人民教育出版社
AI 应用产品经理

• 基础教育教材「国家队」：编研出版十二套全国通用中小学教材；2012 年起承担统编道德与法治（思想政治）、语文、历史三科教材——出版权不在市场手里，在它手里。
• 特教教材唯一承担者：国内唯一承担义务教育阶段盲校、聋校、培智学校教材编研出版的单位。「教育公平」是法定职责，不是口号。
• 澳门教材编写者：为澳门特别行政区学校编研出版品德与公民、历史、宪法教育等教材。

2020 年 11 月，习近平总书记给人教社老同志回信；2025 年 10 月获中国版权金奖推广运用奖（国内出版社唯一）。

对产品经理最有意义的两个数字：

• 1300 人编辑队伍 → 任何工具的内部用户规模都在千人量级，推广难度和学习成本是真问题；
• 9 万余种存量出版物 → 语料家底极厚，但权属和版次关系也极复杂。

另设课程教材研究所（1983）、人教研究院（2023，国家级出版智库）、国家教材建设重点研究基地、博士后科研工作站等高端平台。

黄强同时强调：「坚守教育伦理与育人初心」「通过建立算法评估机制，明确应用边界，确保技术向善」——这个组织对 AI 的态度是「用，但有边界」，产品方案必须同时回答能力与边界两个问题。

• 社本部：31 个编辑室是内容生产单位，也是 AI 审校工具的最终用户；
• 课程教材研究所：与社「一套机构、两块牌子」，学术支撑；
• 人教研究院（2023）：下设融合发展研究中心，「讲道理」的地方；
• 融合发展办公室：跨部门协调的抓手；
• 人教音数公司：2025 年 4 月完成重组落位，「1234 战略」——基础教育数智教材体系为核心；
• 人教教材中心：发行业务。

推断依据：JD 同时出现「出版社业务系统」（社本部口径）、「人工智能应用产品」「数据集加工平台」（音数公司能力范畴）三类对象。此条属推断，需在沟通中确认。

• 八大数字产品矩阵：人教云数驾驶舱一屏可见；
• 第三代数字教材：覆盖 20 余省（区、市），集教材、资源、工具、数据于一体；
• 信息科技数字教材：内嵌 AI 助教、AI 出题、AI 阅卷、AI 评价，2024 年 8 月上线，用户近 40 万；
• 技术路线：学科专属知识库 + 多模态 LLM + RAG / Graph RAG + 工作流编排智能体；
• 其他：人教轻松说（AI 口语）、AI 通识教育平台、人教云望大数据平台（4 款平台入选数博会创新案例）。

关键信号：全链条大数据平台的监测范围已覆盖「编审」环节——编校数据已经在被采集，做数据集的素材不是从零开始找，而是已经在系统里。

出版融合发展工程给的是真金白银：申报项目需要「生成式 AI 创新应用和落地场景」，而「数据集 + 审校平台」正是最容易讲清楚价值的申报题材。

这解释了为什么这个岗位现在招、且要求里带「数据集」。

工具市场扫描：方正星空（深度融入三审三校）、蜜度校对通（覆盖 12 种少数民族语言）、武汉数传 BOOKSGPT、中南智校（引文核查见长）、黑马校对（传统软件，误报多）、上海辞书「辞文」。

从这张表读出三件事：

1. 这条路已经有人走完——人教社不是探路，是补齐；
2. 工具市场已饱和，但都不够好——编辑「稿子要分别过三遍校对软件」，机会不在「再加一个检查器」，而在「合并、去重、分级、减负」；
3. 人教社场景比高教社更难——公式、图表、拼音、生字框、多栏版式，加上政治性与导向性要求。

由此得出：出版社的竞争壁垒不在模型，在数据。真正决定审校质量的是三类只有出版社才有的资产：

• 差错样本库：几十年审改记录 = 几十万条「错误—修正」配对 → 对应 SFT 数据
• 判定依据库：CY/T 266—2023、体例手册、术语规范 → 对应 RAG 知识库
• 学科知识库：知识点体系、引文出处、术语表 → 对应 评测集

这就是 JD 把数据集放在那么重位置的原因。

责任链：初审（责任编辑，把导向关/知识关/文字关）→ 复审（编辑室主任，解决初审问题）→ 终审（社长/总编辑，评价出版导向与政策符合性）；初校 → 二校 → 三校 → 通读。教材作为重点出版物通常还要增加校次。

两个关键约束：

1. 必须留痕：2021 年后三审三校留痕纳入年度核验——AI 工具必须能产出可归档记录，不能只有「检查完毕」的提示；
2. 责任分层，不能合并：AI 若试图「一次审完」，在制度上不成立——只能嵌在某一审级做辅助。

