企业官网建设流程全解析

生成式AI在教育资源生成中的应用探索

这两年我一直在带一个面向中小学的内容研究小组，主要工作是帮一线老师做课件、习题、教案这类教学资源。组里一直有个老问题：资源需求量大、周期短、质量要求还不低。上学期我们尝试把生成式AI正式拉进生产流程，从最初“拿ChatGPT写个填空题看看”，到后来搭出一套覆盖课件大纲、逐页文本、分层习题、视频脚本乃至多语言版本的教育资源生成管线，中间踩了很多坑，也沉淀了不少能直接用的方法论。

这篇文章想把我们这半年多的探索完整复盘一遍，重点是搞清楚三件事：生成式AI在的教育资源生成里到底能做什么、不能做什么；具体怎么设计提示词和工作流，才能稳定拿到“能用”而不是“能看”的结果；以及整个流程里哪些环节是必须由人死守的底线。如果你也是一线教研员、教育产品从业者，或者正在帮学校做内容中台，这篇文章应该能帮你省下不少试错成本。

还有一个背景值得先说清楚——很多教育从业者听到“AI生成内容”第一反应是抵触，觉得这东西就是投机取巧、制造一堆似懂非懂的废话。但我们的定位一直很明确：AI不是来替老师写教案的，它是来把老师从大量重复性劳动里解放出来的。真正决定内容质量上限的，仍然是人的教学经验和判断力。后面所有的方法和工具，都是围绕这个定位来展开的。

1. 为什么教育资源生成是生成式AI最适合的落地场景之一

在动手之前，先讲清楚我们判断“教育资源生成适合AI做”的逻辑。这不是拍脑袋，而是在对比了多个内容生产场景之后得出的结论。

1.1 教育资源的“高结构化”属性，天然契合大模型的生成方式

教学资源这个品类有一个显著特征：它的内在结构极其稳定。一份合格的教案，无论什么学科、什么年级，基本都逃不出教学目标、重难点、教学过程、板书设计、课后反思这几大块；一套试卷，总得遵循从易到难的坡度；一份课件的每一页，本质上就是在执行“引出问题—讲解概念—例题示范—课堂练习—小结归纳”这个循环。

这种高度定型化的结构，恰恰是大语言模型最擅长处理的模式。模型在训练阶段见过海量遵循同构结构的文本，所以当你把“目标读者是小学三年级学生”“知识点是分数的初步认识”“需要包含一个生活化导入场景”这些约束喂给它时，它生成出来的骨架大概率是合理的，至少不会跑偏到无法修改。相比之下，让AI去写一篇散文、一首诗，需要的是突破结构的创造力，那就不是它的强项了。

我们内部做过一个对比测试：同一套输入要求，让AI生成一份八年级物理《光的折射》教案，和让它写一篇以“光”为主题的散文。前者在结构完整性上几乎可以达到80分，后者则基本没法用。这个结果很能说明问题——教育资源的本质是“在限定结构里填充高质量内容”，这正好把大模型的长处发挥到了极致，又回避了它在开放创作上的短板。

1.2 师资产能矛盾：个性化教学需要的内容量，远超人工可承受范围

另一个现实因素是产能缺口。一个教研组每周要产出多少资源？如果按每科每周3份课件、2套分层练习、1份教案来算，一个6人教研组一周就是30多份高质量内容。关键是这些内容不能粗制滥造，每份都对应着一节真实的课、几十个真实的学生。

“分层教学”这个词提了很多年，但真正落地难在哪？不是理念问题，是产能问题——同一节课，你要为基础薄弱的学生准备补基础的铺垫性练习，给中等生准备巩固型题组，给学有余力的学生准备拓展性思考题。三份练习，题不能重复，难度要衔接，覆盖的知识点还要一致。纯靠老师手工出题，一周能出几套？我见过太多老师嘴上说着“分层”，实际上因为时间不够，最后全班共用一张卷子。

生成式AI在这里的价值是，它可以在几分钟内基于同一份知识点清单生成三套难度梯度不同的练习初稿。老师要做的不是从零开始出题，而是审题、删改、替换，把时间花在真正需要教学经验的判断上。

