从一个托福模拟考试网页,我重新理解了AI时代的“能力系统”

四季读书网 2026-08-12 12:53:39 2 0

前两天，我原本只是想解决一个很具体的问题：

托福考试的形式变了，需要通过模拟考试训练更好地熟悉新的考试。

我找到了一套ETS发布的新版TOEFL iBT Practice Test。

这套练习已经按照2026年1月21日之后的新版考试进行了调整，阅读、听力、写作和口语的题型都发生了变化。

阅读增加了Complete the Words和日常阅读材料
写作包括Build a Sentence、Write an Email和Academic Discussion
口语则包括Listen and Repeat和Take an Interview

ETS同时说明，这套材料为了纸面使用对考试进行了适配，并不是实际数字化考试的完整复刻。

于是我产生了一个很自然的想法：

能不能自己做一个更接近真实考试环境的模拟考试网页？

最开始，我以为这只是一次很普通的AI应用：我提出需求，AI帮我做网页。

但随着这个网页不断完善，我突然发现，我真正做出来的东西已经不是一个简单的“AI工具”。

它开始成为一个由人、AI和信息系统共同组成，围绕“提高托福成绩”这一现实目标持续运行的系统。

而这个过程，也让我重新理解了过去一直在研究的一个问题：

企业里的组织能力系统，也许只是一个更普遍的“能力系统”进入企业之后的特殊形态。

从一个托福模拟考试网页,我重新理解了AI时代的“能力系统”-第2张图片-四季读书网

一、最开始，我只是想模拟一次真正的托福考试

纸面的托福练习材料当然可以做题。

但是备考时，我想知道的不只是“这些题我会不会做”，还包括另一个问题：

如果真正坐在托福考试的电脑前，我能不能适应它的考试方式？

于是第一版网页的目标非常简单：尽可能模拟新版TOEFL的考试过程。

阅读和听力按照考试模块组织；
不同部分设置时间限制；
听力按照真实考试逻辑只能播放一次；
口语可以直接录音；
写作在规定时间内完成；
考试结束后自动提交。

随着模拟程度不断提高，又加入了阅读和听力的自适应逻辑、四科成绩、CEFR水平以及0—120分的估算结果。

做到这里，它已经比一份PDF练习材料方便很多。

但本质上，它仍然只是一个考试工具。

因为它只解决了一个问题：

让我完成一次比较真实的模拟考试。

真正改变我对这个系统理解的，是第一次真正做完考试以后。

二、做完一次考试以后，我才发现“分数”远远不够

考试结束后，我碰到了一个很现实的问题：

我做完了，却没有完整记住自己每道题究竟选了什么。

这让我意识到，如果一个模拟考试系统最后只告诉我一个总分，那么它真正提供的价值其实非常有限。

因为对于备考来说，真正重要的问题根本不是：这一次考了多少分？

而是：我为什么只有这个分数：

哪些题做错了？
为什么错？
哪些单词不认识？
阅读、听力、写作、口语分别存在什么问题？
哪些问题只是偶然失误？
哪些问题已经反复出现？
接下来应该重点学什么？

下一次考试又应该怎样判断自己究竟有没有进步？

到了这一步，我的需求已经发生了变化。

我不再只是想拥有一个“能够考试的网页”。

我要的是：

通过考试发现问题，再利用这些问题帮助我继续学习。

于是系统开始从“考试”向“学习”延伸。

三、错题集首先让一次考试产生了“记忆”

最先需要解决的，是错题。

如果一道题做错以后，我看一眼答案，然后进入下一次考试，那么这次错误几乎没有留下什么价值。

所以后来我在系统里增加了错题集。

阅读和听力中的客观题，只要做错或者没有作答，就会在考试结束后进入错题集。

但错题集记录的并不只是：“第几题错了，正确答案是什么。”

