者内容
介绍 Memrise 的底层机制时,Steve 表示用户学习语言的终极目的从来不是“为了学语言本身”,而是为了实现更具体的现实目标: - 获得更好的旅游体验; - 与刚结婚的跨国家庭中的岳母/婆婆沟通; - 与新公司的同事流畅交流; - 土耳其的出租车司机希望能和乘客沟通,从而赚更多钱; - 秘鲁的餐厅服务生希望能更好地服务外国顾客,从而获得更多小费。
传统教育和大多数 App 总是强制所有人按照统一的课程体系(Curriculum)学习,其本质是“把所有学生推向同一次考试或同一段视频内容”。Memrise 则打碎了传统词典,将词汇“原子化(Atomized)”,允许用户根据自身目标,以任意顺序学习所需的任何词汇。系统会将用户选择的不同词汇组合输入到 AI Agent(智能体)中,由 Agent 协作协助用户达成口语目标。同时,Memrise 完整保留了其核心特色——包含数十万段由真实母语者(Native speakers)录制的视频内容,让用户体验包含连读、省略及俚语的真实口语表达。
为了帮助与会者将这套经验应用到各自的业务中,Steve 提出了本次演讲的核心框架:**Prompt(提示词)、Context(上下文)与 Coordination(协调)**。此外,他还预告了下午 4:30 在 Marquee 大宴会厅举行的 Ask Me Anything (AMA) 问答环节,邀请现场听众前来挑战。
[05:14](https://www.youtube.com/watch?v=S16EsdWJYtc&t=314s) 聚焦应用层:AI 技术栈与“即兴喜剧”框架类比
Steve 简要拆解了 AI 的技术栈(Tech Stack),以明确本次讨论的重点范畴:
``` +-----------------------------------------------------------------+ | Foundation Layer | | (OpenAI, Anthropic, LLMs, Hardware & Power) | +-----------------------------------------------------------------+ | v +-----------------------------------------------------------------+ | Tools Layer | | (Cursor, Windsurf, LangChain, Weaviate / RAG, etc.) | +-----------------------------------------------------------------+ | v +-----------------------------------------------------------------+ | App Layer | | (User Interface, Domain Expertise, Personalization at Scale) | +-----------------------------------------------------------------+ ```
- **基础层(Foundation Layer)**:由 OpenAI、Anthropic 等巨头垄断。该领域涉及数亿美元薪酬的争夺、国会听证会答辩以及核反应堆供电等议题。普通企业无需关心其底层运作,只需了解模型能为业务提供什么帮助。 - **工具层(Tools Layer)**:包括 Cursor、Windsurf 等 IDE,LangChain 等 Agent 编排工具,以及 Weaviate 等 RAG 工具。Steve 警告不要“为了用工具而学工具”,否则会陷入“拿着锤子找钉子”的误区。 - **应用层(App Layer)**:用户真正停留、感受“魔法”的地方。企业需要在此结合自身领域知识(Domain Expertise),利用技术框架为用户创造价值。
为了让“Prompt、Context、Coordination”框架更直观,Steve 用**即兴表演剧团(Improv Troop)**做比喻: 1. **Prompt(提示词 / 设定)**:类似于剧团演员与基本前提。若前提过于宽泛(如“一群人去买咖啡”),过程就会极其无聊——就像在拉斯维加斯美食广场的星巴克排队半小时买一杯昂贵的拿铁,刷着手机怀疑人生;但如果设定为“在火星上开一家咖啡馆”,表演立马变得有吸引力。 2. **Context(上下文 / 现场变量)**:类似于观众给出的突发设定(例如“火星咖啡馆的人造重力发生器突然坏了”或“老板要求在做咖啡时引入 AI”),这能让通用的 Prompt 变得独一无二。 3. **Coordination(协调 / 团队配合)**:演员之间的默契配合。优秀的协调(如 Key & Peele 或 Abbott and Costello 的经典《谁在第一垒》)能创造奇迹;而缺乏协调的表演就像偏远小镇条形码商场里的蹩脚演出。
随后,现场播放了团队成员 Emma 仅用几个小时制作的模拟演示视频:展示了一名名为 Brenda 的用户为了“见岳父/公公”而学习西班牙语,系统自动为其生成家庭与足球相关词库、纠正发音,并推送母语者视频进行战前特训的全过程。
[11:06](https://www.youtube.com/watch?v=S16EsdWJYtc&t=666s) 实践案例:语言学习与健康营养领域的 Agent 架构
在演讲后半段,Steve 详细拆解了如何将“Prompt - Context - Coordination”框架应用到具体的业务场景中:
