自适应学习 AI · 合规培训
两名员工完成同一门 AML 再认证模块，LMS 却显示两个一模一样的绿色勾选。Attest 用真实的知识追踪模型读取每位学员的原始交互流，只对它能证明的概念予以认证，交给你的是一份经签名的能力证书，而不是一个勾选。
51.9%
队列课时时长降幅
模拟 500 名学员队列，实时计算
0.83 AUC
留出集 SAKT 模型质量
我们的种子合成 KT 基准
0 of 18
针对用 AI 刷课学员的认证结果
能力关卡，实时应用输出
这是可运行的演示，不是部署。队列与交互日志均为合成数据，本页每一个数字都由正在运行的应用计算得出。
绿色勾选只说明员工看过视频。它并不能说明他们学会了。
SCORM 报告「已完成」。审计人员要的是掌握证据。一位已经掌握材料的资深 BSA 分析师，和一位存在真实缺口的入职六个月的分行经理，坐过同一门 4 小时 AML 课程，拿到同一个勾选。记录无法区分他们，因为它从来没有在测量任何一个人真正知道什么。
把自己标榜为「自适应」的现有厂商，大多跑的是协同过滤（「像你这样的人接下来学了课程 X」），而不是概念级知识追踪（「你尚未掌握概念 Y」）。而员工越来越多地用 AI 助手轻松刷过模块，于是完成记录写着「已培训」，学习却从未真正落地。
在受监管的工作中，这一缺口是审计人员可以定价的责任。美国企业培训每年支出约 $102.8B，约合每位学员 $874（Training Magazine, 2025），其中很大一部分买到的是完成记录，而非能力证明。当培训缺口会带来监管后果时——在 AML 与 BSA 再认证中，或在 2026 年 8 月 2 日开始施行的欧盟 AI 法案第 4 条基于角色的 AI 素养规则下——绿色勾选恰恰是最不该带去的证据。
四个阶段把一门扁平课程变成按概念的掌握，以及一份经签名的证书。LLM 负责阅读；确定性代码作出每一个真正要紧的决定。
它把一门扁平的「AML 培训」课程分解为 18 个概念的分类体系（客户尽职调查、SAR 叙述质量、结构化交易检测、TBML 高开与低开发票、OFAC 制裁筛查等），并把每节课标到对应概念。内容标注被该领域称为自适应学习项目失败的头号原因，而这一步被自动化了。该智能体基于 Pydantic AI 构建，可在 Anthropic、OpenAI、Gemini 和 Ollama 之间切换提供商，默认 claude-opus-4-8，并带有缓存分类体系的离线回退，因此演示无需 API 密钥即可运行。
核心是一个真实的自注意力知识追踪 Transformer：119,809 个参数，PyTorch，约 90 秒在 CPU 上训练并随后缓存。它回放每位学员的交互序列，并在完整历史条件下推断每个概念的掌握概率。它不是 LLM，也不是智能体。它是持久的机器学习核心，使这成为真正的知识追踪，而不是一本成绩册。
纯 Python，循环中没有模型。对每个概念，掌握概率达到或高于 0.67 则路由到跳过并核验，0.38 到 0.67 路由到心流，低于 0.38 路由到支架。排序器计算自适应与扁平课时时长以及队列 ROI。切分点由标注队列交叉验证拟合，并由严格优于手工设定回退的 5 折 A/B 支撑，而不是手工调出来的魔法数字。
这是治理，不是个性化。关卡仅在掌握度至少为 0.747、证据充分（至少 3 次交互）、且响应模式无异常时，才认证一个概念。否则它将该概念标为「待核证」，并发出核验挑战。它从不在薄弱或异常证据上认证。
产出是一份经签名的能力证书（HMAC-SHA256）：按概念的掌握、证据轨迹、模型名称、版本与基准 AUC、所应用的 Flow-Zone 阈值、自适应与扁平课时时长、监管映射，以及一份诚实局限页脚。这是你交给监管者的东西，而不是一个勾选。贯穿始终的原则：我们认证所能证明的，从不虚张声势出一个绿色勾选。
下方每一个数字都是运行中的应用对合成学员的真实输出。
资深 BSA 分析师 （任职 8 年）几乎处处显示绿色，仅在贸易型洗钱和一个 SAR 红旗概念上偏弱。Attest 认证 16 of 18 个概念，将 2 个路由到待核证，且不将证据标为异常。课时时长从扁平的 240 分钟降至自适应的 47.3 分钟，节省 80.3%。这是「已经知道大部分，跳过已证明的」案例。
新任分行经理 （调岗后 6 个月）在 SAR 叙述和 TBML 上存在真实缺口。模型推断若干概念掌握度低，将其路由到心流或支架而非跳过。Attest 认证 10 of 18 个概念，将 8 个路由到待核证，课时时长从 240 分钟减至 146.7 分钟，节省 38.9%。认证的概念少于分析师，因为这名学员确实需要培训。节省跟随掌握度，而不是一刀切折扣。
运营助理 是困难案例。这名学员在 18 个互不相关的概念上答得又快又完美，响应时间分布与真实回忆不一致。表面掌握度看起来很高，但能力关卡标记了证据，认证 0 of 18。全部 18 个路由到待核证，证据被标为已标记，课时时长在核验完成前不予计入。我们把这视为价值，而不是「抓包」：我们只认证所能证明的。