产品启示：任何工具都必须回答「嵌在哪一审、哪一校、留下什么痕迹」。答不出来，就是不懂业务。

差错计法（要点）：一般错字每处计 1；封一/扉页文字差错每处计 2；知识性/逻辑性/语法性差错每处计 2；标点误用每处计 0.1；图文不符每处计 2。

极能体现专业度的一点：AI 审校产品的成效必须能折算成「万字差错率」才能与现行质量管理体系对话。说「发现 327 处问题」编辑部无法判断价值；说「AI 初校后预计差错率从 0.8/10000 降至 0.3/10000」，这是业务语言。这个换算设计，应该在 PRD 的第一页。

产品设计最直接的切入点：先把三把尺子合并成一把，再谈准确率。

这张表回答的核心问题：AI 在审校里到底能做到什么程度——前两层可以高自动化，第四层只能提示，第五层永远不下结论。

对应的产品设计：高置信直接高亮、中置信折叠为「待确认」、低置信不进结果只做统计；导向性问题不提供批量处理入口。

注意第 4 条的措辞：「参与」「与项目组共同完成」——数据集工作不是一个人干，而是作为产品侧代表嵌入项目组。但「标注规范制定」和「质量抽检」明确落在岗位上，这恰恰是最专业、最难外包的部分。

组织位置的三种假设：① 社本部融合发展/数字化部门（重跨部门协调）；② 人教音数公司（重产品化与平台设计）；③ 新设 AI 专项组（重从 0 到 1）。需在沟通中确认：挂哪条线？团队新建还是已有？第一个落地场景是审校、问答还是数据集平台本身？

关键判断：第一季度的重点不是做东西，是搞清楚「做什么不做什么」。数据集项目最常见的死法是上来就大规模标注，标到一半发现标签体系错了，全部返工。

考核推断（四层）：交付层（按期交付率）→ 质量层（字段级准确率、召回与误报）→ 使用层（使用率、采纳率、核对时长）→ 价值层（复核工作量降幅、差错率改善）。建议以「建议采纳率 + 单篇核对时长」为核心——召回率是技术指标，采纳率才是决定工具会不会被弃用的业务指标。

1. 政治敏感度：任何关于 AI 的表述都不能暗示「AI 可以判断政治性问题」。合理定位是「AI 负责拦截与提示，判断权在人」。
2. 对「慢」的耐受度：出版社要走三审三校、要走审批、要留痕，互联网式「两周迭代一版」不适用——先把规范和数据打扎实，迭代节奏跟着业务走。
3. 不抢编辑的判断权：编辑是责任主体，产品经理只是工具提供方，产品定位不能是判断主体，也不介入任何一级审读。

关键洞察：20 万条审改记录价值最高，也最容易被误用。审改记录记的是「编辑把 A 改成了 B」，但没有记「这属于哪类差错、依据哪条标准、计几个差错」。直接喂给模型，学到的是编辑的修改习惯，不是差错判定规则。

正确做法：先做一轮标签化改造——给每条记录补上差错类型、判定依据、计错权重、是否「可改可不改」。这一步做不做，决定数据集是资产还是垃圾。

主要风险：8 万篇文档版次混乱、权属复杂、含未公开内容；题库与审校任务关联弱，需重新设计用途。

教材场景还要加一类：版式与多模态集。教材的差错很多不在文字层——图注与图不符、表格跨页错位、公式编号错乱、拼音标注错误、生字框位置错。这类数据必须保留版面结构（坐标、字号、字体、图文关系），不能用纯文本处理。这是人教社区别于一般出版社数据集的地方。

验收标准各异：语料集看干净度/覆盖度/权属；SFT 看字段级准确率与格式合规率；评测集看覆盖度、难度分布、不可污染；RAG 看召回率与引用准确率。

标注规范七块：① 任务定义与边界（正文/图注/拼音/生字框是否在范围内）；② 标签体系（一级对齐 CY/T 266，二级细化，含计错权重与 AI 可判性）；③ 判定规则（「同一错字每面计 1、全书最多计 4」这类细则必须写死）；④ 边界案例库（最值钱的部分，起步 50 条每月增补）；⑤ 输出格式（JSON Schema 约束，机器可校验）；⑥ 质检口径；⑦ 版本管理（规范不版本化，一致性一定崩）。

四维指标：准确性（字段级准确率 ≥95%）、一致性（关键字段 Kappa ≥0.8）、覆盖度（与真实业务分布偏差 ≤5pp）、健康度（返工率 ≤10%）。批次不合格整批返工，返工后抽检翻倍、加严检验。

最关键指标是字段级标注准确率，不是 IAA：数据集里 5% 错标，模型上线后基本就是同量级系统性错误，且很难通过后训练修复。IAA 是过程先行指标，用来提前一个月预警。

