拿到第一份申论批改报告时，我的心情很复杂。我的文章被“公考通CL-2”打分 72 分，批注细致到每一个段落的逻辑衔接，甚至指出了我第三段第二句的用词不够“公文风”。但同一个题目，同期的人类名师只给了我 65 分，理由很简单：“太像学生作文，缺乏机关意识。”
这次潜入三个月的AI考公冲刺班，是为了验证一个在2026年被反复讨论的问题：当国考报名人数与录用计划之比达到 86:1（据国家公务员局 2025 年度招录数据），且传统培训机构营收出现波动时，由大模型驱动的“AI老师”是否真的能替代那个拿着红笔的真人。
申论：它是完美的“要点机器”，但不懂“潜台词”
在申论学习阶段，公考通CL-2 的核心竞争力在于极其恐怖的检索和比对速度。它基于一个垂直的公考知识库，采用了类似于 RAG（检索增强生成）的架构，能瞬间将我的答案与 50 份标准答案进行语义对齐。
在一次关于“乡村振兴与数字化转型”的写作练习中，CL-2 在 3 秒内给出了批改意见：
- 要点覆盖率：85%（缺失“基层治理”相关表述）
- 逻辑链条：完整（现状 $ ightarrow$ 问题 $ ightarrow$ 对策）
- 语言规范性：中等（建议将“赶紧落实”改为“切实推进”）
这种批改体验非常像在用一个高级的 Checkbox。如果你追求的是“不漏点”，AI 是无敌的。但问题出在那些无法被量化的“政治敏感度”上。在处理一些具有微妙政策导向的题目时，AI 倾向于给出最安全、最平庸的“正确答案”，而人类教师能告诉你：这个时间点，考官更希望看到的是对某个新出台文件的具体解读，而不是泛泛而谈的理论。
这让我想起之前在《企业 RAG 反复引用旧资料，动态知识图谱怎么接》中讨论的知识漂移问题。公考政策更新极快，如果模型底层依赖的向量库没有实时更新版本化知识图谱，AI 很容易在引用 2024 年的旧政策来批改 2026 年的考题，导致考生在不知情的情况下被误导。
模拟面试：从“眼神监测”到“模版陷阱”
进入面试冲刺期，CL-2 升级到了多模态模式。我对着摄像头进行 15 分钟的模拟面试，AI 会实时监测我的语速、眼神漂移次数以及面部表情的稳定性。
AI 的点评非常数字化：“在回答第三题时，你的语速由 180 字/分上升至 220 字/分，伴随 3 次明显的眼神闪躲，建议在压力面试环节加强情绪管理。”
但这种数字化反馈存在一个巨大的陷阱：模版化。AI 倾向于奖励那些结构清晰、符合逻辑框架的回答。比如，当我采用“首先、其次、最后”这种标准结构时，AI 会给出高分。然而，在真实的面试场景中，考官往往厌恶这种过度模版化的回答，他们更看重的是一个真实的人在面对复杂问题时的思考路径。
对比同期的人类面试官，真人老师会直接打断我：“你这段话虽然逻辑通顺，但听起来像在背书，没有在解决实际问题。”这种关于“人味”的纠偏，是目前 CL-2 等模型最难以触达的深水区。这与《AI Agent 合同审查新标准：2026版司法辅助系统的准确率真相》中提到的逻辑相似——准确率（或结构正确率）并不等同于最终的业务有效性，可追溯的纠错链路和对非标场景的理解才是底线。
时政问答：AI 是百科全书，但不是“内部消息”
在时政积累环节，AI 展现了极强的信息聚合能力。只要输入一个关键词，它能迅速生成一份包含背景、现状、影响和对策的思维导图。对于绝大多数考生来说，这极大地降低了资料搜集的时间成本。
但一个有趣的现象是，当涉及到一些需要深度揣摩的“出题方向”时，AI 陷入了沉默。人类名师会通过分析近三年的出题趋势，推测今年可能会考哪个细分领域；而 AI 只能告诉你：“基于统计学，该领域在过去三年出现概率为 12%。”
这种能力差异本质上是“通用能力”与“领域洞察”的区别。就像《通通3.0上岗半年，教育辅导班用上了多少通用能力》中分析的那样，AI 可以处理认知和社交的通用部分，但在需要深刻理解制度性摩擦和潜规则的专业领域，它依然只是个高效的助理，而非决策者。
最终账单：值得付费吗？
三个月下来，这套 AI 冲刺班的费用大约是传统线下班的 1/4。我的最终模拟成绩提升明显，尤其是申论的要点覆盖率从 60% 提升到了 90%。
我的结论是：AI 考公班是极佳的“基础建设工具”，但不能作为“临门一脚”的依赖。
- 如果你处于起步阶段：极其推荐。用 AI 来批改海量练习、纠正基础语法、快速刷时政点，效率比找老师高出 10 倍。
- 如果你处于冲刺阶段：必须引入人类教师。你需要的是那种能告诉你“这里不要写，那里要写深”的直觉，以及在面试中如何像个公务员一样思考的潜意识引导。
在 2026 年的今天，AI 已经把公考培训中的“体力活”全部接管了。但考公的核心本质——对体制逻辑的深刻认同与精准模拟——依然是人类教师的最后堡垒。