Is All You Need
主讲 李雨林 · 深圳欧美同学会副秘书长 · 世青峰理事长
v4.0 · 2026-09
022017：一个翻译问题，打开新的可能
八位作者用十五页解决一个翻译问题。三个数字，说明它在 2017 年的规模。
看什么
作者栏下那行小字：贡献相同，顺序随机。一项改变很多事的研究，署名方式很朴素。
三个数字
8 块 P100 计算卡，较大的版本训练 3.5 天，英法翻译 41.8。这是 2017 年一项实验的条件，不是今天训练任何模型的条件。
对你意味着什么
它解决的是让句子里相隔很远的词也能建立联系，并且能并行训练。后面的九年，是很多人把这种可能变成可用的东西。
02B这篇论文只有一个公式
十五页论文，核心就这一行。今天不算它，只记三个字母，它们会一路陪到课程结束。
拿着问题扫全场。读一句话时，每个词都在问：谁跟我有关？
问题对着名牌一个个比，像的多看一眼，不像的一眼带过。
看了多少，就拿多少，按比例加起来，就是它对这句话的理解。
softmax 把"像不像"变成一组加起来是 100% 的比例；√dk 只是除一下，免得数字太大。这两处今天不展开。
一眼扫过全场，像谁多看谁。这就是注意力，也是今天这门课的题目。后面每个词、每件事，都是这一行长出来的。
02A八位作者与后来的探索
脚注写明贡献相同、顺序随机。九年后八人去了八个方向，是这篇论文之后的缩影。
| 作者 | 2017 年在 | 此后 | 2026 年 9 月 |
|---|---|---|---|
| Ashish Vaswani | Google Brain | 创业 | Essential AI 创始人、CEO |
| Noam Shazeer | Google Brain | 2021 创办 Character.AI；2024-08 回到 Google | 2026-06 离开 Google，加入 OpenAI |
| Niki Parmar | Google Brain | Adept、Essential AI 联合创始人 | 2025-01 起在 Anthropic |
| Jakob Uszkoreit | Google Research | 创业 | Inceptive 创始人、CEO，用 AI 设计 RNA 药物 |
| Llion Jones | Google Research | 创业 | Sakana AI 联合创始人、CTO，东京 |
| Aidan Gomez | 多伦多大学，实习生 | 创业 | Cohere 联合创始人、CEO |
| Łukasz Kaiser | Google Brain | 加入 OpenAI | OpenAI，参与推理模型与 GPT 系列 |
| Illia Polosukhin | Google Research | 创业 | NEAR 联合创始人 |
八位作者都已离开写这篇论文的地方。论文改变了模型，也改变了这些人能做什么。
03同一个"苹果"，为什么会有不同含义
同样是"苹果"两个字，一句话里它是水果，另一句话里它是公司。模型是这样分出来的。它看一个字的时候，会去看句子里别的字；看哪几个、看多重，由整句话算出来。下图是真实模型的计算结果。
看最深的格子
第一句里，"苹"这一行最深的格子在"吃"，权重 0.63。第二句里，最深的格子在"机"，权重 0.57。同一个字，句子不同，参照的对象随之改变。
它在算什么
模型没有查词典。它把"苹"与句中每一个字逐一比较，算出该参照谁。论文标题里的 attention 说的就是这一步：关系每次重新算。
对你意味着什么
给它的每一句话，都在改变它接下来参照什么。材料给对，它参照的方向才对。
人的阅读还带着经验、目的和情感。这里只是借机器的结果来比较，不是说两者一样。
03A同一个"苹果"，被句子推到了两个地方
两个"苹果"从同一个起点出发，走到最后落进了两团不同的词里，一个在水果那边，一个在手机公司那边。中间这样走的。每个词先是词表上的一串数，两句话里的"苹果"完全相同；经过十二层注意力，它把周围该看的词吸了进来。这是真实模型算出来的。
看两个"苹果"
起点是同一个点，相似度 1.00。到第 12 层，第一句的"苹果"与水果一组的相似度 0.82，与公司一组 0.50；第二句的反过来，0.68 对 0.78。两个"苹果"之间降到 0.67。
它在算什么
每一层都做一遍上一页的事，看该看的词，把它们的信息按权重加进自己的那串数。十二层下来，这串数装的不再是"苹果"这个词，是"这句话里的苹果"。
对你意味着什么
模型里没有一个固定的"苹果"。你给它的每一个词，都在把别的词往某个方向推。材料给对，推的方向才对。
向量是模型内部的一串数，这里把 768 个数压成 2 个来看。人理解词还带着经验和情感，这里只借机器的结果做比较。
03BGPT 的 T，就是这篇论文里的 Transformer
ChatGPT 名字里的 GPT，全称 Generative Pre-trained Transformer。T 是 2017 年这篇论文里的结构，2018 年 OpenAI 只取了它的一半，先读书，再一个字一个字往下写。
T · Transformer
2017 年论文里的结构。左边编码器读进整句，右边解码器一个字一个字写出译文。上一页的热力图来自 BERT，用的是编码器那一半；GPT 用的是解码器那一半。
P · Pre-trained，预训练
2018 年 6 月，OpenAI 让一个 12 层的解码器先读完七千多本书，任务只有一个，看前文，猜下一个字。读完再去做具体的事。
G · Generative，生成
它交出来的每一个字，都是在前文之后算出的最可能的下一个字。从 ChatGPT 到 GPT-6，做的仍是这件事，只是读得多得多，写得稳得多。
对你意味着什么
名字里没有"理解"，也没有"知识"。它写得顺，靠的是猜下一个字猜得准。第 12 页讲它为什么会错，根子在这一步。
04AI 早已存在，为什么后来走到每个人面前
人工智能研究了七十年，多数时间留在实验室和专业软件里。2022 年之后，用它不用学软件，只要会提问。
七十年里发生过什么
1955 年"人工智能"这个词写进一份研讨班提案；1997 年电脑在国际象棋上赢了世界冠军；2012 年之后，识别、推荐、语音转文字大量进入手机和网站，只是没人叫它 AI。2017 年是开场那篇论文。
对你意味着什么
两件事同时发生：不用为每个任务单独训练一个模型；入口变成对话框。前一件是 2017 年之后的研究，后一件是 2022 年的产品。缺一件，它都到不了每个人面前。
05九年，改变了我们能交给 AI 的工作
上行是研究与模型，下行是产品与使用，常相隔一到两年：2017 年的论文，2022 年才成为普通人能用的对话产品。
翻译、分类，各自训练一个模型。普通人用的是产品里的一个功能。
