Philip Guo:让 Python Tutor 长久存续的细节

原标题Philip Guo: The Small Choices That Kept Python Tutor Alive

一款免费代码可视化工具凭借即开即用、专注目标和多年细致维护,吸引了近 3000 万人。

PGPhilip Guo讲者 · UC San Diego
频道
Stanford Online
发布
2026年11月20日
视频
1:00:02
阅读
12 分钟
原文
英语
在 YouTube 打开
往下滚动阅读时,视频会缩到右下角继续播放。字幕跟随阅读语言。
阅读语言共 2 种语言可读
由 AI 从英语原文翻译。打开“对照原文”可以逐段核对。
摘要

30 秒看懂

Python Tutor 从研究生时期四天完成的原型,成长为累计用户接近 3000 万的工具,背后没有公司或营销团队。创作者 Philip Guo 认为,浏览器即开即用、例子便于分享,以及多年修复小缺陷,是它得以发展的原因。为了保持专注,他拒绝了账户、评分和完整开发环境等功能。随着 AI 改变人们编写代码的方式、月活用户下降,他更加关注教师,同时思考编程基础知识的传统辩护能否经受颠覆。

  1. 1代码图示让不可见的过程变得可见Python Tutor 在代码运行时画出变量和对象的变化。例如,它展示了为什么通过 Y 修改列表,会改变之后通过 X 打印的值。
  2. 2早期可视化工具常随研究项目结束而消失Guo 发现,类似系统已有很长的历史,但许多只是短期学术原型。他基于浏览器的业余项目则围绕即刻使用设计,而非发表一个新系统。
  3. 3无须安装或注册帮助例子传播学生可以立即打开链接并运行图示,教师则能在课程中分享和嵌入它们。一家中国面试准备网站嵌入了这个工具,带来大量流量。
  4. 4细小的错误报告积累成可靠性Guo 说,关注细节,包括用户认为不值得报告的小问题,让工具逐渐能够处理复杂例子。
  5. 5专注的使命意味着拒绝整类产品功能支持更多语言、改进可视化符合解释代码的目标;账户、评分、完整开发环境和课程则不符合。
  6. 6月使用量下降改变了成功的衡量方式Guo 无法把全部下降归因于 AI。他正更加关注教师的长期使用,并将中小学教育视为机会。
  7. 7AI 同时挑战工具和创作者的假设Guo 认为,学生仍需要理解并调试 AI 写的代码,但也意识到这种为基础知识辩护的说法可能是既有参与者的本能反应。

要点建议

  1. 教育工具要方便人们立即尝试和分享,可以减少安装和登录门槛。
  2. 明确而专注的使命有助于项目增长时判断哪些请求应当拒绝。
  3. Guo 认为,长期修复用户报告的小问题,让 Python Tutor 更可靠。
  4. 除了用户数量,也可以衡量教师使用工具的深入程度。
  5. Guo 认为,即使代码由 AI 编写,理解代码仍然重要;他也承认这可能是既有参与者的假设。
全文

按章节阅读整理后的全文

只看原始文稿
01

为什么代码需要可视化解释

一个简短例子展示了学生为何难以推断代码如何改变数据。Python Tutor 在程序执行时画出这些变化。

我在 2006 年来到 Stanford 读研究生,当时对人机交互知之甚少,也坐在台下听这些研讨会。如今 Python Tutor 有一张实时地图,展示不同时区的用户正在使用这个工具。我想讲讲这个项目是如何诞生并延续至今的个人经历。

请看一小段代码:它打印的是 1、2、3,还是 1、2、3、4?答案取决于使用的语言,在 C++ 中甚至可能取决于变量的声明方式。如果看不到数据发生了什么,新手可能只能猜测。

学习编程往往像是把代码放进一个神秘盒子,再反复观察输出。教师帮助学生建立对盒子内部过程的心理模型,常用的办法是在白板上画图。我当时想,既然计算机已经在运行代码,为什么不能由它来画这些图?

