从工具链到分工协作:AI 如何切入你的工作流程

电工电子技术这门课的知识几乎都能验证。它意味着这门课里有大量工作，可以放心交给 AI，又不怕它出错，或者说如果AI出错了我们可以验证并加以修正。但是，多数人把 AI 用浅了。有人只拿它当搜索引擎，问一句算一句；有人指望把整堂课一股脑丢给它"自动备好"，结果完全不可用，还得自己从头再来。如何在电工电子课程教学中用好AI，其实不复杂。归结起来就一句：先理清做这件事要用的工具链，再挑一个的人工智能或者是智能体，最后分清哪些交给它、哪些自己留。

1. 先看清 AI 能做什么

能搜索查询——查询器件手册、查同类实验怎么设计、查询历届学生做这件事时卡在哪里。它把散在各处的资料吞下去，理成一个有条理的全局。

能批改判断——批改电路计算题、判断实验报告的数据是否合理、把错题按知识点归类。

能生成，这一条要拆开看。写讲稿、写评语，是自由文本，错了人看得懂；画电路图、写 SPICE 网表、写 Verilog 代码，是有严格语法的"文本代码"，错一个符号就编译不过。AI 对这两类东西的价值不同——自由文本给的是速度，文本代码给的是"能运行、能复用"的产物，而且恰恰因为后者能编译校验，AI 写出来反而更可信。

能执行——批量搭建环境进行仿真、输出波形图、写控制程序、自动整理实验数据。它不只会说，还能调工具把完成任务。

这四样是一条流水线的四段：查（找素材）→ 判（看对错）→ 生成（出东西）→ 执行（交付）。

2. 工具链：AI能动手的前提

这里有个容易被漏掉的前提：AI的执行能力不是凭空来的，需要真的的能驱动工具。 让它画电路图、跑仿真、下板，前提是这些工具先装好、调通。

对电工电子老师，这套工具大致是：写讲义\试卷用LaTeX 加 circuitikz（，或者使用HTML；仿真用spice；如果让它编写采集卡程序，那么前提是驱动、SDK 与编译环境均已就绪。离开这些，AI 无论多么强大，产出的也只能是无法运行的文本。

这就是工具链。它并不只意味着"把软件安装完毕"就可以被AI调用，必须注意如下几个问题：

• 装好：工具可用，引擎能够编译、脚本能够运行。

• 打通：智能体能够真正调用这些工具，接口是连通的。

• 能回传：智能体产出代码之后，能够读到报错信息、看到渲染或仿真的结果。

上面最容易被忽略的正是"能回传"。缺少这一层，AI 便处于"盲写"状态——看不到错误出在哪里，看不出排版是否混乱，也看不到波形是否正确，自然无从修改。有了回传，它才能进入"写 → 跑 → 读报错 → 改"的闭环。这也正是后文分工得以成立的技术基础：只有具备硬校验机制的任务，才敢于放心交给 AI。

比如，写一讲义，需要 TeX Live 排版引擎、代码绘图库、参考文献管理工具与版本控制系统；为一块数据采集卡编写控制程序，需要驱动、SDK、IDE，外加一个"认识这块卡"的专用技能；进行开源 FPGA 开发，则需要 WSL2，以及yosys、iverilog、verilator 等一整套 EDA开源工具，再配合能够调度它们的智能体框架。

但工具链也有它无法覆盖的边界。例如，开源 FPGA 工具链纵然完整，也替代不了 PLD厂商的闭源器件与大规模复杂 IP。这恰好划出了分工的起点：工具链延伸到哪里，可以交给 AI 的工作就延伸到哪里；覆盖不到的部分，要么更换工具补齐，要么交还给人。

3. 选智能体：在工具链的边界挑最贴合的

工具链就绪之后，才轮到决定"派谁去干活"的事。这里有一个常被忽视的次序：工具链是常量，智能体是变量。 前者决定"这件事能不能做成"，例如，没有 TeX 引擎，再强的模型也排不出书；后者只决定"做得顺不顺、准不准"。所以应当是先搭链（工具链）、再选体（智能体）：链一旦稳定，智能体有选择空间。为了节省成本，最好使用开源还智能体；反过来，环境未通时去纠结"用哪个模型"、“哪个智能体”就没有意义。

同时要提醒一句：可替换，不等于等价。 两个智能体都能编写教材，差异不在"能不能"，而在"适配度"——看它认不认你的工具、报错是否回传、主力内容准不准。而这种差异，只有链搭稳之后才看得清、才值得比。

那么如何选？可以用七条标准，按四个层次递进地筛：

• 能不能干（硬门槛，缺一即弃）：其一，回传闭环是否完整——写出的东西能否自己编译、读懂报错并据此修改，而非只生成文本了事；其二，是否认识你的工具——对链里的具体工具（TikZ、某块采集卡、某套 EDA）有没有可用的知识覆盖，避免AI照着臆想的 API 瞎编。

• 干得好不好（质量）：其一，主力内容是否精准——任务里占比最大的那类内容（编书即 LaTeX 此类形式化文本），要看它的编译通过率与幻觉率；其二，分工是否合脚——它只需在你要委托的环节上可靠，不必样样全能。

• 干得久不久（时间）：长期记忆能否外置——跨会话、跨天不断片，能读写项目状态文件（大纲、进度、术语表、决策），再以版本管理留存。记忆一旦外置，替换智能体才不必从头再来。

• 守不守得住（可控）：其一，能否固化规则——把项目约定、风格与禁令写成长期生效的规则文件，而非每次口头叮咛；其二，是否提供钩子——在生命周期关键节点挂上确定性把关（提交前校验、危险操作拦截、敏感步骤人工审批），以机制而非模型自觉守住边界。

4. 分工协作：把"事"标准化，把人摆到标准之外

工具与人各自就位之后，才轮到真正的分工。如何划分，有一条清晰的界线：

• 可验证、能运行的任务（公式排版、数值计算、批量导出）——交给 AI，甚至可完全移交。错误可被查出，风险随之可控。

• 量大、重复、替代价值不高的任务（资料检索、初筛、草稿、初版排版）——由 AI 打底，人工过目一遍。

• 需要判断、承担责任、讲究分寸的任务（重点考查什么、评语是否给予某位学生、题目是否公允、语言是否符合要求）——由人把关，AI 至多提供草稿。一句话，最后必须由人来验收。

这条界线不只是"效率线"，更是"责任线"。AI 可以替你撰写评语、评阅分数，但"这份评语要发出、这个分数要生效"的责任，始终归于人——因为它最终会落到某个具体的人身上。因此，分工中最不能交给AI的，不是某一件具体的事务，而是"拍板"与"负责"。

5. 总结为一套方法

将上述各步合而观之，AI 切入工作流程的方法便清晰了，一共四步：

• 拆：先把一件事拆解成若干环节，明确每个环节的产出与对错标准。

• 链：为每个环节配齐工具链——装好、打通，并让结果能够回传验证。

• 体：挑一个与这条链贴合的智能体，连同它所需的技能与记忆一并配齐。

• 分：在每个环节中，可验证、可重复、工作量大的交由 AI，需要判断、需要担责、需要拿捏的留给人。