改一段话、解释一个概念、"太难了换种讲法"。一次回答之后能接着说。
一张作业照片、一幅历史图像、一段口语，都能成为讨论对象。
查资料、算时间、处理文件、根据中间结果继续，最后交出一份文档。
以后看到新发布，只问一个问题：我原来自己接着做的哪一步，现在可以交给它参与。
06我的工作方式变了，为什么还需要招人
AI 是一支听人指挥的团队，不是更聪明的搜索框。学会指挥它，人的认知也得跟着升一级。
龙岗区政协委员 · 深圳欧美同学会副秘书长
海归人才联络中心主任 · 世青峰理事长
计算机科班，长期在一线用 AI 做真实上线的系统
| 做过的事 | 2022 年以前怎么做 | 现在怎么做 |
|---|---|---|
| 人才触达平台 | 找外包团队，按月计 | 自己带一支 AI 团队做出来并上线 |
| 全球人才数据库 | 人工整理，只能做一小块 | 多 Agent 工作系统持续采集与维护 |
| 对外材料与研究 | 自己写，实习生查 | 初稿当天出，自己核引用、定判断 |
| 敏感数据处理 | 不敢用云端服务 | 本地开源模型，全程断网 |
这一页留下的问题
AI 能替掉这么多活，我们为什么还在招人。先记着，尾声用前面的案例回答。
行易知难
孙中山《孙文学说》，1919。《尚书》说"非知之艰，行之惟艰"，他把这句话倒了过来。今天机器把"行"接了过去，这四个字成了事实。
07LLM、Token、上下文、提示词、工具、MCP、Agent、Skill
这些词你都听过。可每一个到底是什么，能说清吗？今天不讲商业口号，从最底层的工程角度，一个一个拆开讲。从最底下开始，一层一层往上搭。
08大模型：本质上是一个文字接龙游戏
序章讲了它从哪来：2017 年那篇论文，Transformer，2022 年底走到每个人面前。那它到底怎么工作？非常朴素。
它每次只猜下一个词。猜出来的词抓回来，追加到输入后面，再猜下一个，直到吐出结束符。这就是它为什么要一个词一个词地往外蹦。
09Token：它压根不认识字
大模型是一个庞大的数学函数，里面跑的全是矩阵运算。它接收的是数字，输出的也是数字。所以人和它之间，必须有一个中间人做翻译。
这个中间人叫 Tokenizer，负责两件事：编码，把文字变成数字；解码，把数字还原成文字。切出来的每一块，就叫 Token。
09AToken 不等于词
刚才那句正好一块一个词，是巧合。切法是模型自己学出来的一套规则，跟我们的语感不一定一样。
Token 是大模型处理文本的最基本单位。它一个 Token 一个 Token 地接收，再一个 Token 一个 Token 地输出。
10上下文：每次都把整段对话重新发一遍
它只是一个数学函数，你给输入它给输出，并没有记忆。可你开头说"我叫李雨林"，隔一轮问"我叫什么"，它答得上来。怎么回事？
Context，上下文：大模型每次处理任务时接收到的信息总和。可以把它看成大模型的临时记忆体。
10A上下文窗口：它一次最多能装多少
Context 能有多大，能塞多少 Token？这就是 Context Window，上下文窗口。它决定了整本手册能不能一次塞进去，也决定了你要花多少钱。
Context Window，上下文窗口：Context 能容纳的最大 Token 数量。窗口不是无限的，也不是免费的：它按 Token 算钱。
11提示词：就是你给它的问题或指令
不要把 Prompt 想成特别复杂高端的东西。"帮我写一首诗"，这句话就是 Prompt。但同一句话，它可能给古诗，可能给现代诗，也可能来一首打油诗。
Prompt 太模糊，它只能猜你要什么。清晰、具体、明确，它就清楚多了。有个专门的领域叫提示词工程，其实就是研究怎么把话说明白。
11A两种提示词：System Prompt 和 User Prompt
有时不仅要告诉它任务，还要告诉它人设和做事规则。说明任务的是 User Prompt，你自己输入的；说明人设和规则的是 System Prompt，后台设好的。
System Prompt 用户看不见，可它一直影响着大模型的行为。两层配合，它既守得住规矩，又能完成你的具体需求。
12工具：它感知不到外面的世界
问它今天深圳的天气，它说无法获取实时信息。因为它只是文字接龙，没法去查天气预报。这就需要 Tool。工具不好理解？换个词：函数。你给它输入，它给你输出。
从用户提问到大模型回答，一共四个角色：用户、大模型、天气查询工具，还有平台。平台是什么？下一页看完流程就懂了。
12A一次查天气，四个角色怎么传话
用户、大模型、工具三方没法直接对话，所以需要平台。它本质上是一段代码，一个传话筒，负责上传下达。
大模型无法自己调用工具，它唯一的能力是输出文本。它只能生成一条"我要调用天气查询"的指令，真正去调用的是平台。
13MCP：统一的工具接入标准
工具要接入平台，平台才知道有什么工具可用。可这套接入规范，每家平台都不一样。
就像所有手机都用 Type-C。工具开发者按 MCP 写一次，所有支持 MCP 的平台都能用。名字学术，意思就是统一插口。
14Agent：它自己决定下一步做什么
有了工具，又有 MCP 统一接入，按理说它很强了吧？还差一点东西。换个难一点的问题试试：今天天气怎么样，下雨的话帮我找附近卖伞的店。
这不再是一次简单的工具调用。它一步一步思考当前情况，决定下一步做什么。能自主规划、自主调用工具、直到完成任务的系统，叫 Agent。Claude Code、Codex、Gemini CLI 都是。
15Agent Skill：把规则写成一份文档，塞给它
假设你希望它当你的出门助手。你有自己的习惯，还想要固定的输出格式。不预设的话，问它"我该带什么"，它大概率给你一堆没用的话。
Agent Skill，本质上就是你提前写好、塞给 Agent 的一份说明文档。
15A这份文档长什么样，它怎么用
上半部分是封面：叫什么，管什么事。下半部分是正文：目标、步骤、规则、格式、示例，格式随你，把事说明白就行。它启动时只读封面，问题相关时才读正文。
【出门清单】
- 手机（必带）
- 伞（降雨概率100%且有雨）
- 帽子（最高温度31.3°C ≥ 30°C）
- 水（最高温度31.3°C ≥ 30°C）
15B用做一顿饭，把这些词对一遍
任务是做一顿饭。脑子想菜谱的下一步，手脚去做，锅铲加热，冰箱里有什么决定能做什么，做法卡让下次不用重想。每个词在厨房里都有一个位置。
大模型是脑子，只会想；Agent 是手脚，会做；工具是锅铲；上下文是冰箱；提示词是点的菜；Skill 是做法卡。往后再听到新词，先问它是厨房里的哪一件。
15D词认完了，再看你手里的产品是哪一种
同一个模型装进不同入口，能做的事不同。选入口，看它能不能接上手头的材料和工具。
| 入口 | 给它什么 | 它交回什么 | 要注意 |
|---|---|---|---|