它还可以保留：

题目材料；
选项；
我的答案；
正确答案；
错误解析；
暴露出来的知识和能力缺口；
后续学习建议。

如果以后再次遇到同一个问题，系统还可以记录重复出现的次数。

这样一来，错题的意义就发生了变化。

一道错题不再只是一次考试中的失败结果。

它开始成为一条可以被长期积累的数据。

如果同一种错误不断出现，系统就有可能逐渐发现：

这不是偶然做错了一道题，而是某一种能力存在稳定的问题。

例如，可能不是这一道阅读题没有看懂，而是主旨判断长期比较弱；

不是偶然漏掉一句听力，而是在特定类型的信息提取上持续出现问题。

这时候，“错题”开始转化成了“能力诊断”的输入。

四、生词表把“这次没看懂”变成了下一次要解决的问题

词汇也有同样的问题。

在过去的做题过程中，遇到一个生词，我可能临时查一下，也可能干脆根据上下文猜过去。

考试结束以后，这个词很可能就消失了。

下一次遇到，我仍然不认识。

所以后来我又给系统加入生词收集机制。

但这里又出现了一个很有意思的设计问题。

模拟考试期间，如果我一碰到不会的单词就能立即看到中文解释、音标和例句，那么考试本身就失真了。

因此，考试过程中只能把一个词标记为“本场单词”。

它只负责记录这个词我不会，不能马上告诉我中文。

等到考试提交以后，这些词才进入个人的生词表。

在生词表里，可以进一步看到音标、发音、中文释义、例句以及它来自哪一道题、哪一段材料。

如果以后再次遇到同一个词，也可以继续累计出现次数。

这个很小的机制实际上非常重要。

因为它把两个阶段分开了：

考试阶段负责真实暴露问题，学习阶段负责解决问题。

考试不是为了边做边获得帮助，而是为了尽可能准确地发现自己究竟会什么、不会什么。

而考试中暴露出来的问题，也不会随着考试结束消失。

它们进入了下一轮学习。

五、基础词库和个人生词表，解决的其实是两个完全不同的问题

后来我又加入了一个基础词库。

一开始，这看起来只是生词表之外又多了一个背单词功能。

但仔细想，两者其实承担着完全不同的任务。

基础词库回答的是：托福备考通常需要掌握什么。

个人生词表回答的是：这些词里面，我具体不会什么。

前者是相对通用的学习内容。

后者是根据个人真实表现不断形成的学习内容。

因此，基础词库也不能只是一个固定的静态词表。

随着后续做题，如果系统不断发现新的托福常用词汇，也可以继续补充进基础词库。

而个人生词表则随着每个人的实际考试和练习持续变化。

这意味着学习内容开始出现两个来源：

一部分来自通用知识体系；

另一部分来自个人真实问题。

这也是一个完整学习系统非常重要的特征。

真正有效的学习从来不能只靠统一教材，也不能只靠临时查缺补漏。

它需要把两者结合起来。

六、成绩只是结果，真正重要的是把结果转化成能力诊断

随着考试数据越来越完整，我又开始意识到：

即使有总分、有错题、有生词，也仍然不够。

因为这些都只是零散的信息。

真正对备考有价值的，是进一步回答：

这些结果说明我的能力结构是什么？

所以在考试结束以后，系统开始提供的不再只是一个数字。

它还要分析四科表现，形成能力地图，解释主要问题，并给出下一步训练建议。

这一步意味着系统开始从“记录结果”走向“解释结果”。

同样是80分，两个人的问题可能完全不同。

一个人可能阅读很好，但听力严重拖后腿；

另一个人四科都比较平均，但整体词汇和语言熟练度不足。

即使阅读错了同样数量的题，原因也可能不同。

有人是词汇问题；
有人是句子结构理解问题；
有人是推理问题；
有人则是时间分配问题。