Python Tutor 运行代码,并画出程序状态的变化。在我的例子中,在 Python 里把 X 赋给 Y 并不会复制列表:两个名字指向同一个对象。通过 Y 追加数字 4,改变的也是 X 所指向的对象,因此打印 X 会得到四个数字。

虽然名字里有 Python,这个工具也支持 Java、C、C++ 和 JavaScript 等语言。它涵盖入门和中级课程中的概念,也包括一些系统和编程语言课程会涉及的内容。它的目标是模仿教师解释代码运行过程的方式。

我一直把它当作业余项目维护,基本上只有我一个开发者,背后没有公司、营销团队或大型组织。用户的背景各不相同:有在公共终端学编程的机械师,有参加在线课程的网络工程师,也有非营利编程营的教师。累计用户数已接近 3000 万。

02

教学中的业余项目变成浏览器原型

教授 Python 和制作网页项目促使 Guo 用四天完成初版。他后来才知道类似可视化工具已有悠久的研究历史。

这个故事分为三幕:诞生、十年的加速发展,以及当下的颠覆。我在高中计算机课上爱上编程,后来帮助老师教学。大学当助教时,我很享受学习和解释这门学科,但进入以研究为主的研究生阶段后,情绪逐渐低落。

我变得孤立、拖延时,通过做小型网页项目学习 Python 和 JavaScript。我把作品放到个人网站上,附近一家初创公司因此在 2008 年邀请我教科学家们使用 Python。我每周教学一次,准备笔记并画图;那时这只是我尝试的许多事情之一。

大约在 2010 年,浏览器的能力已经足以支持交互式编程和自动绘图。我写下一个想法:让学生在网页界面输入代码,逐步执行,并看到数据结构的变化。我用大约四天做出了一个简单的初版,把它放在学校的服务器上。

我给别人看时,他们会问,这么明显的想法为什么以前没人做过?其实有人做过:后来的一篇综述显示,程序可视化系统已有几十年的历史。不过,许多系统只是短期研究原型,在评估完成后就被丢弃;我认识的人里很少有人听说或使用过它们。

早期项目通常由教授发起,有经费、学生团队、开发计划和实验。它们需要新颖的设计或成果来支撑论文发表。我当时并不了解这条研究脉络,而是想尽量把工具做得简单易用。

许多前身都是需要安装的桌面应用。我的版本放在网站上,省去了这个门槛;在那个时候,浏览器应用可能还被看作玩具。我并没有什么宏大的计划,只是作为一个业余开发者,碰巧处在可以尝试别人忽视之事的位置。

03

免费教学工具随在线学习发展而成长

Guo 在学术生涯之外继续维护项目。随着在线学习普及,易于打开和分享的图示也传播开来。

到 2012 年我完成博士学业时,已有三位教授找到这个工具并用于教学。我想继续做下去,于是考虑如何维持生计:加入教育公司、创办组织、找一份以教学为主的工作,或者从事研究。

围绕一个如此专注的工具成立公司或非营利组织,可能需要把它扩展成完整平台。以教学为主的教授职位与构建课堂工具的工作可能很契合,我认识的许多人也走了这条路。我最终选择了以研究为主的终身教职轨道,同时继续开发网站。

2010 年代初,大规模开放在线课程兴起,学习编程的运动、计算机科学系的扩张和科技投资也在增长。疫情后来又推动了远程学习。Python Tutor 赶上了这股浪潮,但当时许多广受关注的教育应用和初创公司并没有持续下来。

用事后的眼光来看,我对长久存续的解释首先是做出人们立刻觉得有用的东西。用户可以点击链接看到图示,编辑代码并运行,无须安装、注册或登录。教师可以在课程文档中放入链接,学生几秒钟内就能开始探索。

这些图示涵盖学习所需的许多语言特性,抽象掉一部分细节、保留另一部分;遇到无法处理的情况时,也应该清楚地报错。链接可以分享到消息或论坛,教师还可以直接把工具嵌入自己的网站。

中国一家颇受欢迎的面试准备网站在讲解中大量嵌入了 Python Tutor,为它带来了不少流量,而我此前甚至不知道那个网站的存在。任何人都可以无须征得我的许可就嵌入它。这种轻量的分发方式,让工具通过我无法控制的教学材料和社区传播。

我见过资金充足的教育项目大张旗鼓地推出,随后又消失。我认为,人们不会仅仅因为一个工具在发布当天看起来有趣,就持续使用和分享它。他们需要觉得它足够有用才会推荐给别人;早期邮件和 Hacker News 上的反馈让我看到,一些用户正是在寻找这样的工具。