在一个真正模拟的 500 人年度再认证队列上，按每小时 $75 的全负载工资，Attest 计算出约 51.9% 的队列课时时长降幅（2,000 扁平小时降至约 962 自适应小时，约回收 1,038 小时），本模块约回收 $77,872，按典型 20 小时合规项目年化约 $389,362。美元数字由模型输出计算得出，年化数字在屏幕上标注为推算。
留出集 AUC 为 0.8315，测于一份固定种子、可复现的合成 PFA 生成 KT 语料（2,000 训练与 500 测试学生，18 个概念，12 个 epoch），下一步准确率为 0.771。因为数据生成过程（表现因素分析，一种经典逻辑学员模型）与我们训练的 Transformer 属于不同模型族，留出集 AUC 表明 SAKT 恢复了真实的潜在学习结构，而不是在给自己的假设打分。作为外部对照，已发表的 SAKT 在公开 ASSISTments 数据集上的 AUC 约为 0.80（Pandey & Karypis, 2019）。持久的头条数字仍是节省的课时时长百分比和自动认证百分比，它们在任何模型质量下都成立。AUC 证明模型是真正的知识追踪，而不是产品的头条数字。
完成追踪与推荐引擎都让审计人员空手而归。知识追踪加上治理则不会。
| 方法 | 它测量什么 | 你可以交给审计人员什么 |
|---|---|---|
| SCORM / LMS 完成 | 学员是否打开并学完了内容 | 一个绿色勾选，没有任何掌握证据 |
| 经由协同过滤的「自适应」 | 类似学员接下来学了或做了什么 | 一门课程推荐，仍然没有概念级证明 |
| Attest（知识追踪加治理） | 从每位学员的交互推断的按概念掌握 | 一份带完整证据轨迹的经签名能力证书 |
以一个具名市场例子而言，Cornerstone 2026 年 3 月的「Adaptive Learning Agent」使用协同过滤，而不是概念级知识追踪（Cornerstone product announcement, March 2026）。区别就是全部要点：推荐不是掌握估计，而这两者都不是审计工件。
大多数被标榜为自适应的工具跑的是协同过滤：它们推荐类似学员接下来学了什么。那是推荐引擎，不是知识追踪。Attest 使用真实的自注意力知识追踪 Transformer（SAKT），从每位学员自己的交互历史推断每个概念的掌握概率。Cornerstone 2026 年 3 月的 Adaptive Learning Agent，作为一个具名例子，使用协同过滤而不是概念级追踪（Cornerstone product announcement, March 2026）。
这正是能力关卡所针对的案例。在演示中，一名在 18 个互不相关的概念上答得又快又完美的学员触发异常规则，关卡认证 0 of 18，把每个概念路由到待核证并扣留课时时长。关卡仅在掌握度、证据充分性和响应模式检查全部通过时才认证，因此难以置信的快速完美被拒绝，而不是被奖励。
一份经签名的能力证书，不是一个勾选。它列出每个概念的掌握概率以及认证或待核证状态、产生每次估计的交互与时间戳的证据轨迹、模型名称、版本与基准 AUC、所应用的 Flow-Zone 阈值、自适应与扁平课时时长、监管映射，以及一份诚实局限页脚，全部处于 HMAC-SHA256 签名之下。
不会。Attest 是一层智能层，读取你的 LMS 已经产生的交互流，而不是一个新的 LMS。在本演示中，LMS 以及 Cornerstone-REST 和 SAP-BTP 连接器是模拟桩，生产构建将连接到你真实的记录系统。你的 LMS 继续记录完成，而 Attest 补上概念级掌握和证书。
它是在合成的 500 人再认证队列上实时计算的，并非在真实客户上测得。Attest 把每位模拟学员的交互历史跑过 SAKT 模型和 Flow-Zone 排序器，并报告约 51.9% 的合计降幅、回收小时数，以及带标注的年化推算。独立锚定的主张是模型质量（AUC 0.83），而不是美元数字。
不是。留出集 AUC 0.8315 是在我们自己固定种子、可复现的合成 PFA 生成 KT 语料上测得的，不是公开基准。之所以重要，是因为语料由与我们训练的 Transformer 不同的模型族（PFA 逻辑模型）生成，因此高留出集 AUC 表明模型恢复了真实学习结构。已发表的 SAKT 在公开 ASSISTments 数据集上的结果约为 0.80（Pandey & Karypis, 2019），仅作为外部对照引用。
面向负责强制再认证的首席学习官、L&D 总监和合规负责人。
如果你的团队正在权衡如何为一套受监管的培训项目证明掌握，而不仅仅是完成，我们希望对照一下这需要什么。这个问题是全行业的，答案也将如此。