1.3 从“模板化”到“个性化”：AI内容生成的效率优势是数量级的

我们测过一组数据：一位有五年经验的老师，独立完成一份包含导入、概念讲解、两道例题、三道课堂练习的课件逐页文本，平均需要2到3小时；如果要求配齐教师讲解台词和互动提问，时间还要往上走。而同样的内容，用我们后来搭的AI工作流生成初稿，大约需要5到10分钟，剩下的1小时内完成审校和修改，就能达到可用的标准。

效率提升不是关键的，关键是这种效率让过去“想做但没时间做”的事情变成了可能。比如给同一个知识点生成多个生活化导入场景，让学生投票选最喜欢的一个；比如为一套单元测试生成AB两卷，实现“补考不补学”；比如把同一份讲义改写成适合不同学习风格学生阅读的版本——一个偏向文字逻辑，一个偏向图文节奏。这些事情过去太奢侈了，没有老师会用三个小时只为了出一个导入方案的备选。

2. 能做什么：从课件、习题到教案的一线能力清单

在正式跑通流程之前，我们花了不少时间摸清一个边界：生成式AI在教育资源生成里，到底哪些品类已经成熟到可以直接上产线，哪些还处在“能看不能用”的阶段。下面按实际可用度从高到低讲。

2.1 课件逐页文本生成：目前成熟度最高的品类

课件逐页文本，是AI在所有教育资源品类里表现最稳定的一个。原因不复杂：课件页面的信息密度低、结构清晰，每一页的职能单一，要么是提问，要么是讲解，要么是练习。模型不需要进行长程的逻辑推演，只需要在给定的框架里填充内容即可。

我们现在的常规做法是：先让AI生成完整的课件大纲，大纲确认无误后，再逐页生成详细文本。细到什么程度？每一页的主标题、副标题、正文要点、教师口播词、学生活动建议、预计用时，全部包含在内。这里的关键是“逐页生成”，而不是让AI一次输出一整个课件。因为一旦页面数量超过15页，模型很容易出现前后内容重复、逻辑跳跃、知识点遗漏的情况，需要你反复纠正，反而比人工做还慢。

以“分数的初步认识”这节课为例，我们给模型的输入是这样的指令：面向三年级学生，生成一份30分钟新授课的课件大纲，包含生活化导入、概念形成、折纸操作活动、基础练习、拓展思考五个环节，每个环节给出具体活动设计和预计用时，并且要求导入场景的素材来源避开“切蛋糕”这个经典套路。你可能想不到，光是“避开切蛋糕”这个约束，就让最终生成的内容质量明显上升了一个档次——因为模型太习惯用切蛋糕讲分数了，一旦禁止它这么做，它反而会从分铅笔、分彩纸、分贴纸这些场景里找到更贴近教室真实情境的素材。

2.2 习题与试卷生成：好用，但必须过“三关”

习题生成是我们使用频率第二高的场景。AI出题的速度确实惊人，一份包含10道选择题、6道填空题、4道解答题的单元测试，生成初稿只需要一两分钟。但别高兴太早，AI出的题要真正进课堂，必须过三关。

第一关是正确性审查。教育的特殊性在于，一道错题带来的负面效应是连锁的——学生会困惑，家长会质疑，教研组要花大量时间写情况说明。AI在生成数学题时偶尔会犯低级计算错误，在生成语文阅读理解题时可能给出和原文逻辑矛盾的标准答案。这一关没有任何捷径，只能由学科老师一道一道过。我们的经验是，让AI生成题目时带上详细的解答过程，老师核验解答过程比核验答案本身更高效，因为能直接发现是题目数字错了、条件缺失还是模型理解错了。

第二关是情境合理性审查。这个坑更隐蔽。AI经常会在应用题里生成不合常理的情境，比如“小明每分钟跑1000米”“超市进货1000个西瓜，上午卖出978个还剩22个”这类数据上没错但现实里离谱的题目。我们在提示词里加了一条硬性要求：“所有应用题的情境必须符合现实生活逻辑，数据设置必须考虑真实性”，并且每次生成后人工抽查一遍情境合理性。

第三关是难度校准。AI对“中等难度”的理解和一线老师不一致。我们实际测试过，让AI生成的“中等难度”选择题，在真实班级里测出来的正确率往往偏低——说明它眼中的中等，实际更接近中上难度。后来我们在提示词里加入了具体的参照系，比如“难度对标本市期末统考第12-15题的水平”“正确率预期控制在65%-75%之间”，效果才有明显改善。