| 对话 | 一句话、一个文件、一个链接 | 一段回答，或一份文件 | 要看轨迹：它记得什么，读到了什么 |
| 工作台 | 一个目标，一个文件夹 | 做完的文件，放回文件夹 | 目标可以大，完成条件要清楚；发送由人确认 |
| 编程 | 一个文件夹，一句要求 | 改好的文件、跑完的批量 | 只在可撤回的地方试；先列清单再执行 |
裸模型也能在本机跑，讲到本地部署时再看。入口认清了，后半场拿真事走一遍。
16二 一个找人才的 Skill，第一版一句话，跑出四类问题；打磨到第三版，每条规则对应一次真实的错。
三 一张飞书表管一次北美行：31 场宣讲会的报名网页、海报、社群入口、邀请邮件，全从一张表出来，表一改全跟着改。
四 一张产品海报：出几种风格，随时改，存成 Skill，以后一句话出新的。
17案例一：为这门课做一个高级的网站主页
现在要干什么：给这门课做一个主页。老师点一个链接，知道这门课讲什么、学完能做什么、什么时候上、材料在哪下、怎么进群。
遇到了什么问题
现在这一页只是一个下载列表：没有讲这门课是什么，没有学完能做什么，没有讲师，没有日程，也不好看。它把"课程"做成了"文件夹"。
怎样做是对的
不是自己写页面，也不是让它一句话出成品。目标说清楚，材料给全，让它先给方向再动手，做完让它自己审一遍，再由我提两处修改。今天在 WorkBuddy 里现场走一遍，五句话。
屏幕上只放什么
流程和提示词。页面本身在 WorkBuddy 里当场做出来。
课前已经真跑过一遍：五句话出第一版，讲师看了三次预览又提了三轮，结果在后面第 22 页。今天现场再做一遍，做到哪一步算哪一步。
18五步：说清、给方向、做、审、改
每一步一句话。方法上只有一个要点：目标是我的，具体怎么做跟它商量。
对象、目标、材料、交付、做到哪一步停，一次说全。让它先不写代码，给三个视觉方向各一段话。
单文件网页，能离线打开，手机能看，logo 用图片，下载链接按材料清单。
文字遮挡、截断、对齐、层级、手机宽度，改完列出改了什么。它要跑命令时会弹权限，点允许。
首屏那句话，和材料区的顺序。具体改哪两处，看它做出来再定。
怎么放到自己的域名上，只要说明，不执行。
五句话里没有一句是在教它写代码。目标、材料、口味、做到哪一步停，这四样是我的；页面怎么写，是它的。
19第一句：目标说清，先要方向
这是课前真跑用过的原话。现场照着敲，或者改成你自己的说法，结构不变。
20第二句：选定方向，写成单文件
这是课前真跑用过的原话。现场照着敲，或者改成你自己的说法，结构不变。
21后三句：审、改、部署
这是课前真跑用过的原话。现场照着敲，或者改成你自己的说法，结构不变。
22课前真跑一次：它做出来的
课前在本机命令行里跑了八句话：五句出第一版，之后看了预览提了三轮意见，合计 62 分钟；产物留着当备用，现场以现场做出来的为准
第五句之后讲师看了三次预览，又提了三轮：照片不要黑白；不够帅，要顶级品牌站的电影感；把论文那行公式放进首屏做记忆锚点。每轮一段话，它改一版。
2324案例二：找某一所大学在读的中国留学人才
现在要干什么：按学校和中文常见姓氏，在公开来源里发现候选，核实是不是在读、什么学位，给每个人补一个能归到本人的邮箱，去重入库，出一份能交给业务的名单。
跑起来看着很顺：几百条结果、一堆邮箱、表格很快填满。问题在两周后的审计里全部冒出来。
遇到了什么问题 · 四类问题
重复
同一个人在学校主页、实验室页、LinkedIn 各出现一次，按 URL 计数，一人变三人；去重只在本批做，下一批又进来一次。一个学校邮箱被归到 9 个人名下。
误判国籍
姓氏命中被直接写成"中国背景已核验"。一个公开目录入库 2,216 人，按明确中国关联复核通过 0 人。
隐私越线
先抓再筛，把范围外的人的邮箱也拉进了本地；供应商说 valid 就当本人邮箱。
结果无法核
"有邮箱人数"填进"合格人数"；三套合格定义不可比；3.45 美元买到 0 人，没有账。
25打磨后的 Skill：每条规则对应一次真实的错
怎样做是对的：不是把一句话写成十页，是把每一次出错变成一条能验收的规则。第三版八块，括号里是它对应的那次教训。
| 规则 | 写什么 | 对应的错 |
|---|---|---|
| ① 门禁 | 授权范围、隐私底线、不外联，写在最前面；姓氏只用于召回，不是身份 | 目录条款只许单人查询；全体校友被拉去补邮箱 |
| ② 姓氏池分层 | 主拼写 → 扩展 → 条件变体 → 压制；每个拼写一次独立查询 | Lee / Low 一类拼写噪声淹没候选；2,216 人 0 通过 |
| ③ 分层数据契约 | 发现候选 → 学业状态 → A 级公开邮箱 → B 级补齐邮箱，各有进入条件 | 有邮箱 ≠ 合格；供应商邮箱冒充公开邮箱 |
| ④ 去重与冲突降级 | 强键（档案 URL、邮箱）合并，弱键（姓名+学校）只提示；同邮箱两人全降级；跨批走全局索引 | 一人三条；9 人共用一个邮箱；批内去重当全局 |
| ⑤ 事实带来源 | 每条事实记下来源、看到的时间、按哪一版规则判的；规则改了只管以后 | 三套"合格"定义混在一起，没法比 |
| ⑥ 花钱先记账 | 先预留，再启动，最后结算；同一件事不重复花 | 3.45 美元买到 0 人，事后说不清花在哪 |
| ⑦ 九项人数口径 | 原始、去重、在读/已毕业/待核验、有邮箱、待补、A 级、B 级、可保留 LinkedIn、无入口，分开报 | 有邮箱人数被写成合格人数 |
| ⑧ 做完的标准 | 自己说做完不算：真写进库、再独立读出来、同一批重跑不会多一条 | 流程步步显示通过，其实一条没判 |
规则接没接上，拿十五条虚构候选跑了一遍：十九条搜索结果，去重后十四人，最后合格 4 人。规则写进文档不等于生效，要看它真的拒掉了哪些。
26案例三：一张飞书表，管一次北美行
现在要干什么：两家企业去北美 21 所学校开 31 场宣讲会。学校、日期、时间、场地、报名表、社群码、海报，全记在一张飞书表里。让它从这张表出发，把报名网页、海报、社群入口、邀请邮件都做出来；表一改，其它跟着改。
遇到了什么问题
表天天在改。两周里改期 10 场，换场地 3 场，微信群码 7 天一过期。每改一次，海报要重出，网页要重发，邮件要重写。靠人盯着一定漏，漏一次就是学生跑错教室。
怎样做是对的
表是唯一真源，别的东西都是从表投影出来的。服务器每 5 分钟读一次表生成报名网页；海报按表出图，二维码指向本场网页；群码印的是固定网址，到期只换表里那张图；邮件发前从表重取最新海报。人只改表。
27表改了，网页和海报自己跟着变
左边三张是学生手机上看到的：选校、一校的专场页、社群入口页；右边两张是 A4 海报。日期、时间、场地，都来自表里同一行。
