从一句请求变成任务说明书
先明确要解决的问题和使用对象,再列出可用材料、必须遵循的约束、输出结构以及完成标准。提示词是这份说明书的入口,不是质量保障本身。
练习步骤
- 选一个重复任务,写出“谁在什么情况下要得到什么结果”。
- 区分已知事实、需要推断的部分和缺失信息。
- 指定输出字段,并给每个字段写一条验收标准。
AI for teaching & research
这套实战课从真实的高校教研工作坊材料中整理而来。课程不以“生成一段漂亮文字”为终点,而是练习如何定义任务、提供可信材料、检查输出,并把有效做法沉淀成团队可以复用的工作流。
同一个模型既能协助文字整理,也能处理资料、调用工具或串联步骤。但任务边界、可用数据、允许的动作和验收办法,都需要由使用者先说明。
把“帮我做得更好”改写成模型能执行、人能验收的工作说明。
先明确要解决的问题和使用对象,再列出可用材料、必须遵循的约束、输出结构以及完成标准。提示词是这份说明书的入口,不是质量保障本身。
先建立文献清单和证据矩阵,再归纳主题、方法、结论与分歧,最后才组织成段落。模型可以协助分类与改写,但每条引用、数值和研究结论都要回到原始文献核对。
用 AI 梳理结构与遗漏,由研究者负责科学问题、方法选择和最终承诺。
先读申报条件与评审重点,提炼问题边界;再检查研究目标、内容、方法、进度、团队和预算是否相互支持。模型可以找不一致、提出追问和搭框架,不应替研究者虚构前期基础或研究成果。
从课程目标出发,穿过课堂活动与学习证据,再回到下一轮教学改进。
先写学生学完后能完成的动作,再设计能练习这些动作的课堂活动,最后决定用什么证据判断掌握情况。生成教案或题目后,要检查难度、答案依据、覆盖面和无障碍需求。
在分析前先去除姓名、学号和可识别细节。让 AI 按透明的主题框架归类意见,再抽查原始反馈,记录反例和不确定性。反馈样本反映的是提供反馈的人,不宜自动推断为全体学生的意见。
六个可操作的实验,对应「智能体执行 / 需求工程 / 规则的力量 / 质量门控 / 模型评估 / 多智能体协作」六个核心概念。课堂上跟着讲次使用,课后可反复练习。
单步追踪「任务→计划→工具→检查→交付」的完整循环;注入损坏 PDF、检索超时等故障,看循环机制如何自动兜底。
进入实验 → 第 5 讲 · 需求工程「帮我处理文献」为什么做不出来?补全使用者、输入、规则、输出、验收五要素,系统逐项体检这份需求能不能直接开工。
进入实验 → 第 6 讲 · Harness Engineering复刻台大 2026 开场实验:同一道修 bug 任务,无规则的小模型会「编造文件、谎报完成」;加上环境感知与完成标准,立刻变工程师流。亲眼看见规则的力量。
进入实验 → 第 6 讲 · 质量门控一条脏数据进来,裸奔与带门控两种模式两种命运:看错误如何静默污染终稿,又如何被输入/过程/输出三道门拦截在半路。
进入实验 → 第 6 讲 · 模型评估准确率 95% 的心理危机预警模型可能一文不值。用学生预警与抄袭筛查两个场景,亲手调阈值,理解漏报与误报的代价权衡。
进入实验 → 第 7 讲 · 多智能体协作一个全能教授还是一个教研室?对比单人独干、串行流水线、并行+交叉验证三种模式的耗时、可信度与故障兜底。
进入实验 →只有当步骤可描述、边界可控制、结果可检查时,才值得继续封装和自动化。
Skill 是一个领域任务包的常见形态:告诉 AI 什么情况下使用、需要哪些输入、按什么流程处理、如何组织结果、怎样检查和遇错如何停止。它可以包含说明、模板、样例或受控脚本。
固定、可预期的步骤优先使用普通工作流;需要根据上下文选择下一步、调用受限工具时,才考虑让 Agent 自主规划。多个 Agent 不是默认升级,它会增加沟通、成本、延迟和失败方式。
把系统分成使用入口、个人或团队知识、任务执行流程和外部工具几层。先管理资料的来源、权限、更新与删除,再设计流程;不要把“能找到文件”误当成“答案正确”。
不把未经核实的生成内容写成事实;不把学生或研究参与者的可识别数据交给未授权服务;不让 AI 代替教师评分、伦理审查或研究者的学术判断。对外发布前,由材料责任人核对来源、事实、隐私与授权。
关于这门课最常被问到的几件事。
一套面向教师与研究者的 AI 教研实战课,从真实的高校教研工作坊材料整理而来:练习定义任务、提供可信材料、检查输出,并把有效做法沉淀成团队可以复用的工作流。
8 个学习单元,覆盖任务定义与提示设计、文献整理与论文写作、课题申报拆解、教学设计与学习评价、课堂反馈分析、Skill 封装、Agent 化与个人教研 AI 系统。
不需要。课程讲工具无关的方法:先定任务再选 AI,目标、输入、过程、输出、验收每个环节都要能被人检查,全程强调人工复核。