#### 1. 语言学习场景(Language Learning) - **Vocabulary Agent(词汇 Agent)**: - *Prompt*:挑选达成目标所需的词汇。 - *Context*:用户的学习动机(如前往巴塞罗那旅游且喜爱足球与美食 vs. 与喜爱针织的岳母沟通)。 - **Pronunciation Agent(发音 Agent)**: - *Prompt*:纠正发音,使其接近母语者。 - *Context*:获取用户在其他环节中发音不佳的历史数据,进行专项强化。 - **Listening & Video Agent(听力与视频 Agent)**: - *Prompt*:从数十万视频库中筛选适合当前水平的内容。 - *Context*:结合用户已掌握的词汇量(即便两人都掌握 250 个词,只要具体词汇不同,推送的视频就不同)及偏好标签(如频繁选择体育视频)。 - **Conversation Agent(会话 Agent)**: - *Prompt*:模拟真实对话场景(如订咖啡或餐厅预订)。 - *Context*:用户的学习目的(Why)以及词汇量储备,以此动态调节对话的复杂程度。 - **Coordination(协调)**:若用户发音完美,系统便无需将其引导至发音 Agent,而是直接推进至新词汇和对话练习。**这种精准分流正是领域知识的体现,也是实现大规模个性化(Personalization at Scale)的核心。**
#### 2. 营养健康场景(Nutrition) - **Meal Plan Agent**:根据目标(减重、降胆固醇、增重、预防心脏病等 Context)制定一周饮食计划。 - **Shopping Agent**:接收 Meal Plan Agent 输出的计划作为 Context,自动生成针对性的采购清单。 - **Food Swap Agent**:了解用户的健康目标及日常饮食习惯(Context),在发现用户食用切多斯芝士条(Cheetos)时,主动推荐海带芯片(Kelp chips)等健康替代品。 - **Progress Agent**:综合输入(饮食记录、睡眠数据)与输出(体重变化、胆固醇指标等 Context),评估健康改善效果。
#### 3. 旅游规划场景(Travel) - 部署专门掌握特定区域知识的 **Location Agent**(甚至细分为巴塞罗那 Agent、马德里 Agent 或伊比萨 Agent); - 结合专门寻找当地美食的 **Food Agent**,以及挖掘特色体验与本地人活动的 **Activity Agent**,共同构建个性化行程。
[016:49] 智能体架构中的个性化上下文与应用场景拓展
Steve Toy 进一步阐述了如何通过个性化上下文来赋能不同的专用智能体(Agents)。以旅游规划为例,系统中可以包含旅游智能体、美食智能体、活动智能体以及预订智能体等。每个智能体都在等待特定的指令,但要提供真正优质的服务,就必须注入个性化上下文。美食智能体必须清楚用户的饮食喜好与禁忌,绝不能将海鲜过敏的顾客推荐去龙虾小屋(lobster shack);活动智能体需要掌握用户偏好博物馆还是体育运动;而预订智能体则在用户确定意向后直接完成预订,免去繁琐流程。
这种基于“待办任务”(Jobs-to-be-done)的智能体架构不仅适用于消费级 App,在 B2B 场景(如销售培训)中同样大有可为。销售培训系统可以拆解出销售技巧、异议处理、模拟演练和绩效评估等智能体。通过输入潜在客户的需求偏好、常见异议点以及销售人员过往的薄弱环节等上下文,性能智能体甚至可以直接调取并分析通话录音,从而提供量身定制的培训反馈。
``` +-----------------------------------------------------------+ | 个性化上下文 (Context) | | (用户喜好/禁忌/历史表现/潜在客户需求/通话录音等) | +-----------------------------+-----------------------------+ | v +-----------------------------------------------------------+ | 专用智能体 (Agents) | | [美食智能体] [活动智能体] [销售技巧智能体] [预订智能体] | +-----------------------------+-----------------------------+ | v +-----------------------------------------------------------+ | 精准推荐与自动化执行 | +-----------------------------------------------------------+ ```
- 美食智能体必须掌握用户的过敏史与偏好,避免做出不合逻辑的推荐。 - 销售培训领域可结合历史通话录音,精准识别销售人员的不足之处。
[018:35] 优质上下文与劣质上下文的实际对比演示
为了直观地展示提示词(Prompts)中引入优质上下文与劣质上下文的巨大差异,演讲现场播放了来自 Emma 的对比演示视频。在缺乏上下文的糟糕示例中,AI 面对用户的求助,竟向对花生过敏的用户推荐做“花生面条沙拉”(peanut noodle salad),向戴着腿部支具的用户建议做“45秒跳蹲”(squat jumps),引发了极度尴尬与不适。
而在注入精准上下文的优质示例中,AI 智能体表现得极为贴心与智慧:
> “Hey Mia, you're at 10% protein for the day and you've been working out a bunch. I know popcorn for dinner again sounds good, but try salmon and greens.”
