先读《AI学习免费资料》里推荐的三篇入门文,再读《不要一上来就让 AI 判断一百万条数据》理解人机分工,最后用《AI时代,“精英阶层”正在如何重构教育?》校准课程该教什么。
AI根据立正公开的文章和视频整理,不是他本人回复。重要的判断,请回到出处核对。
入门先读官方推荐的三篇
材料里的观点《AI Learning Free Starter Kit》页首明确给出第一次来的阅读顺序:先停止把 AI 当聊天窗口用,再学先写 Skill 再执行,然后理解什么算 AI Native 人才。这三篇正好对应青少年通识课要回答的三个问题——AI 是什么工具、怎么把任务说清楚、什么能力值得练。它同时提醒这份清单整理于 2024 年底,直播、课程和工具已有很多更新,所以适合当框架起点,不适合照搬具体工具1。
人机分工是通识课的核心内容
材料里的观点《不要一上来就让 AI 判断一百万条数据》讲了一个可以迁移到课堂的判断:确定性的部分交给程序,规则不够用的模糊判断交给 AI,最终拍板留给人。文章用数据筛查举例,先筛掉明显正常和明显异常的,只把可疑部分交给 AI,再用成功和失败案例反复校准。青少年课不必讲百万条数据,但可以让学生亲手做一次“哪些交给规则、哪些交给 AI、哪些自己判断”的拆分,这比教提示词更能建立对 AI 边界的理解2。
课程目标别只盯找工作
在《AI时代,“精英阶层”正在如何重构教育?》里,立正提到用“学什么能帮你找工作或创业”来打开问题可能太功利也太快,今年和明年的答案可能完全不同;他更倾向想未来五到十年世界会怎样,自动化会更多,但人本的东西也会更被看重。做青少年通识课时,这可以帮你决定课程是教具体工具操作,还是教判断力和人的部分——前者容易过时,后者更耐久。这段是语音比对确认的陈述,仍属自动比对而非逐句听校3。
入门清单整理于 2024 年底,其中工具和课程信息已过时;教育那期是多人场合,只有语音比对确认的片段可归为立正陈述。
出处
- 1AI Learning Free Starter Kit | AI学习免费资料
官方给出的第一次阅读顺序,适合确定入门框架和先读哪几篇。
- 2不要一上来就让 AI 判断一百万条数据|AI与人协作的任务光谱
完整讲清程序、AI、人三者分工,适合设计课程的核心练习。
- 3AI时代,“精英阶层”正在如何重构教育?
讨论教育该按什么目标设计,适合校准课程定位。
追问2026年11月1日
想看看立正关于 AI 与人协作任务光谱的更完整展开?以及青少年通识课想覆盖哪些主题,是工具使用、原理理解还是判断力?
任务光谱的完整展开在《不要一上来就让 AI 判断一百万条数据》一文:程序做确定性筛查,AI 处理模糊判断,人保留最终拍板并反馈。青少年通识课的重心应放在判断力,工具使用和原理理解是支撑。
任务光谱:程序、AI、人各管一段
材料里的观点立正把“怎么用 AI 做数据筛查”重新表述为“哪些交给程序、哪些交给 AI、哪些必须留给人”,并称这是 builder 的核心素质之一1。以一百万条可疑数据为例:格式、缺失、超范围、重复这类能用明确规则判断的,先写脚本筛掉,可能只剩五万条需要 AI 看1。AI 处理规则不够用的部分,但要把判断标准写成可迭代的 skill,配上成功与失败案例,用 evals 量化 precision/recall,人审结果再回流1。最后 AI 不假装做最终裁判,只对能验证的部分给高置信判断,把不确定的挑出来排给人看,甚至生成一个可交互页面帮人快速定位是数据问题、规则问题还是 AI 判断错了1。整条链的关键是闭环:确定的自动化,不确定的智能化,关键判断留给人1。
通识课该练判断力,工具和原理是底座
从立正谈学习与判断的材料看,课程重心更可能落在判断力上。他主张真正学会是撤掉帮助、过一段时间、换一道题还会,做出来只说明当下做得好2;判断力靠动手前先预测、做完再对照现实来练2。他也区分“假困难”:配环境、申请 token 这类消耗意志力却不长智慧的事可以交给工具,难要留给值不值得做、怎么拆、做得好不好3。工具使用因此是必要但不构成课程目标本身;原理理解的价值在于能诊断失败根因,而不是背概念4。放到青少年课上,可以把一个真实小任务拆成“规则能定的、需要看上下文的、必须自己拍板的”三段,让学生先预测再对照,观察哪一步撤掉 AI 后会卡住。
现有材料没有专门谈青少年通识课主题分配的篇目,课程重心是从学习与判断类文章推得的,不是立正对青少年课程的直接表述。
出处
- 1不要一上来就让 AI 判断一百万条数据|AI与人协作的任务光谱
任务光谱最完整的展开,含程序、AI、人三段分工与 evals 闭环,是本题第一阅读起点。
- 2AI替你做出来以后,你还会什么?|哥大客座课程回放
讲清“学会”的检验标准和判断力怎么练,适合校准课程目标。
- 3假学习的终结
区分真假困难,说明哪些交给工具、哪些留给自己练。
- 4AI User 与 AI Builder 的 5 个差距,和背后具体技术原因 | 科技大厂打工人版
说明原理理解为何有用:能诊断 AI 失效的根因,而非背概念。
你也有想问的?
卡住的时候,问问立正:回答附有出处,可以点回原文核对。
也可以接着问:
别人还问了
- 这个课干啥的
这是一门教人真正把 AI 用进工作与项目的课,重点不是软件操作步骤,而是提需求、判断与动手做的能力;另有一门一小时小课供先试。
- 课代表在223年写的一篇文章里面有讲包括大语言模型是怎么来的呀?介绍这些背景资料的
按现有片段,无法确认“课代表”在2023年写过介绍大语言模型由来的文章;能确认的是立正在2023年有两份公开讲解,分别从生成模型原理和范式变化切入。
- 前辈想请我付费帮她做一档播客,我很愿意采访,但觉得采访完之后的剪辑和发布比较麻烦。一方面我觉得 AI 应该可以把后期做的不错,但实际上我自己的播客后期一直没有弄的很丝滑。我不太知道怎么判断这件事合适。我想的是,我可以收很低的费用,只负责采访。或者用相对高一些的费用,把采访和后期都接了。不太想接负责找外包剪辑同学以及和外包同学沟通,之前自己试过比较麻烦。
按你的约束,更稳的是低价只接采访,把后期排除在承诺之外;若想连后期一起接,就应把外包剪辑和沟通成本算进报价,而不是假设 AI 能替你消化。
- 如何做好 data agent?
做好 data agent 的关键不在模型多强,而在先把数据关系建模成图、在生成查询外加一层审计纠错,并把上线后的持续调优当成常态。
- 目前用了很多 agent,如果管理跨 agent 的 skill 更新和维护问题?
把 skill 当成需要持续运营的共享资产:统一存放、版本化、按环境适配,并给高风险改动加审批。多 agent 不是多份 skill,而是同一份 skill 被多处引用。
- 想赚钱,增加收入,普通人是不是做自媒体更好
不一定。对多数普通人,自媒体更该先当低成本试水的事业,而不是稳赚的副业;它前期大概率不赚钱,成功标准要先定清楚。