高阶动作：把数据集质检结果折算成「万字差错率」——「本批 10 万字样本，标注后残留差错 3 处，折算 0.3/10000」，编辑部立刻能懂，也能和成品书质检放在同一把尺子上。

• 素材接入：权属与密级是准入条件，不是附属信息；
• 解析流水线：可视化编排，每步可配参数、可复现、留快照；
• 标注工作台：必须显示原始版式——只给纯文本，标注员判不了「这里是不是错」；
• 质检与仲裁：仲裁结论一键回写规范；
• 版本与数据集卡：没有数据集卡的数据集不许出库；
• 权限与审计：教材数据外流是红线；
• 对接：数据集不是终点，是上游。

最容易做错的一件事：把标注工作台做成「通用标注工具」。出版社的标注员是编辑不是众包工人，他们的判断依赖版式、上下文、体例手册——必须在一个界面里同时看到原文版式、判定依据、相似历史案例。

做：确定性差错检查；术语/人名/图表编号一致性；引文注释核验；长文档摘要与定位；与三审三校留痕打通、输出可归档记录；单篇质量报告折算万字差错率。

不做：不做终审、不替代任何一级审校；不自动改稿、不提供「一键全采纳」；不对政治性/导向性问题下结论（只提示疑似）；不回答知识库以外的开放问题；不处理涉密稿与未公开教材（上传即拦截）；不承诺「零差错」，只承诺可量化的召回率与误报率。

产品定义前先回答三个问题：辅助谁（责编/校对/质检，三者容忍度不同）、辅助哪一步（初校扫错/二校查一致性/终校前兜底）、辅助到什么程度（只提示/给建议/允许一键采纳）。

1. 接入层：Word/WPS 插件（编辑在哪工作就在哪出现）+ 网页端（长文档批量）+ PDF 校样端（排版后多轮校对），三种形态缺一不可；
2. 解析层：版式还原、结构化切分、表格公式识别、页码段落坐标映射——解析不准，后面全错；
3. 审校引擎四条腿：规则引擎（确定性任务，快准便宜可解释）、模型审查（给建议不给判决）、知识检索（BM25+向量+重排混合检索）、外部校验（字典/引文/权威库）；
4. 证据与分级：每条建议四要素齐全——原文片段、精确位置、判定依据（标准条款或规则 ID）、置信度，缺一项不出；
5. 人机协同：建议态、采纳/驳回、修改留痕、导出校样、生成检查报告。

技术架构要点：私有化部署为主；小模型做路由分类、大模型做语义审查、领域微调模型做审校；审校走固定工作流（不用纯 ReAct）；长文档建「全文→章节→段落」三级索引防中间失忆；全链路日志可按人/文档/时间追溯。

评测集构建：按「业务线 × 文档类型 × 差错类型 × 难度」四维分层抽样；正例（测误报）与负例（注入差错测召回）配比约 4:6；规模：审校 500-1000 篇、问答 1000-2000 题。

注入式造错是关键方法：从干净文档出发，按差错类型体系人为注入已知差错（每类 100-200 例），形成「标准答案」，才能精确计算分类型召回率。

「拒答正确率」值得单独说：该说「不知道」时敢说不知道，比多答对一道题更能建立信任。出版社场景里，一个乱给建议的工具比没有工具更糟。

为什么一期收得这么窄？第一期只要让编辑觉得「这个东西很少瞎说」，后面才有第二期。反过来，一期就上全套功能、误报一堆，这个产品在社内就死了。

1. 真正的竞争对手不是人，是「黑马+方正+蜜度」三件套。编辑已在用三套软件，再加一套等于让他过四遍。第一版的价值主张不是「我查得更准」，而是「我把三套结果合并、去重、分级，你只看一份」——这是产品定位问题，不是技术问题。
2. 北极星指标不该是检出率，是「单篇核对时长」。检出 200 处错 50 处，不如检出 50 处全对。检出率是给评委看的，核对时长是给编辑用的——前者拿到验收，后者让产品活下去。
3. 天花板不是模型能力，是「责任不可外包」。任何试图提高自动化率的方案，在出版社的组织逻辑里都会被否掉——不是技术不行，是责任链不允许。第一原则是「永远给编辑留最终判断权」。

• 人教社官网《人教简介》及社长黄强专访（2025.12）
• 《以融合发展「新引擎」重塑教育出版生态》（中国新闻出版广电报，2026.1）——「四个发力」原文
• 《四轮驱动，构筑融合发展新高地》（中国新闻出版广电报，2026.5）——高教社数据
• 《人工智能时代出版企业生产范式、组织架构与商业模式创新》（中国出版，2025.12）——58 款大模型测试
• 《编辑使用 AI 编校工具实感体验》（中国作家网，2025.7）——编辑痛点
• 《图书质量管理规定》（新闻出版总署令第 26 号）· CY/T 266—2023《图书编校质量差错判定和计算方法》