9 月 12 日运营改了 10 场日期：网页十分钟后自己更新，21 张海报当天重出，二维码逐张解码核过。也出过一次事：一张群码用 .jpg 的文件名传了张 PNG，同步停了两小时。修的是同步程序，不是表；表一直是对的。
28邮件：一场活动一千封，发送键还在人手里
每场宣讲前，给该校学生发邀请邮件。左边是它按表生成的一封：时间、地点、报名表、社群入口、海报，都从表里来。右边是一周的发送记录。
| 场次（9 月 14 – 18 日） | 平台确认发出 | 退信 |
|---|---|---|
| 华勤 · 普渡 9/14 | 1,081 | 18 |
| 歌尔 · 杜克 9/14 | 156 | 5 |
| 歌尔 · 巴尔的摩地区 9/15 | 211 | 33 |
| 华勤 · 卡内基梅隆 9/15 | 448 | 22 |
| 歌尔 · 卡内基梅隆 9/16 | 379 | 0 |
| 华勤 · 康奈尔 9/17 | 316 | 14 |
| 歌尔 · 康奈尔 9/18 | 257 | 0 |
| 合计 | 2,848 | 92 |
怎样做是对的
发前从表重取最新海报，核对时间、场地、两个二维码。每一批先看收件人和正文，人授权了才发。系统记下每一封，同一个人不发第二次；退信和退订自动进抑制名单，下次不再发。"发出"只是平台确认送达，不等于读了、报了、来了。
29案例四：一件卫衣，五张电商图
现在要干什么：给一件米白色连帽卫衣做淘宝和跨境要用的图，主图、卖点图、场景海报、亚马逊主图、A+ 图。规矩：AI 只出底图，画面里不许有字；价签、卖点、标题由脚本按各平台尺寸排上去。
从左到右：淘宝主图 800 见方，白底、卖点标签、价签；详情卖点图 750×1000，三条引线；场景海报，左上大标题；亚马逊主图 2000 见方，纯白、无字、产品占九成六；A+ 图 970×600，英文卖点。底图四张各不到一分钟，排字是一段脚本。右下角"AI 生成"是平台自动盖的，去不掉。
30换色只改一处，改字不用重画
第一版出来后提两处修改：主图换成深灰配色，用图生图保住版型，一句话；卖点图的三条文字全是脚本排的，改价、改卖点、换平台尺寸，改参数就行，底图不动。
左：米白主图。中：换成深灰，版型、构图没变。右：卖点图，三条引线是脚本画的。没做到的也说：主图产品占比七成四，平台要求八成，还得再裁一轮。
31把做法存成 Skill：换个产品，一句话出图
把这套做法写成一份 SKILL.md：输入产品、卖点、价格、平台；先文字方向，再出无字底图，再脚本排字，每次只改一到三处；各平台尺寸写在文档里。然后换一个产品，只说一句"按这份 Skill，给一条黑色跳绳做淘宝主图"。
新产品：一条黑色跳绳，一句话，新开的会话。它先按 Skill 报方案等我确认，再出底图，脚本排上价签。绳子偏小，占比不够，这一轮要再改。存的是做法，不是那张图。
32七个模型，先看一张总表
今天只看七个：GPT-6 Astra、Claude Fable 5.1、豆包 Seed 2.1 Pro、Kimi K3、Qwen3.8 Max、DeepSeek V4 Pro、GLM-5.3。数字全部来自各榜官网，2026 年 9 月 15 至 16 日打开核对。
分数只能在同一张榜里比。前两家在多数榜上领先，国产五家在人评总榜上差二十到四十分，中文与看图上有一家并列顶尖。豆包在 Arena 上的是 2.0 Pro，2.1 Pro 只在 SuperCLUE 有分。
33读榜之前，五件事
榜单是好东西，也最容易被误读。今天用到的每一张榜，我都按这五条过了一遍。
| 看什么 | 为什么 | 今天怎么处理的 |
|---|---|---|
| 人评还是机评 | Arena 是人投票，AA 和 SuperCLUE 是固定题机器判分。两者常常不一致 | 两种都放，分开标 |
| 自报还是第三方 | 厂商发布时自己报的分数，往往挑最好的设置 | 今天只用第三方榜，不用发布会数字 |
| 版本和档位 | 同一个模型有 max、xhigh、high 等推理档位，分数差十几分 | 每个数字都标了版本与档位 |
| 票数与区间 | 新模型票少，分数带 ±20 的区间，名次会变 | 票数列出来，少于一千票的当参考 |
| 饱和与过期 | 一张榜前几名分数接近，说明题目已经区分不开；榜每周都在变 | 页脚标核验日期，每次开课前重核 |
34人评榜：总榜差距小，中文差距大
Arena 是全世界用户匿名盲投出来的榜，两个模型答同一题，人选更好的那个。总榜八百万票。
总榜七家都在 40 分以内，日常对话谁都够用。中文类别 Claude 领先五十多分，国产五家紧挨着；GPT-6 Astra 中文票数不够，没上榜。
35机评四家：AA 指数、LiveBench、GPQA、HLE
人评之外再看机器判分。四家都是第三方拿固定题跑出来的，不是厂商自己报的分。GPQA 是研究生级科学题，HLE 是目前最难的闭卷题。
综合与 HLE 两列前两家领先明显；GPQA 一列七家挤在 91 到 96 之间，说明这套题快被做穿了。LiveBench 每月换题，Kimi K3 是国产里最靠前的。豆包 2.1 Pro 这四家都没收录，只能看它在 SuperCLUE 上的分。
36写代码：对话里改代码接近，做整个网页拉开
两张榜。左边是对话里写代码的类别；右边 WebDev 是让模型做出一个能跑的网页，人看着两个成品投票。
做整个网页这件事，GPT-6 Astra 领先第二名四十多分；写代码对话六家很接近。DeepSeek 与 GLM 没进 WebDev 前十。
37看图：国产一家并列顶尖
Vision 榜是给模型看图片再提问。Qwen3.8 Max 排总榜第二，只比第一名低八分。
看图这件事，Qwen3.8 Max 与 Claude 并列第一梯队；Kimi K3 与 DeepSeek V4 Pro 没有上这张榜。
38中文六维：五家国产，各有长短
SuperCLUE 是国内做得最久的中文评测，六个维度，用中文题。这一期只列了国产模型。
四家在 70 到 73 之间，豆包 66；差别在维度：Qwen 数学与规划强，GLM 编程与规划强，DeepSeek 幻觉控制最好，豆包科学推理不弱、编程偏低。五家在"精确指令遵循"上都只有 40 分左右。
39综合能力对成本：贵的高十几分，便宜的差几倍价
Artificial Analysis 用一套固定题（推理、编程、知识、指令、科学、多步任务）给模型打一个综合分，同时记下跑完这套题花了多少钱、每秒吐多少字。
头部两家 53 分，每套题三到六美元；国产四家 36 到 45 分，三家每套题不到三美元，Qwen 新版跟海外价格接近；DeepSeek 不到一美元，速度也最快。豆包 2.1 Pro 这张榜没有同口径分数。
40开源还是闭源：能不能下载到自己机器上
七个里四个开放权重（可下载、可断网、可自部署），三个闭源（只能用网页或接口）。"开源"这个词常被混用，看许可证。