2.3 教案与教学设计的辅助生成：材料齐备，决策还得靠人

教案生成这个场景比较微妙。AI写出来的教案，单看材料，信息量很全：教学目标、重难点、过程设计、板书、反思，一样不少，语言也规范。但用起来你会发现一个问题——它太“平”了。所有环节都在按部就班推进，缺少一个真正的好老师在教学设计里那种“这里的提问应该针对班级里哪三个可能答不上来的学生”的针对性。

所以我们对教案生成的定位是“辅助生成”，而不是“一键生成”。AI负责完成教案里确定性较高的部分，比如教学目标的规范表述、教学流程的骨架设计、板书结构规划；老师负责核心的教学决策，比如重难点的确定、课堂提问的设计、学生可能出现错误的前置预判。

实际操作中我是这么用的：把自己手写的一份教案作为示例喂给AI，让它模仿我的结构和风格生成另一节课的教案初稿。这样一来，生成出来的教案带着我的教学理念和话语习惯，后续修改量会大幅降低。这是一个很实用的小技巧——给AI一个范本，比给它一百条抽象的指令都管用。

2.4 视频脚本与多语言教育资源：探索中的高价值方向

这两个方向我们还在探索中，但从已有的尝试来看，潜力很大。

视频脚本方面，我们主要用AI生成微课视频的逐字稿和分镜头描述。流程是：先确定知识点和目标学生——让AI生成教学逻辑链条——逐步细化成画面描述和解说词——配上简单的镜头调度建议。这个流程跑通之后，我们把一套原本需要聘请外部团队制作的3分钟微课，从提案到成片的时间压缩了一半，而且脚本质量并不差。关键在于，成片质量大部分取决于你给模型的脚本提示是否足够细：学习目标、学生已知什么、未知什么、画面风格、真人出镜还是纯动画，这些约束条件缺一不可。

多语言资源生成就更有想象力了。我们尝试过将一套中文的数学练习生成英文版、西班牙文版，AI在翻译的同时还能保留数学符号和题目的结构，准确率相当高。这个方向对那些有双语教学需求或者接收随迁子女、外籍学生的学校来说，价值是实打实的——过去找人翻译一套试卷，少则三五天多则一周，现在AI初译加教师润色，半天能完成。当然，语言类内容必须请双语老师做最终校对，AI的翻译也会在文化表达上有“不够地道”的问题，但这个成本比从零翻译低太多了。

3. 怎么用才靠谱：我自己在用的提示词模板与工作流

光说“能做什么”不够，关键是怎么在实操层面稳定地得到高质量结果。这一节把我们内部沉淀的提示词框架和生产工作流完整分享出来，这套方法我们迭代了十几版，目前稳定用了两个多月。

3.1 一个核心认知：教育资源生成提示词不是“写作文”，是“下需求单”

很多人让AI生成教育资源，提示词就是一句“帮我出一份分数的教案”，然后得到一份平庸甚至错误百出的结果，就得出“AI不行”的结论。问题根本不在AI，在于你给它下的需求单信息量太少了。

做个类比你就明白了。你去找一位资深编辑约稿，只说一句“帮我写篇文章”，他大概率会疯掉。你得告诉他给谁看、什么刊物、什么篇幅、什么风格、有什么素材、哪些不能写。提示词的本质就是需求单，信息越充分，交付物越贴合你的需要。

我们经过多轮迭代，总结出一套针对教育资源生成的五层提示词框架：

1. 角色设定：明确内容服务对象与输出视角，比如“你是一位有8年小学数学教学经验、熟悉新课标的一线教师”。
2. 任务目标：说明要生成的资源类型、用途、使用场景，比如“为小学三年级学生设计一份课上10分钟的分层练习，用于分数的初步认识巩固环节”。
3. 内容约束：给出必须包含的知识点、必须避开的素材、必须达到的难度参照、必须遵循的结构规范。
4. 输出格式：规定输出的结构、字段、体例，如包含解析、难度标识、预估用时等。
5. 反例提示：明确告诉模型“不要做什么”，用否定句来锚定边界，比如“不要出现超过分子分母均为一位数的分数”“不要在应用题中使用不切实际的数量”。