AI 能够根据 Mia 当天仅摄入 10% 蛋白质且运动量较大的数据,精准劝阻她晚上再吃爆米花,转而推荐三文鱼和蔬菜;针对戴着支具的 Dan,AI 也能识别出他昨天刚练完胸部,适时调整训练计划为手臂练习,既安全又合理。
- 缺少上下文的 AI 容易给出危险或毫无逻辑的建议(如建议过敏者吃花生、建议受伤者做跳蹲)。 - 具备高质量上下文的 AI 能结合用户当天的营养摄入、体能消耗及身体状况提供个性化方案。
[019:22] 业务落地挑战与总结展望
演讲最后,Steve Toy 提出了针对所有企业和业务负责人的落地挑战。他强调,要构建出真正个性化的 AI 系统,必须完成三个关键步骤:第一,拆解业务领域要素,明确需要哪些智能体(Agents);第二,梳理各个环节所需的上下文信息,并找到数据的获取来源;第三,设计合理的执行顺序(Sequencing),即算法逻辑。
Steve Toy 形象地指出,这种将业务领域的专业知识转化为数学算法的过程,正是 AI 产生“神奇魔力”的源泉。做好了,你的产品就是精彩绝伦的《基和皮尔》(Key & Peele)喜剧段子;做不好,就像是商业街里蹩脚的即兴表演队。最后,他邀请有兴趣的听众在下午 4:30 前往 Marquee Ballroom 继续交流,或扫描现场二维码与他和 Emma 联系,希望大家能将这些可落地的实操经验应用到自身业务中。
- 构建个性化 AI 的三要素:业务领域拆解(智能体)、上下文数据注入(个性化)、执行顺序设计(算法)。 - 将领域专业知识(Domain Expertise)转化为数学算法,是决定 AI 产品成败的关键。
## Notable quotes > [00:04](https://www.youtube.com/watch?v=S16EsdWJYtc&t=4s) 不,这不是魔法,这是数学。 — Steve Toy
> [00:25](https://www.youtube.com/watch?v=S16EsdWJYtc&t=25s) 把所有学生推向同一次考试或同一段视频内容 — Steve Toy
> [18:35](https://www.youtube.com/watch?v=S16EsdWJYtc&t=1115s) Hey Mia, you're at 10% protein for the day and you've been working out a bunch. I know popcorn for dinner again sounds good, but try salmon and greens. — AI Assistant
## Mentioned Steve Toy, Memrise, 安永 (EY), OpenAI, Anthropic, Cursor, Windsurf, LangChain, Weaviate, Emma, Key & Peele, Abbott and Costello
## Video description Steve Toy, CEO, Memrise
Abstracts
Beyond One-Size-Fits-All: The AI Architecture That Actually Personalizes Learning"
Most AI demos look impressive until you try to deploy them to millions of real users with different languages, learning styles, and goals. At Memrise, we've spent years solving the most complex problem in AI-powered education: true personalization at scale. I'll reveal the three-layer AI architecture that transforms 75 million user interactions across 200+ language pairs into perfectly tailored learning experiences. You'll discover why most personalization attempts fail, the data patterns that actually predict learning success, and the counterintuitive approaches we use to make every lesson feel like it was designed specifically for each learner. This isn't theory—it's battle-tested insights from the world's most personalized language learning platform.
[Source](https://www.youtube.com/watch?v=S16EsdWJYtc)