| 模型 | 许可 | 意味着什么 |
|---|---|---|
| GPT-6 Astra | 闭源 | 只能通过 OpenAI 网页 / 接口用；权重不公开 |
| Claude Fable 5.1 | 闭源 | 同上，Anthropic |
| 豆包 Seed 2.1 Pro | 闭源 | 火山方舟接口；权重不公开 |
| Qwen3.8 Max | 开放权重（8 月 12 日起） | 权重可下载；自定义许可，多数商用免费；开放版只收文字 |
| Kimi K3 | 开放权重 | Kimi K3 License，可下载自部署；超大规模商用另有条款 |
| DeepSeek V4 Pro | 开放权重 | MIT 许可，可下载、可商用 |
| GLM-5.3 | 开放权重（8 月 28 日起） | 权重可下载；glm-5.3 自定义许可，可商用，超大规模服务商需安全审查 |
开放权重：材料不出门、价格低、能改；代价是要自己有机器、自己维护。四家里只有 DeepSeek 是 MIT，其它三家各有许可条款，商用前看一眼。选哪边，先看数据能不能出门。
41买法只有三种：订阅对话、订阅 Agent 工具、按 Token 买接口
选模型之前先定买法。三种买法对应三种用法，价格结构完全不同。
| 买法 | 适合谁 | 拿到什么 | 代表 |
|---|---|---|---|
| ① 订阅对话产品 | 每天问问题、改稿、读文件的人 | 网页和手机应用，固定月费不限次（有速率上限） | ChatGPT Go / Plus / Pro，Claude Pro / Max；国产对话应用基础功能大多免费 |
| ② 订阅 Agent 工具 | 让它在自己电脑里干活：做网页、批处理文件、连飞书 | 命令行或桌面工具，按积分 / Credits 计 | Claude Code（含在 Claude Pro / Max）、Codex（含在 ChatGPT）、Qoder、WorkBuddy |
| ③ 按 Token 买接口 | 自己或团队写程序调模型、跑批量任务 | API 密钥，用多少付多少 | DeepSeek、Kimi、阿里百炼 Qwen、智谱 GLM、腾讯混元、OpenAI、Anthropic |
42按 Token 买：七家的标价
API 按 Token 计费，输入一个价，输出一个价。输出通常贵三到五倍，所以让它少说废话是省钱的。
海外两家每百万 Token 十美元进、五十美元出；国产五家人民币计价，豆包、GLM、DeepSeek 便宜，Kimi K3 最贵。
43订阅价目：2026 年 9 月 15 日官网
海外两家的对话订阅都是 20 美元起，Agent 工具含在里面；国产 Agent 工具按积分卖，一百元上下一档。
| ChatGPT | 月费 |
|---|---|
| Free | $0 |
| Go | $8 / 月 |
| Plus | $20 / 月，Codex 用量扩展 |
| Pro | $100 / 月，5 倍用量，GPT-6 Astra Pro 推理，Codex 任务上限最高 |
| Pro $200 | 20 倍用量；2026-09-10 起暂停新订阅 |
| Claude | 月费 |
|---|---|
| Free | $0 |
| Pro | $20 / 月（年付 $17），含 Claude Code、Cowork、Design |
| Max | $100 / 月起，5 倍或 20 倍用量 |
| Team | $25 / 席 / 月（年付 $20）；高级席 $125 |
| Qoder（编程 Agent） | 月费 |
|---|---|
| 体验版 | $0，两周 300 Credits |
| Pro | $20 / 月，4,000 Credits |
| Pro+ | $60 / 月，6,000 Credits |
| Ultra | $200 / 月，20,000 Credits |
| 资源包 | $20 / 1,500 Credits |
| WorkBuddy（腾讯办公 Agent） | 月费 |
|---|---|
| 体验版 | 免费，500 积分 |
| 标准版 | 99 元 / 月，4,000 积分（连续包月 70 元） |
| 高级版 | 199 元 / 月，9,000 积分（连续包月 140 元） |
| 旗舰版 | 999 元 / 月，50,000 积分（连续包月 700 元） |
| 企业版 | 198 元 / 人 / 月，2,000 积分 / 人 |
44算一笔账：一位老师一个月花多少
按 Token 买到底贵不贵？拿一个具体用量算。
45怎么选：先定用法，再看榜，最后看数据敏不敏感
这是我的建议，不是榜单的结论。
| 你是哪种 | 我的建议 | 一个月花多少 |
|---|---|---|
| 只是问问题、改稿、读文件 | 国产对话应用先用起来，中文够用，看图 Qwen 强；要英文长文与复杂推理，再加一个海外订阅 | 0 元起；加海外订阅 20 美元 |
| 想让它替你干活（做网页、批文件、连飞书） | 选一个 Agent 工具：做网页选 GPT-6 Astra 或 Claude；在国内环境办公选 WorkBuddy 标准版，模型可选 Kimi K3、GLM-5.3、DeepSeek | 20 美元或 99 元一档 |
| 自己或团队写程序调模型 | 按 Token 买：GLM-5.3、DeepSeek V4 Pro 最便宜，Qwen3.8 Max 中文与看图强；四家都开放权重，将来可以搬回自己机器 | 轻用每月十几元，重用另算 |
| 材料不能出本机 | 本地开放权重模型，断网跑（尾声那台笔记本） | 一次性硬件 |
46从云端到本地：一台笔记本，全程断网
学生的作业、还没发表的研究、学院的内部文件，这几样不能离开本机。这种时候可以把开放权重模型下载到自己的机器上跑。基础搭配看三样：内存决定模型规模，软件负责运行，模型从官方库下载。
| 手里的机器 | 能跑的规模 | 够做什么 |
|---|---|---|
| 笔记本 16GB 内存 | 4 到 8B 参数，4-bit | 改写、摘要、翻译，速度可接受 |
| 笔记本 32 到 48GB | 14 到 32B，4 到 6-bit | 本课这台：27B、6-bit，每秒 9.4 个 token |
| 台式机加 24GB 显存显卡 | 30B 级 4-bit；70B 级要更多显存或很慢 | 本地处理整份文件与批量任务 |
两类模型
开放权重（常叫"开源"）可下载、可断网、材料留在本机，如 DeepSeek-R1、Qwen3、Llama，许可各异；闭源服务只通过网页或接口用，如 GPT-6 Astra、Claude。第二章在 WorkBuddy 里用的模型属后者，这台笔记本属前者。学生数据、未发表研究、内部文件，就在门里处理；代价是它不知道今天的事，读不了没给它的文件。哪些材料不能出门，这件事没有人能替你定。先把这条线画出来，再选跑在哪一边。