04

把软件视为工艺,而非单纯的增长指标

用户报告的小缺陷得到解决,逐渐改善了使用体验;增长和机构激励也可能让项目远离用户。

有关手工劳动和设计教学的书塑造了我对工艺的理解。有人把软件当成生意,追求指标增长;有人把它当成研究,追求知识和发表论文;还有人把它当成艺术,借此表达自己。我认为这个项目属于工艺:为别人做出既好又有用的东西。

工艺也意味着认真处理小缺陷。一位用户报告了一个 C 语言例子无法完美可视化,并说这只是小细节,我却很欢迎这样的反馈。成千上万次小改进积累起来,让工具逐渐能在复杂情况下按人们的预期工作。

增长也可能损害一个好的项目。在大公司,项目增长后会面临服务公司目标的要求;初创公司或非营利组织则面临变现、融资和招聘的压力。教学项目可能逐渐扩大成包罗万象的课程,而研究项目可能为了收集数据和发表论文而改变。

这些压力反映了建设者需要让谁满意:高管、资助者和记者、教学同事,或者论文与经费评审。他们不一定是工具的使用者。我认为,追求他们的认可可能让项目偏离最初让它有用的品质。

05

守住项目专注的使命

Guo 支持能改进代码可视化的功能,拒绝会让它变成平台的功能。有限的时间帮助他保持专注。

我尽量把使命限定在一个范围内:帮助新手建立对代码运行过程的有效心理模型。支持更多语言和更复杂的语言结构符合这个目标。这也意味着拒绝大多数会把工具变成完整开发环境、生产环境调试器、学习管理系统或整套课程的请求。

这种专注并不完全出自深思熟虑的计划。那十年里,我还要带研究团队、教学和指导学生,能独自投入工具的时间有限。正是这些约束迫使我选择最重要的事情。

06

应对使用量下降和生成式 AI

Guo 更重视教师的参与,正与一位合作者重新设计网站,并用 AI 工具实现。他在考虑基础知识的重要性,也思考教育工作者是否只是在维护旧模式。

月度使用人数在达到高峰后下降了。把原因归结为生成式 AI 很有诱惑力,但我无法证明它造成了全部下降。AI 正在改变整个生态:人们担心软件工作机会和计算机专业招生,同时搜索结果中充斥着模仿网站,有些网站围绕广告而非可用功能设计。

我的界面本身也开始显得陈旧。既然用户规模缩小可能是新的现实,我把注意力从图表上的人数转向更深的使用程度,尤其是教师的参与。有些教师已使用 Python Tutor 十多年;以前的学生用户如今也成了教师。

我认为中小学教育有潜力。计算机科学课程进入中小学的速度比进入大学慢,但一旦政策和课程确立,就可能延续很长时间。在我看来,学校编程教育的普及为这个工具提供了令人鼓舞的机会。

我本可以让 AI 把网站界面改得现代一些,但那可能会让它看起来和其他 AI 设计的页面一样。因此,我和一位视觉艺术家兼设计师一起构思共同的审美方向,再用 AI 帮忙在网页上实现设计。方向仍然来自人与人之间的合作。

我也用 AI 协助后端工作。这感觉像是在管理一个由程序员、测试员、数据科学家、IT 人员和安全专家组成的团队。我的角色则更像产品经理:分配任务、检查结果,并学习如何管理这些工具。

这引出了一个显而易见的问题:如果越来越多代码由 AI 编写,为什么还要用 Python Tutor,或者学习代码的细节?计算机教育工作者通常认为,新手成为使用 AI 的专家之前,仍需要掌握基础和解决问题的能力。数学是一个类比:即使有计算器,学生仍会逐步演算,以理解过程。

这个项目的使命一直是帮助人们理解、调试和改进别人写的代码。把“别人”换成“AI”,或许也不会改变理解代码的必要性。但我也意识到,这恰恰是既有参与者在面临颠覆时会自信说出的话。

我用一个虚构场景来说明这种危险:教育这艘船正在下沉,设计者们却仍坚持说基础知识永远重要。这是个玩笑,但也表达了我的不确定:面对正在发生的变化,熟悉的教育答案是否足够?

