一问、一做、一改。
让学习留下作品与证据。

晓悟三时：每次课都能复用

1. 课前晓：看、找、分，准备问题与材料
2. 课中悟：做、连、判，实践并解释依据
3. 课后创：改、创，把方法用到新场景
4. 每一时都留下可看见的学习证据

八字诀：看找分做连判改创

1. 看、找、分：观察现象，找证据，拆任务
2. 做、连：做第一版，连接材料与方法
3. 判、改：按标准判断，再解释修改理由
4. 创：换一个场景，做出自己的作品

CLEAR：一次完整的学习循环

1. C Connect：连接学员的真实情境
2. L Learn、E Explain：学方法，用自己的话讲清
3. A Apply：独立应用，做出作品
4. R Reflect：依据证据反思，再次改进

一张任务卡，贯穿整堂课

1. 情境与目标：为谁解决什么问题？
2. 材料与限制：已知什么，还缺什么？
3. 作品与验收：交付什么，用什么检查？
4. 修改与迁移：为什么改，下次怎样用？

90 分钟线下课参考节奏

1. 10 分钟：交流问题与材料，确定验收
2. 20 分钟：独立尝试，对照教师示范
3. 40 分钟：完成作品，同伴解释与核验
4. 20 分钟：修改展示，安排课后迁移

1–9 级：学习起点，不是标签

1. 课前 12 题：情境判断与实践自评
2. 1–3 级跟着做，4–6 级独立做并核验
3. 7–9 级验证流程、边界与同伴复现
4. 等级用课堂作品进一步确认，不作专业认证

教学理念：能力在实践中形成

1. 真实问题是起点，作品与证据是结果
2. 先自己尝试，再看示范，比较差异
3. 费曼式解释：用自己的话讲清，找出盲点
4. 理解之后，再换一个场景独立完成

课程目标：会用，也会判断

1. 把模糊需求写成可执行的任务卡
2. 完成一件可用作品，核验关键事实
3. 说明 AI 提供了什么帮助，自己做了什么
4. 在新材料和新情境中复用方法

人工智能、模型与智能体

1. 人工智能：完成识别、预测或生成等任务的方法与系统
2. 模型：依据输入产生结果，输出仍需核验
3. 智能体：在目标下组织步骤，按配置调用工具
4. 记忆、联网和真实操作，都需要权限与验证

人工智能简史：能力逐步扩展

1. 2016 年 3 月：AlphaGo 在五番棋中 4∶1 获胜
2. 2022 年 11 月：ChatGPT 公开发布
3. 随后：文本、图片、声音等交互持续扩展
4. 今天的练习：从生成内容走向可验证的任务流程

来源：Google DeepMind · OpenAI

工具选择：同一任务，比较结果

1. 先看任务：问答、写作、图像还是工具执行？
2. 再看条件：访问、费用、隐私与可用功能
3. 同一份材料试两种工具，按验收标准比较
4. 课堂按当天可访问的版本演示，记录日期

线上打基础，线下做作品

1. 吴恩达 AI for Everyone：建立基础认知
2. Generative AI for Everyone：理解生成式 AI
3. 线上资源按需要选学，课堂入口不设先修门槛
4. 线下：自己的问题、同伴讲解、现场反馈

AI for Everyone · Generative AI for Everyone

起点不同，任务可以调整

1. 壮年版：真实工作与生活任务，重在核验和落地
2. 少儿版：校园探索与表达，重在自己解释
3. 幼儿版：观察、画图、口述，由成人陪伴
4. 相同模板，替换材料、难度与成果形式

图像生成：想象与事实的区别

1. 原照片记录当时，生成图表达一种想象
2. “十年后的样子”是创作，不是预测证据
3. 真实人物素材先确认授权与使用范围
4. 展示时标注生成，比较哪些细节发生了变化

提示词：任务和验收先说清

1. 对象：这份作品给谁使用？
2. 目标与材料：要完成什么，依据是什么？
3. 要求：格式、长度、语气与限制
4. 核验：缺失信息先提问，不能补编事实

一个任务的完成流程

1. 准备材料，明确目标与验收标准
2. 先做第一版，再检查事实与适用性
3. 按具体问题修改，保留前后对照
4. 分享作品，说明限制和下一次改进

案例：一份能发出的活动通知

1. 材料：主题、对象、时间、地点、报名方式
2. 第一版：用自己的话写，再请 AI 协助
3. 核验：关键信息完整，缺失项明确标注
4. 作品：一份通知与一张发送前检查表

案例：把知识讲给同伴听

1. 选择一个问题，先写自己的解释
2. 请 AI 给出另一种解释，找出差异
3. 查可靠来源，标记不确定的内容
4. 作品：一分钟讲解与来源记录

案例：周报与一页纸摘要

1. 材料：自己的事实记录，先去除敏感信息
2. 整理：完成事项、证据、问题与下一步
3. 核验：不把计划写成已完成，不补造数据
4. 作品：一页周报与修改理由

案例：一个故事，两次改进

1. 设定人物、目标、冲突和结尾
2. AI 提供情节建议，自己选择与修改
3. 比较第一版和第二版，解释一处变化
4. 作品：故事文本或三幅故事图

案例：跑步日志中的数据判断

1. 材料：脱敏的日期、距离、时长和数据来源
2. 区分：实际记录、人工补录、推算和缺失
3. 只比较可比条件，结论保留不确定性
4. 作品：一页运动日志与数据说明

案例：一张清楚的活动海报

1. 先写信息层级：主题、对象、时间与行动
2. 选择原创或已授权素材，保持图像比例
3. 检查大屏与手机效果，核对文字和日期
4. 作品：海报与素材来源清单

案例：我的人工智能体设想卡

1. 服务对象：帮谁解决哪一个小问题？
2. 流程：需要什么材料，怎样形成结果？
3. 权限：能读取什么，哪些操作需要确认？
4. 作品：设想卡与成功、失败两个测试例

案例：一段 30 秒知识短片

1. 一句核心观点，配一个能核验的例子
2. 先写脚本和分镜，再选画面与声音
3. 生成素材、拍摄素材与引用资料分别标注
4. 作品：短片与脚本，说明 AI 的参与

案例：剪辑让表达更清楚

1. 删掉重复片段，让观点与画面一致
2. 字幕放大，保持画面稳定与原始比例
3. 核验声音、音乐与素材使用权限
4. 作品：改进版短片与一处修改说明

案例：识图结果如何核验

1. 先观察，再给 AI 提供清楚的图片与问题
2. 把输出看作候选解释，比较可见特征
3. 查可靠资料，说明哪些仍不能确认
4. 作品：观察记录与核验结论

案例：一张植物观察卡

1. 记录叶形、颜色、环境和拍摄时间
2. 提出候选名称，逐条比较特征
3. 查资料，再决定是否保留识别结果
4. 作品：照片、观察描述与来源记录

案例：工具执行前的最后检查

1. 核对操作对象、内容、权限和影响
2. 先在虚构材料或测试环境中试一次
3. 发送、删除、付款等操作由人确认
4. 作品：执行检查表与结果证据