47怎样读一次发布：以 GPT-6 Astra 为例
读一次发布，拆开看三样：厂商自己报的分数，用词是谁定义的，那句话是谁在什么场合说的。主意自己拿。
哪些任务能交给系统
整理一组材料、比较观点、做成报告、按反馈改。原来要在几个软件之间自己接起来的活。事实 · 基于当前能力
岗位怎样重新组合
一个人加一支 AI 团队。我们还在招人。推断 · 讲师团队的经历，不推广到所有行业
因成本下降出现的新需要
以前只来得及给全班一份练习，现在能准备三种难度。哪些以前做不起的事，现在值得你做。价值选择 · 自己定
48另一条路：世界模型，和两种判断
今天用的都是语言模型，学的是文字。另有一批研究者认为，只靠文字学不全世界怎么运转，于是去做世界模型：不预测下一个字，预测下一步的状态。
| 大语言模型 | 世界模型 | |
|---|---|---|
| 学的是 | 文字里的规律 | 状态怎样随动作变化 |
| 预测 | 下一个字 | 下一步的画面或状态 |
| 一手材料 | 2017 年那篇论文；各家模型的发布页 | LeCun 2022 立场文件；DeepMind Genie |
| 今天在哪 | 你手上每一个产品 | 研究与试用阶段 |
| 能不能用在备课 | 能，今天就能 | 还不能 |
做出来的东西
DeepMind 的 Genie，第一代 110 亿参数，从没有标注的网络视频里学。Genie 3 按一句话生成能实时走进去的画面，每秒 24 帧，720p，几分钟内保持一致。2026 年起以 Project Genie 向美国的 Google AI Ultra 订户开放试用。
两种判断，都不是共识
一种认为只靠预测下一个字，学不到人和动物那样的学习效率与规划能力，缺的是一个关于物理世界的模型。另一种认为文字里已经记下大量世界的结构，把语言模型做扎实，再接上工具、记忆和资料，够用。
老师怎么办
不必选边。用这一章前面那套方法看：谁说的，在什么场合说的，有没有可以自己核的东西。这门课跑过的每个例子，背后都是语言模型。
49那堵墙塌了：技术从稀缺变成基础设施
过去，"我有一个想法"与"这件东西真的存在"之间，隔着一个技术团队和一笔预算。现在中间隔着的，是愿不愿意坐下来，把它讲清楚。
前面一百分钟讲的这些，如果只留一个结论：
过去挡在"想到"和"做出来"之间的那堵墙，塌了。
方法一旦写得下来，就能被打包、被转移、被交出去，这堵墙就立不住了。技术从稀缺资源变成基础设施，像水，像电。这些事过去各需要什么：一个技术团队、一个采购流程、一台服务器。墙塌了以后，多出来的是你能做的事。
50为什么还在招人：变的是任务，不是整个岗位
约一百万次对话里，57% 的任务是人参与迭代与核验，43% 是整段交出去。工具每变一次，人追求的东西就往上走一层。
看什么
排第一的是计算机与数学，37.2%。教育与图书馆 9.3%，已经排到第三，高于办公行政。同行已经在用，用在任务上。
意味着什么
一个岗位是一堆任务。有的任务交出去了，有的任务多了人在旁边核。"36% 的职业至少四分之一任务"和"4% 的职业四分之三任务"两个数放在一起看，AI 换掉的是任务，没换掉整个岗位。
回答开场的问题
从 A 地到 B 地，最早只能走路，要求只有一个字，到。有了蒸汽机，追求快；有了电，追求省、舒服、准点。路还是那条路，要求变了。我们招人，因为能做的事比以前多了，招的是能理解需求、组织材料、看结果改做法的人。
走路到电力的类比为讲师归纳。数据是一家平台的记录。具体到你自己的一周，变化得你自己看。
51同一个工具，两种用法：差在认知
技术把人和人拉平了，认知把人和人拉开了。这里的认知很窄，只有两件事：定义问题，选择值得做的事。拉开的距离，跟账号权限、会员等级无关。
| 哪件事 | 用法一 | 用法二（本课记录） | 差在哪里 |
|---|---|---|---|
| 做主页 | 一句"帮我做个课程主页"，出来一个模板 | 说清给谁看、要什么，先要三个方向，做完让它审，再改两处 | 知道给谁看、想让他做什么 |
| 找人才 | 一句话 Skill：几百条结果，表格填满 | 第三版 Skill：19 条结果只留 4 个人，每条带来源与规则版本 | 知道"有邮箱"不等于"能用"，知道哪条线不能越 |
| 做海报 | 一句话出一张图 | 先要方向再出图，每次只改三处，做法存成 Skill 下次直接用 | 知道自己要什么样，才改得动 |
| 管一次活动 | 群里发通知，海报改一版发一版 | 一张表是真源，网页海报邮件都从表出，人只改表 | 知道哪一步不可逆，知道真源只能有一个 |
| 看榜 | 谁第一用谁 | 看票数、看档位、只在同一张榜里比 | 知道分数是怎么来的 |
在座各位本来就是靠认知工作的人。对一个学科的理解、对学生状态的判断、对什么值得研究的直觉，在 AI 时代没有贬值。能写成说明书的部分它都能做，说不清楚的那部分才是各位的。
52知识可以交给它，认知不能：回到那个找人的 Skill
知识是事实、公式、条文、步骤，可以检索、复制、交给系统。认知在这里只指两件事：定义问题，选择值得做的事。
知识。怎么搜、怎么抓、怎么填表，它都会，而且快。这一段它能大量供应。
认知。什么叫"合格"，哪条线不能越，这两件事它定不了。
行动。规则它执行，边界人来定；验收要看它真的拒掉了哪些。
知识是答案，认知是问题
它能给一万个答案，给不了一个值得做的问题。今天知识近乎免费，问一句就有。
知识是存量，认知是判断
存量可以下载，判断只能长出来。搜和抓的做法一次就有；什么算合格、什么不能碰，得吃过亏才知道。
认知怎样长
下场做一件真事。认知只在要自己承担后果时才更新。先自己想，再问它；拿到答案先问两句，怎么验证，有没有反面证据。
2025 年一项脑电研究（MIT，54 人）里，用大模型写作的一组脑内连接最弱，研究者叫它认知负债。先想再问，是为了不欠这笔债。
53行易知难：知道了，就是做到了
一百多年前的四个字，今天成了事实。机器把"行"接了过去，难的不是做到，难的是知道。
《尚书 · 说命中》
"非知之艰，行之惟艰。"
知道不难，做到才难。这是中国人两千多年的常识。
孙中山《孙文学说》
"此思想之错误为何？即'知之非艰，行之惟艰'之说也。"
"由是而知'行易知难'，实为宇宙间之真理。"
他把老话倒了过来：做事不难，难的是知道。那时是勉励人去做。
王阳明《传习录》卷上
"未有知而不行者。知而不行，只是未知。"
真知一定会发动为行动；没有发动，说明还没有真知。
Linus Torvalds · 内核邮件列表
"Talk is cheap. Show me the code."