这五层不必每次都备齐，但内容约束和输出格式是底线，缺了这两个，生成结果大概率要返工。

3.2 一个可直接复用的习题生成提示词模板

下面这个模板是我们使用频率最高的，直接脱敏后分享出来。以“生成一份小数加减法分层练习”为例：

你是“出题助手”，一位熟悉义务教育数学课程标准的资深教研员。学生的年级为四年级，已经掌握小数的意义及整数加减法。 请生成一份“小数加减法”分层练习，共12题，分成三组各4题。 第一组（基础巩固）：直接计算，数字控制在1位小数，不涉及进位退位； 第二组（综合应用）：包含进位退位，数字控制在2位小数，搭配一道简单情境应用题； 第三组（拓展提高）：数字为2位小数，两道多步混合运算，搭配一道需要学生自行整理信息的应用题。 要求： 1. 所有数据必须符合现实生活情境，物品单价、距离、时间等要合理； 2. 每题必须附带完整解析和最终答案； 3. 难度参数：第一组预期正确率90%，第二组预期正确率75%，第三组预期正确率60%； 4. 不出现负数结果，不出现3位小数，不出现“小明”“小红”这类过于抽象的人名，请使用真实生活角色如“食堂阿姨”“快递员”； 5. 输出格式为Markdown表格，包含题号、题型、题目、解析、答案、所属组别。 直接生成，不要额外说明。

这个模板里最关键的是三个设计：难度预期正确率给了模型一个可量化的参照系；“情境要符合现实”这个约束大幅减少了离谱题目的出现；输出格式锁定为表格，方便直接复制进文档排版。

实际跑下来的效果是，12题中通常有10到11题可以直接用，1到2题需要微调数据或表述。这在生产层面已经非常理想了——过去出一个题组的场景可以完全依赖AI做初稿了。

3.3 生产工作流：六步走，从需求到成品

有了好用的提示词，还得有严谨的工作流。我们内部总结了一套六步法，目前经受住了高密度的实际使用考验：

第一步，需求拆解。把“帮我想一套年月日单元的复习资料”这类模糊需求，拆成“复习课件一份（20页以内）、分层练习三套（每套8题）、课堂活动方案一个（15分钟内）”。拆解的标准是：每个需求都要对应一个明确的使用场景和时间窗口。

第二步，资料准备。把课程标准相关表述、教材目录页、你手头已有的一份样例文件准备好。这些资料在后续生成中作为上下文输入，效果远好于让AI凭空想象“某教材”的体系。值得一提的教训：不要让AI生成它没有依据的教材体系判断，它很自信但也可能张冠李戴。

第三步，初稿生成。严格使用五层提示词框架，按资源类型逐一生成。一次只生成一个资源，不要试图让AI同时输出课件加练习加教案——内容越长，模型越容易在中间部分犯错，前后质量不一致是常态。

第四步，结构化审校。这是最关键的环节。审校不要通篇从头读到尾，而是按结构逐块检查：先核对知识点覆盖是否完整，再核对每个知识点的表述是否准确，最后核对题目解答过程是否正确。我们的经验是，一次只带着一个目标审校，效率最高。

第五步，定向修订。把审校发现的问题集中起来，按类别一次性回传给模型，让它生成修订版。这里有个很实用的技巧：不要用一句“这里不对请修改”，要明确指出“第二组第3题的数据设定不合理，一个4年级学生单次购买文具金额应为个位数级别，请替换情境并重新生成数据”。模型对具体指令的响应准确度远高于模糊指令。

第六步，入库与复用。修订后的终稿按学科、章节、资源类型、难度、使用时间五维标签入库。同类知识点再次需要资源时，从库里抽取历史样例作为参考，能显著提升后续生成的一致性。

这六步法的核心逻辑是：AI负责效率，人负责质量。每一步都有人的参与，但人的精力被集中在价值密度最高的判断环节。

4. 翻过车才知道的边界：错误、幻觉与不可用内容

探索的过程不可能一路顺风。这一节专门讲那些我们踩过的坑，这些坑几乎每个做教育内容的人都会遇到，提前知道能帮你省下至少一个月的试错时间。

4.1 学科硬错误的隐蔽性远比预想的高

AI生成内容最危险的错误不是那种一眼就能看出来的，而是看似合理、实则错误的“精致错误”。我们遇到过最典型的一个案例：让AI生成一份“认识钟表”的练习，其中一道题是“时针指向3和4之间，分针指向6，请写出时间”，AI给出的答案是“3时30分”，从钟表规则来看这没问题，但它的解析部分写的是“因为分针指向6，所以是3时半”，这个解析逻辑跳过了时针位置判定这个核心知识点——学生照这个学，同样三个选项换个指针位置就答不对了。