所以真正有价值的不是简单地告诉学习者：你错了多少题。

而是进一步判断：这些错误组合在一起，意味着什么。

到了这里，AI的价值开始真正显现出来。

因为把大量分散的考试记录、错题、生词和作答情况转化成对学习者能力的判断，本身就是一个认知分析过程。

七、但“知道问题”仍然不等于能够提高成绩

做到能力诊断以后，系统看起来已经很完整了。

但继续往下想，又会发现还有一个巨大的缺口。

假设系统已经告诉我：

阅读某种题型比较弱；
听力信息提取存在问题；
词汇量需要加强；
写作某些结构不熟练。

然后呢？

如果诊断停在这里，它依然只是一个更高级的分析工具。

真正的备考最终一定要落到：明天开始，我究竟应该做什么？

所以又需要加入备考计划。

考试成绩、能力诊断、错题和生词都应该继续向下转化：

哪些错题需要复习；
哪些生词需要反复学习；
哪个题型需要专项练习；
四科的学习时间怎样安排；
当前阶段最重要的突破点是什么；
下一次模拟考试应该安排在什么时候；
到下一次考试时重点验证什么。

这样，“发现问题”才真正转化成“解决问题”。

八、这时候，一个完整的学习闭环才真正出现

回过头来看，这个网页已经经历了一个非常明显的变化过程。

最开始，它只是：

模拟考试。

后来增加成绩：

模拟考试 → 结果。

再后来加入错题、生词和能力分析：

模拟考试 → 记录 → 诊断。

再加入基础词库、个人生词表、错题复习和备考计划：

模拟考试 → 记录 → 诊断 → 学习 → 训练。

最后还要再次考试：

模拟考试 → 记录 → 诊断 → 学习 → 训练 → 再测试。

新的考试结果又会重新进入下一轮：

再记录 → 再诊断 → 再调整。

到了这里，我突然意识到：

我做的已经不是一个托福考试网页。

它实际上正在形成一个完整的循环：

测试 → 记录 → 诊断 → 学习 → 训练 → 再测试 → 根据结果继续调整

这已经是一套围绕“提高托福成绩”这个现实目标持续运行的学习能力系统。

九、更重要的是，能力并不来自单一主体

仔细分析这个系统，还会发现一个非常有意思的地方：

真正产生学习结果的，并不是其中任何一个单独主体。

1、人负责目标、感知和判断

是我决定要达到什么托福成绩。

是我在真正使用系统以后发现：

仅仅有考试不够；
只有总分不够；
生词需要留下来；
错题需要积累；
诊断以后还需要计划。

AI可以提出方案，但什么问题值得解决、结果是不是我真正需要的，最终仍然需要人判断。

同时，真正参加考试、完成学习和承担结果的也是人。

2、AI负责大量认知工作

AI可以理解新版托福考试结构；
生成和组织试题；
分析作答结果；
解释错题；
整理生词；
识别重复出现的问题；
判断薄弱环节；
提出训练建议；
根据能力情况形成备考计划。

这些过去往往需要教师、题库开发者、学习顾问、内容编辑甚至程序员分别完成的工作，现在可以被AI大量承接。

3、信息系统负责把能力稳定下来

网页扮演了信息系统的角色，承担的是另一种能力：

组织考试流程；
执行计时和考试规则；
记录每一次答案；
保存成绩；
保存错题；
保存生词；
管理基础词库；
保存历史数据；
把考试、分析、学习和训练连接起来。

AI可以每次重新回答一个问题。

但如果没有信息系统，很多东西仍然只是一次对话。

正是信息系统把这些能力固定下来，使它们可以反复运行和持续积累。

所以最终形成能力的，并不是人，也不是AI，更不是一个网页。

而是三者围绕同一个目标形成的分工和协作。

十、这让我重新理解了过去一直研究的“组织能力系统”