我也看到一些希望。某些积极采用 AI 的组织中,有人强调理解事物如何运作的重要性;我感觉人们也开始反感生成内容过剩。我预计,一些年轻人会希望深入学习,寻找那些能让人感受到制作者用心的作品。

大量生产的 AI 软件也许适合许多实用需求。我认为,作为工艺的软件仍会有空间:有人用心制作和维护既好又有用的东西。长年把这样的作品做好、保持良好状态,也让我获得了个人满足感。

07

关于时间、研究数据和用户来源的问题

Guo 讲述如何利用空闲时间、如何在数据跟踪和简洁之间权衡,以及他为何认为图示满足了教学的真实需求。他说,早期做项目是为了智识上的满足,而非创办公司。

一位曾在中学使用 Python Tutor 的博士生问我,如何在学术工作之余找到时间维护它。我通常利用日程空隙,在论文和教学期限不紧迫时集中工作几周。长期坚持一个项目,并不需要每个时刻都投入大量时间。

有人问,能否为更年轻的学生支持 micro:bit 和 MakeCode 等实体计算平台。我认为逐步可视化是一个有前景的方向,也希望 AI 工具能帮助实现,但我并没有宣布已经着手实现。

一位听众提到一项研究:学生即使最初预测错误,只要心理模型一致,也可能取得好成绩。他问这个工具的日志能够支持什么研究。我刻意避免设置账户和广泛跟踪,因此现有数据噪声很大。研究人员可以为特定研究增加记录,但收集更丰富的数据可能与简洁的用户体验冲突。

有人问,什么样的组织能够支持独立、长期的工作,我没有完整答案。一种办法可能是找到一个有前瞻性的团队,在它还能提供支持时留在那里,等它的重点改变后再转向别处。学术界或许能提供比较长久的环境,因为教学和其他大学工作提供了机构上的依托。

Michael 问,为什么这么多网上项目获得短暂关注后就消失,Python Tutor 却能在一开始吸引用户。我最好的猜测是它满足了真实需求:教师原本就手动画这些图,而这个工具把这个过程搬到了计算机上。当时我不知道它是否会成功;用户开始增长后,我就继续做了下去。

一位听众问,我是否曾期待早期某个业余项目取得成功。尽管身处创业文化之中,我当时并不特别想创办公司,甚至不一定想做出一个持续增长的产品。博士奖学金也让我可以继续留在学校;我做这些东西,主要是因为工作本身让我在智识上感到满足。

同频道的其他文章

1:44:59EN → 简体中文
Stanford Online· 2026年11月21日按照实际工作评估大语言模型Afshine Amidi, Shervine Amidi · Stanford University人工评分、模型评审和基准测试各有盲区;Stanford 讲师介绍如何结合并检验这些方法。评估AI agents模型与训练+1
48:59EN → 简体中文
Stanford Online· 2026年11月19日Cynthia Bailey:按任务选择 AI 模型,保护好 API 密钥Cynthia Bailey · Stanford UniversityStanford 讲师 Cynthia Bailey 展示了 token 开销、智能体反复调用和凭据泄露如何增加 AI 的实际成本。AI cost & performanceAI agentsAI Safety+1
49:17EN → 简体中文
Stanford Online· 2026年11月19日Stanford 研究生学习:先修一门课,再决定是否攻读学位Pax Heymeyer, Jonathan Nottman · Stanford Engineering Center for Global and Online EducationStanford 在线教育团队说明逐课审核、学分、学习负担、考试与 2026—27 学年学费。Education
6 张幻灯片1:13:23EN → 简体中文
Stanford Online· 2026年11月18日Terminal-Bench:如何测试 AI 智能体能否完成真实工作Alex Shaw, Ryan Marten · Laude Institute基准创建者解释智能体测试为何需要真实任务、可靠评分器和防止钻空子的措施。评估Benchmarks智能体工程+2
6 张幻灯片58:52EN → 简体中文
Stanford Online· 2026年11月17日Cynthia Bailey:明确 AI 智能体能做什么、何时必须停止Cynthia Bailey · Stanford University连接器让模型通过其他应用采取行动;明确权限、人工检查和停止条件决定了行动的安全程度。AI agentsMCP智能体工程+2
4 张幻灯片1:20:34EN → 简体中文
Stanford Online· 2026年11月17日何时优化 AI 智能体的提示词,何时训练权重Michael Ryan · Stanford UniversityMichael Ryan 比较提示词搜索、强化学习与蒸馏,并从衡量改进所需的评估讲起。Prompt optimization智能体工程Reinforcement Learning+2