这类错误的共性是：答案是对的，过程是错的。对于教育资源来说，过程错误比答案错误更可怕。我们后来在审校环节专门增加了一道人肉步骤——不仅要看答案，还要逐条审读解析的思维链条是否完整。

另一个高频错误是知识点越界。AI喜欢在用小学知识点出题时，不自觉地引入更高年级的方法。有一道我们抽查发现的“简便运算”题，AI给的参考答案用到了乘法分配律的反向应用，而这恰是教材中下一学期的内容。这种“超纲”不是难了那么简单，而是会打乱教师的教学节奏。

我们的规避方案是：在提示词里明确声明知识边界，并且每次都要求模型注明“本题考察的知识点依据”。更重要的是，审校老师必须拿着教材目录比对，不能只凭经验判断。

4.2 情境失真：AI对“合理”的理解和现实有偏差

情境失真可能是AI生成教育资源里最难解决的问题，没有之一。这不是提示词能完全解决的，因为它根植于模型的训练数据规律——AI倾向于把数据凑得整齐，而现实世界恰恰不整齐。

举几个我们实际遇到的例子。一道练习要求“计算一个长方形花坛的周长”，AI设置的长和宽分别是“8米”和“5米”，数字完全正确，但现实中花坛的长宽比通常没有这么“标准”，让学生感受到的花坛更像一个教室而不是真实场景。一个更有意思的案例是，AI生成了一道关于“图书馆借书”的统计题，数据是“上午借出123本，下午比上午少借出34本，问上午和下午共借出多少本”，数字本身没毛病，但真实的班级里，学生可能更熟悉的是“班级图书角”而不是“图书馆”。

判断情境是否失真的一个笨办法是：把自己代入题目，想象这个场景在你的教室里是否会发生、你的学生是否有经验基础。如果答案是模糊的，就果断要求模型换一个更具现实感的情境。

我们后来甚至建立了一个“情境禁用清单”：禁止AI生成以“商店买文具”“游乐场游玩”“运动会”为主场景的数学题，因为这类场景已经被模型用滥了，学生会产生“出题套路疲劳”，反而影响练习的真实性。

4.3 版权与数据合规：AI生成教育资源的灰色地带

这一条必须认真对待，因为教育资源的使用有明确的版权和数据合规要求。先说结论：AI生成的教育资源，版权归属本身存在争议，不同国家和地区的法律尚未统一，但这不意味着你可以完全无视规则。

我们用AI生成内容时，坚持三条内部纪律：

第一，不向AI输入未授权的受版权保护的正式出版物。比如教材原文片段、某知名教辅的经典例题，除非我们确认了其合理使用范围，否则宁可自己改写，也不整段输入。

第二，生成结果的署名和披露。凡是发给学生的AI辅助生成资料，统一在页脚标注“本资料由AI辅助生成，人工审核修订”，这既是对一线教师负责，也是一个行业惯例的自我保护。

第三，批量生成内容版权归属需额外确认。如果是对外发布的付费课程包，我们会在交付合同中明确AI辅助生成的成分和人工审核的比例，避免后续版权纠纷。

这些规则不是法务的人搬出来吓唬你的，而是每一个做教育内容的人都要有的基本职业素养。AI降低了内容生产的门槛，但责任没有降低，反而更需要谨慎。

4.4 生成质量的随机性：同一提示词，结果不一定稳定

这是最后一条，但实际使用中烦恼指数最高。大模型生成有随机性，即使提示词完全一样，两次生成的结果也可能有明显差异。第一次生成的内容质量不错，第二次却出现了低级错误，这种情况我们见得太多了。

应对随机性，我们有三个办法。第一，设置较低的温度参数，降低创造性发散，提高输出的可预期性。第二，对同一需求生成两个以上版本，从中挑选最优，而不是用一次生成的结果。第三，把生成结果纳入质量抽检，每周固定抽检一定比例的历史生成内容，持续性监控质量波动。