过去一段时间，我一直在研究企业AI转型。

其中一个核心判断是：

企业真正需要的，不是简单部署AI工具，而是围绕企业要持续解决的问题，把人的能力、AI能力和信息系统能力重新组合起来，形成组织能力系统。

比如一个企业想持续提升销售转化率。

真正需要建设的不是一个销售AI助手。

而是重新设计：

哪些事情由销售人员完成；
哪些分析交给AI；
哪些流程由信息系统执行；
客户信息如何沉淀；
销售经验怎样进入知识库；
结果怎样记录；
绩效怎样评价；
问题怎样反馈；
下一轮怎样继续改进。

过去我把这种结构称为：

组织能力系统。

因为我的研究对象一直是企业。

但做完这个托福备考系统以后，我突然产生了一个问题：

为什么一定要进入企业，才能形成这样的系统？

托福学习显然不是一个企业管理问题。

这里没有部门、没有组织架构、没有岗位体系、没有绩效制度、也没有公司治理。

但它同样存在目标、问题、任务、数据、知识、规则、人的判断、AI的认知、信息系统的执行、结果反馈、持续改进。

底层运行机制几乎完全一致。

这意味着：

组织能力系统之上还存在一个更普遍的概念。

我把它称为：

能力系统。

十一、什么是“能力系统”？

我现在倾向于这样定义它：

能力系统，是围绕现实中的某类问题或需求，结合人的感知与影响能力，AI的分析和洞察能力以及信息系统的协同和执行能力，形成能够持续完成同类任务、稳定产生预期结果，并根据结果反馈不断调整和进化的系统。

这里最重要的不是“人+AI+信息系统”同时出现。

三个东西放在一起，并不会自动形成能力系统。

真正关键的是几个条件：

必须围绕一个相对稳定的现实问题或目标；
必须能够把问题转化成可以持续执行的任务；
人、AI和信息系统之间需要形成分工；
任务执行以后需要产生可以观察的结果；
结果需要被记录下来；
系统能够根据结果重新发现问题；
最后还能继续调整下一轮行动。