那年代码稀缺。二十六年后技术圈把它翻了过来：Code is cheap. Show me your idea. 稀缺的一端换了位置。
按王阳明的标准，走出这个门之后什么都没变，就还没有"知道"。
54同一套架构，两种用途
所有找人、建立联系、持续沟通、推进转化的系统，技术上拆开都是同样四步。区别全在人这一侧。
| 四步 | 全球人才引进（讲师团队在做的事） | 电信网络诈骗（公开反诈宣传中的通用描述） | 技术侧差别 |
|---|---|---|---|
| 找到联系方式 | 公开的学术履历、会议名单、校友网络 | 泄露或买卖的个人信息 | 无 |
| 建立联系 | 邮件、社交平台、校友引荐 | 冒充身份加好友 | 无 |
| 持续沟通 | 了解研究方向、家庭考虑与回国意愿 | 长期取得信任 | 无 |
| 推进转化 | 对接高校与企业岗位，请人回中国发展 | 诱导转账 | 无 |
同一套 AI 能力
可以帮一个学生找到方向，也可以骗走一位老人的养老钱。中间隔着的不是技术水平。
链条上最靠前的一环
在座各位教出来的学生，会拿着这些工具去做事。他们拿去做什么，与课堂上怎样讲"该做什么"有关。
说明
本页不涉及具体客户、个人信息与金额。反例只写到四步这一层，不含任何可复现的操作细节。
55决定这个世界走向哪里的，是价值观。
技术既不善，也不恶；但它也不是中性的。
AI 不会问你这件事该不该做。它只会问你，你要我怎么做。
56修行清单：一周做三条
两个半小时压回三句话：代码不再稀缺，稀缺的是你想做什么；行易知难；判断力和价值观，是老师能给学生的最后两样东西。
| # | 场景 | 第一步怎么说（可以照抄） | 用哪种入口 |
|---|---|---|---|
| 01 | 读长文档 | 请读这篇 PDF：列三级大纲；出 5 道选择题并标页码；指出两个易混概念 | 对话 |
| 02 | 做课件 | 按这份大纲出 10 页教学 PPT，每页一句标题、三条要点，白底，不要装饰 | 对话 · 工作台 |
| 03 | 做图 | 一张《___》课的板书风格示意图：白底黑线，画面里不要字，标注我来加 | 文生图 |
| 04 | 写教案 | 对象、课时、上次学生卡在哪，一次说全；先给两个讲法方向，我选了再写 | 对话 |
| 05 | 陪练 | 你是我的英语口语陪练，用大学面试场景问我三个问题，每答完一个纠正 | 对话 |
| 06 | 深度研究 | 就"___"做一份研究综述：分歧点、近三年进展、研究空白，每条附来源，不许编 | 对话 · 联网 |
| 07 | 数据 | 期末成绩（已匿名）三个班：按班级画分布图；标异常值；给均分与标准差 | 对话 · 跑代码 |
| 08 | 邮件 | 读最近一周收件箱，按紧急度分三档，每封一句建议回复，只存草稿不发 | Agent 工具 |
| 09 | 纪要 | 把这段录音转成纪要：决定了什么、谁负责、什么时间、还有什么没定 | 对话 |
| 10 | 做个网页 | 案例一那五句话：说清、要方向、做、审、改；换成你的课程或活动 | Agent 工具 |
今晚一件事
把今天满意的那次对话存成模板，两分钟。它答得不满意的那一处，改进提问里。
一周三条
从左边十行里勾三条，本周做完。做完把满意的那次存成模板。
一个月一件真事
手册第八部分有四周计划。第一周完成一件真会用到的小事；第二周给常用的那条提示词配五条小测试集，换材料跑一遍再信；第四周请同事指出一个自己没看见的问题。一个月后按手册的问题回头看，没有一问是关于工具的。
继续学
"We can only see a short distance ahead, but we can see plenty there that needs to be done." Turing, 1950。学习入口见附录"继续阅读"。
师傅领进门，修行在个人。
57学生看着老师怎么选。
58Attention Is All You Need
开场是一个翻译问题，一路走到三件真事。论文里的注意力是处理信息的机制；当课程题目，它问的是人的问题。
还是那三个字母
Q 问，K 名牌，V 内容。一眼扫过全场，像谁多看谁。
我们走过的
研究方法怎样影响后来的能力；能力怎样通过对话、多种信息形式和工具走到普通人手里；三件真事里，模型、材料、要求、工具和合作过程各在哪一步出现。
回到同一件事
把工作说明白，看到初稿，提出修改，把有效做法留下来。
还回标题
开头那篇论文的标题，今天借来做了题目。八个人给机器的那种能力起名叫注意力，机器学会了看重点。各位教出来的学生会长成什么样，也看各位把注意力放在哪里。
谢谢各位老师。
59主讲 李雨林 · 深圳欧美同学会副秘书长 · 世青峰理事长
课程材料与逐页讲稿随课提供，每次开课前把会变的信息重核一遍。
联系 liyulin@globalyouth.cn
60把问题带回自己的学科
先说明自己的学科和想交给它的那件事，再提问。
如果还没想好问什么
我的学科里，哪一类材料最适合先交给它。
如果已经试过
它替我决定了什么，我当时没看见。
如果在管一个团队或一门课
哪些工作可以定成"只到草稿箱为止"。
| 常被问到 | 短答 |
|---|---|
| 它会不会把我的材料拿去训练 | 看产品条款；不能出门的材料，用开放权重模型在本机跑，尾声那台笔记本 |
| 学生用它作弊怎么办 | 先分清任务：练习时用与考试时用不同，把怎么用写进作业要求 |
| 哪个产品最好 | 先定用法：问问题、让它干活、还是自己写程序，再看榜，最后看数据能不能出门 |
| 它说的对不对怎么知道 | 让它标出处，抽两处到原文核；数字自己再算一遍；发送键留给人 |
| 会不会很快过时 | 模型会换，说清目标、先要方向、做、审、改这五步不换 |
| 老师会被替代吗 | 变的是任务，不是整个岗位；判断和价值观交不出去 |
61选读：商学院的例子，品牌出海怎么用它
出海也拆成同样几步：先让它列要查清的问题和去哪核实，再交一段文案的本地化，逐条核它给的机构与法规。清单能用，判断留给懂市场的人。
| # | 要查清的问题 | 它说去哪核 | 我核的 |
|---|---|---|---|
| 1 | 适用哪些 CE 协调法规，评估路径是什么 | EUR-Lex 指令原文；TÜV、VDE 等公告机构书面确认 | 对：LVD 2014/35/EU、EMC 2014/30/EU、RED 2014/53/EU 均为现行指令 |