话说到这，我必须强调，虽然有这么多边界和坑，我依然认为生成式AI在教育资源生成里的前景是扎实的。认识边界的意义，在于未来能让AI做更多事情的自由。一个人人都捧着AI直接出题而无人把关的时代，那才是灾难。

5. 人机分工：教育资源生产线的角色重配

最后聊聊整个探索项目最终沉淀下来的东西——一套清晰的人机分工架构。这是最值得你拿回去直接用的部分。

5.1 生产线上，AI和人的角色定位

我们把教育资源的全流程分解之后，给AI和教师分别分了工。

AI负责四种角色：

一是素材员。负责从知识库里找素材，以出题、检索、整理为主，它的产出是半成品，不是终稿。

二是起草员。负责根据给定的结构和要求，生成资源的初稿，让老师面对“一份待修改的完整稿子”而不是“一张空白纸”。初稿的意义是降低启动成本——对大多数老师来说，改东西比写东西容易得多，心理学上这叫“启动效应”。

三是扩展器。负责把一个资源扩展到多个版本。一套基础练习，扩展到变式练习；一份中文讲义，扩展到多语言版本；一份课堂讲解文本，扩展成微课脚本。扩展是AI性价比最高的动作，因为它本质上是在做模式匹配和变体生成。

四是质检辅助。AI可以用规则的方式帮助做二次核验，比如自动检查题目的数值是否在设定区间、解析是否完整、格式是否符合规范。但要注意，这个角色的可靠性是有限度的——它能做的是格式与字段层面的检查，做不了语义与教学逻辑层面的判断。

人负责另外三种角色：

一是决策者。教学目标怎么定、用什么导入方式、哪些内容必须删去、哪些内容要补充，这些是教学决策，必须由教师拍板。

二是审定者。所有AI生成的内容，最终都要经过学科老师的人工审校。这是不可外包的底线，我们内部的规矩是：未经验收的内容一律不得进入课堂，验收记录留档可查。

三是创作者。真正有创意的部分，比如一节课的核心活动设计、一个跨学科的项目式学习方案、一次基于学生真实困惑的课堂讨论设计，这些仍然应该由教师亲手完成。AI可以帮忙推动思路，但灵感的源头还是人。

5.2 一个完整的质量控制清单

为了让这套分工落地，我们把审校环节做成了可勾选的清单，所有参与审校的老师按清单逐项过手：

• 知识点覆盖：是否覆盖需求中列出的全部知识点，有无遗漏
• 知识准确性：概念表述是否准确，有无模糊、有歧义的表述
• 解析链条：答案正确的前提下，解析是否完整、是否符合当前年级认知水平
• 难度匹配：题目是否符合设定难度，有无过度超纲或过于简单
• 情境真实性：题目情境在真实课堂和生活中是否站得住脚
• 数据合理性：题目中出现的数值是否符合现实逻辑
• 语言规范性：措辞是否清晰、无歧义，是否有不适合学生年龄的用词
• 格式完整性：是否满足预设的结构和字段要求
• 交叉验证：抽样题目由第二位老师独立解答，比对答案

这套清单执行下来，可以确定的是，任何老师只要严格走这个流程，产出内容质量的下限是有保障的。有了下限保障，再谈效率提升才有意义。

5.3 对“生成式AI+教育资源”的后续想象

项目进行到这里，只是迈出了第一步。我自己最关注的两个延伸方向，一个是跨资源联动——同一知识点的课件、练习、微课脚本、课堂活动方案由AI统一生成并互相引用，而不是像现在这样各个资源类型独立产出。另一个是智能适配学习数据——当课堂练习的完成数据回传之后，AI根据学生的错误模式自动生成下一轮的个性化补救练习。

这两个方向现在还只是雏形。但经过这一个学期的摸爬滚打，我最深的体会是：教育这个行业不会被AI取代，但被AI辅助过的教育者，一定会比那些拒绝使用AI的人拥有更多的可能性。我不担心AI越来越强，我只担心教育工作者在理念和工具上都掉队。

如果你正准备在自己所在的教研组引入生成式AI，我的建议很简单：找一份最常用、最让你头疼的资源类型开始，按本文的提示词框架和工作流跑通一版，然后让学科组的同事们一起审校、打分、迭代。不要追求一步到位，教育资源的演进从来都是小步快跑。跑通了第一个品类的生产流水线，后面的路自然就清晰了。