所以我现在越来越倾向于用一句话区分两种完全不同的AI应用：

一次完成任务，是能力调用；持续解决一类问题，才可能形成能力系统。

问AI一次单词是什么意思，是能力调用。

让AI生成一篇文章，也是能力调用。

让AI临时分析一次考试成绩，仍然可能只是能力调用。

如果考试不断产生数据，数据进入错题集和生词表，AI继续完成诊断，诊断形成学习计划，系统继续组织训练，再通过下一次考试验证结果。

能力就已经开始被系统化。

十二、能力系统不是Agent，它们解决的是两个层次的问题

讲到这里，一个很自然的问题是：

这套能力系统，不就是现在大家都在讲的Agent吗？

答案是否定的。

Agent当然可以成为能力系统中非常重要的一部分，但两者解决的并不是同一个层次的问题。

如果简单概括：

Agent关注的是：AI怎样更自主地完成任务。

而能力系统关注的是：

围绕一个现实目标，怎样把一类问题持续解决好。

Agent相比传统的一问一答式AI，一个非常重要的变化，是AI可以围绕一个目标自行规划步骤、调用工具、执行任务，并根据中间结果继续决定下一步行动。

例如，在这套托福系统里，未来完全可以加入一个“托福备考Agent”。

它可以读取我的考试成绩、错题和生词；
分析我的薄弱环节；
自动生成下一阶段练习；
制定一周备考计划；
批改写作；
评价口语；
根据新的考试结果继续调整学习任务。

这样的Agent当然非常有价值。

但是，即使这些事情都实现了，Agent仍然不等于整个托福备考能力系统。

因为提高托福成绩并不是Agent自己可以完成的。

真正的学习者仍然要确定自己的目标，投入学习时间，完成练习，判断AI的建议是否合理，并最终走进考场承担考试结果。

信息系统也仍然不可缺少：

历次考试成绩需要保存；
错题需要长期积累；
生词需要持续更新；
学习计划需要记录执行情况；
历史结果需要比较；
下一次考试还需要继续产生新的数据。

如果这些东西每完成一次Agent任务就重新开始，那么Agent即使非常聪明，也没有形成一套真正能够持续运行的学习能力。

因此，两者最核心的区别在于：

	Agent	能力系统
核心问题	AI怎样自主完成任务	怎样持续解决一类现实问题
关注重点	任务规划、工具调用与执行	人、AI、信息系统的能力组合与持续运行
主要主体	AI	人、AI和信息系统
时间尺度	一次任务或一段连续任务	长期反复解决同一类问题
人的角色	用户、监督者或协作者	目标、判断、行动和责任主体
信息积累	可以拥有记忆	必须形成持续的数据和知识沉淀
最终结果	把任务完成	持续、稳定地产生预期结果并不断改进

所以更准确地说：

Agent是一种AI技术形态，能力系统是一种问题解决体系。

一个能力系统中可以没有严格意义上的Agent，只是在不同环节调用普通AI。

也可以拥有一个Agent。

还可以有多个Agent，分别负责出题、诊断、学习规划、写作批改和口语评价。

决定它是不是能力系统的，并不是拥有多少Agent，而是：

这些能力有没有围绕现实目标形成合理分工；
运行结果有没有沉淀；
问题能不能被重新发现；
下一轮行动能不能因此调整；
整个体系能不能越来越好地解决同一类问题。

所以，一个非常强大的Agent，如果每次执行完任务以后结果就散掉了，没有稳定的数据积累、反馈机制和人与系统之间的分工，它仍然可能只是一个非常强大的任务执行者。

反过来，一个并不复杂的AI系统，只要能够和人、信息系统共同形成稳定的：

测试 → 记录 → 诊断 → 决策 → 学习 → 训练 → 再测试

循环，它就可能形成真正的能力系统。

可以用一句更简单的话来区分：

Agent让AI能够更自主地干活，能力系统让人、AI和信息系统共同形成持续解决问题的能力。

这个区别放到企业里尤其重要。

今天很多企业开始部署各种Agent。

销售Agent、客服Agent、财务Agent、人力资源Agent、研发Agent……

但拥有越来越多Agent，并不意味着企业已经形成越来越强的组织能力。

真正决定组织能力的仍然是：

这些Agent究竟在解决什么业务问题；
它们和员工如何分工；
哪些决策必须由人承担；
数据怎样沉淀；
流程怎样衔接；
结果怎样评价；
问题如何反馈；
整个体系如何继续进化。