| 2 | 是否指定了欧盟境内的 GPSR 责任人 | Regulation (EU) 2023/988 原文 | 对，法规编号存在；适用日期本轮未打开原文，用前再核 |
| 3 | 是否完成 WEEE 注册（ElektroG） | Stiftung EAR 官网 | 对：官网核，注册与境外厂商授权代表均为其职能 |
| 4 | 是否完成包装法注册（LUCID） | ZSVR 包装中央登记处 | 对：官网原文"在德国销售带包装商品须在 LUCID 注册" |
| 5 | 智能功能的用户数据是否合规 | GDPR 原文；BfDI；各州数据保护局 | 对，机构存在；网络弹性法生效日期以官方为准 |
| 6 | 税务、担保与消费者法义务 | BZSt；BGB、ProdHaftG、PAngV 原文 | 对，法条存在；2 年瑕疵担保为 BGB 通行规定 |
We are a smart home brand from Shenzhen, China. For over ten years, we have focused on small home appliances, and our products are now used in more than 30 countries. We build for reliability and durability. Technology that makes everyday life at home simpler.
它标出的三处调整
第一处，"匠心品质"不直译，改为可靠与耐用，它的理由是德国消费者看检测报告、质保年限与材料说明，不看形容词；第二处，"让科技温暖每一个家"改为让日常生活更简单，理由是强情感诉求在德国广告文化里被视为营销话术；第三处，"30 多个国家""十年"保留，但去掉"每一个"这类绝对化表达，理由是德国反不正当竞争法对事实性宣称要求可举证。三条理由是它给的判断，可信度由懂市场的人定。
对商学院与外语系的老师
同一套做法：材料（中文原文与市场）、任务（清单加改写）、核对（机构存在、说法准确）、存下来（这条提示词进模板）。
62选读：给 AI 写一份个人档案
岗位说明书写的是它扮演谁，个人档案写的是它在为谁工作。五个文件，一次采访式填写，此后每个新会话都从这里开始，不必每次重新介绍自己。
01 关于我
身份与学科，这学期在做什么，AI 帮我时需要知道的基本背景。
02 我的学生与课程
对象是谁，常见困难在哪里，上过什么、没上过什么。
03 我的目标
这学期与这一年想做成的事，优先级与大致时间。
04 我的表达偏好
喜欢的长度、语气、格式；不喜欢的词语和写法；什么时候要它主动提醒。
05 我的原则与禁区
它不能替我定的事；不能编的内容；不能出门的材料；涉及学生数据时的要求。
怎样用
把五个文件放在一个文件夹里。对话产品里，粘到"自定义指令"或项目说明；工作台与编程工具里，放在工作目录，它会先读。
请通过采访的方式，帮我完成"个人 AI 档案"的五个文件：关于我、我的学生与课程、我的目标、我的表达偏好、我的原则与禁区。
规则：每次只问一个问题；问题短而具体；我答得模糊就追问，不替我猜；不收集证件号、账号、住址、健康记录；保留我的原话，只做必要整理，不要包装成正式文书。
每完成一个文件，先把准备写入的内容给我看，我确认后再写入，再进入下一个文件。
全部完成后，告诉我：哪些信息还薄弱，哪些需要定期更新，哪些前后有矛盾需要我确认。现在从"关于我"的第一个问题开始。
核什么
它有没有擅自补条件；有没有把口语改成套话；五个文件是否都经本人确认后才写入。
63继续阅读：一手来源
只列官方文档、论文与一手课程页。先有一件正在做的事，再去阅读。
| 论文与研究 | |
|---|---|
| Vaswani et al. 2017, Attention Is All You Need | arxiv.org/abs/1706.03762 |
| Clark et al. 2019, What Does BERT Look At? | arxiv.org/abs/1906.04341 |
| Liu et al. 2024, Lost in the Middle, TACL | aclanthology.org/2024.tacl-1.9 |
| Yao et al. 2023, ReAct | arxiv.org/abs/2210.03629 |
| DeepSeek-R1, 2025 | arxiv.org/abs/2501.12948 |
| Kestin et al. 2025, Scientific Reports | doi 10.1038/s41598-025-97652-6 |
| Anthropic Economic Index, 2025-02-10 | anthropic.com/news/the-anthropic-economic-index |
| Morris et al. 2023, Levels of AGI | arxiv.org/abs/2311.02462 |
| 课程与官方页 | |
|---|---|
| 吴恩达 deeplearning.ai：AI Prompting for Everyone；Generative AI for Everyone | deeplearning.ai |
| Stanford CS224N（想看公式的老师） | web.stanford.edu/class/cs224n |
| UNESCO 教师 AI 能力框架 | unesco.org/en/articles/ai-competency-framework-teachers |
| 教育部等五部门《"人工智能+教育"行动计划》 | moe.gov.cn，教科信〔2026〕1 号 |
| OpenAI：ChatGPT、GPT-4o、ChatGPT agent、GPT-6 Astra 发布页 | openai.com/index/… |
| Dartmouth 1955 提案 | www-formal.stanford.edu/jmc/history/dartmouth |
| 本课材料与原始记录 | 随课程材料提供，向课程组索取 |