所以：

Agent可以成为能力系统非常重要的组成部分，但Agent本身不是能力系统。

就像一个优秀员工不是一个组织，一套优秀软件也不是一套管理体系。

真正值得建设的，始终是围绕现实问题，把不同能力组织起来以后形成的那个整体。

十三、能力系统进入企业，就成为组织能力系统

这样一来，我过去提出的组织能力系统，就可以被放进一个更大的理论框架中。

最底层是各种独立能力。

但无论这些单项能力多么强大，它们都还不等于最终的系统能力。

当人的能力、AI能力以及包括Agent在内的各种技术能力，与信息系统围绕现实问题形成稳定分工，并能够持续运行时，才形成：

能力系统。

而当能力系统进入企业，它就会面对一系列企业特有的问题：

战略、组织结构、部门、岗位、权责、流程、制度、绩效、分配、数据治理、信息系统、组织文化、公司治理。

于是，能力系统进入企业环境之后，就进一步表现为：

组织能力系统。

因此，组织能力系统不再是一个孤立的企业管理概念。

它其实是一个更普遍机制在企业环境中的具体表现。

这也意味着，企业AI转型真正需要关注的，不能只是“部署了多少AI”“上线了多少Agent”，而应该进一步追问：

这些技术能力究竟有没有被组织成企业能够持续解决问题、创造结果的组织能力？

十四、这样理解以后，很多AI应用都可以重新看一遍

如果这个判断成立，那么能力系统显然不只存在于托福学习和企业管理。

1、教育中可以形成能力系统。

学生、教师、AI和学习平台，可以围绕学习目标形成持续的教学、练习、评价和改进循环。

2、医疗中可以形成能力系统。

患者、医生、AI和医疗信息系统，可以围绕诊断、治疗和随访形成持续运行的诊疗体系。

3、科研中也可以形成能力系统。

科研人员、AI、数据库和实验系统，可以围绕科学问题形成文献研究、假设生成、实验、分析和验证循环。

4、个人知识工作同样如此。

一个人、AI、知识库和各种工作系统，可以围绕现实任务不断形成新的个人能力系统。

在这些场景中，Agent都可能成为越来越重要的组成部分。

但真正值得关注的并不是“这里有没有Agent”，而是：

这些能力最终有没有被组织成一套能够持续解决现实问题的系统。

所以AI时代真正值得关注的，可能并不只是：

AI越来越强。

而是：

AI让人类第一次可以用非常低的成本，把原本分散在人、专业知识和各种软件中的能力重新组合起来。

十五、AI正在改变的，也许是人类“形成能力”的方式

过去，一个人想获得某种能力，首先想到的通常是：

我要把这件事学会。

想开发软件，就学习编程。

想做数据分析，就学习统计。

想设计网页，就学习设计。

想准备托福，就买教材、背词汇、刷题、找老师。

这些事情今天当然依然重要。

但AI出现以后，我们开始拥有另一种形成能力的方式。

面对一个现实问题，我们可以不再只问：

我自己还需要学会什么？

还可以问：

为了持续解决这个问题，我应该怎样组织人的能力、AI能力和信息系统能力？

甚至还可以进一步问：

哪些任务值得交给Agent自主完成，哪些判断必须由人承担，哪些能力应该固化到信息系统里？

这是一种完全不同的思考方式。

我没有因为做出了托福模拟考试网页，就突然变成了专业程序员、托福教师、题库开发者和学习顾问。

但通过和AI协作，再借助信息系统把这些能力组合起来，我确实获得了一套过去并不拥有的、能够持续支持托福学习的能力。

所以，AI时代可能正在出现一种非常重要的新能力：

设计能力系统的能力。

未来人与人之间的重要差距，可能不仅在于谁拥有更多知识、掌握更多工具，甚至也不只在于谁更会使用Agent。

还可能在于：

谁更善于围绕现实问题，把人、AI、Agent和信息系统组织成一套真正有效的能力系统。

写在最后

我最初只是想准备一场托福考试。

于是做了一个模拟考试网页。

后来发现只有考试不够，于是加入成绩和能力分析。

发现错误不能消失，于是有了错题集。

发现生词不能每次重新遇到，于是有了个人生词表。

发现个人不会的词和托福普遍应该掌握的词不是一回事，于是又建立了基础词库。

发现知道问题仍然不能解决问题，于是继续形成训练建议和备考计划。

最后又必须通过新的模拟考试，验证前面的学习到底有没有产生效果。

一路做下来，我才发现：

真正形成的并不是一个功能越来越多的网页。

而是一套不断经历：

测试—记录—诊断—学习—训练—再测试

的能力系统。

这个小小的托福备考案例，也让我第一次跳出了企业的边界，重新理解了过去一直研究的组织能力系统。

也许更普遍的逻辑应该是：

面对现实问题，人可以把自己的能力、AI能力和信息系统能力重新组织起来，形成能够持续产生结果的能力系统。

Agent可以成为其中非常重要的一部分，但它并不是这个系统本身。

进入企业，能力系统成为组织能力系统。

进入教育，它可以成为学习能力系统。

进入科研、医疗和个人工作，也可以形成不同的能力系统。

所以AI真正改变的，可能不只是我们的工作效率，也不只是我们完成某项任务的方式。

它正在改变人类形成能力的方式。

本文地址： https://sjds.net/795591.html

文章来源：四季读书网