ARTICLE · 1196914
AI 时代,教师得学会给自己造工具
知识越来越不值钱，教师得学会给自己造工具
我是高中物理老师，也带物理竞赛。最近我一直在琢磨一件事：AI 来了，教师到底该干什么。
琢磨来琢磨去，我有一个判断：知识的获取越来越容易。
二十年前，一个物理老师最硬的底气是"肚子里有货"。题库储量、解题经验、对教材和考纲的熟悉程度，这些东西要靠一年一年慢慢攒。学生问一道题，张口就能讲；教辅里翻不到的题，你手里有。
现在不一样了。学生把题拍下来丢给 AI，几秒钟，答案、步骤、易错点全出来。你想找一道"考板块模型临界条件"的题，AI 一分钟能给你凑出二十道，还能按难度排好。知识的获取，几乎没有了门槛。
我们过去很多"专业性"，是建立在"我知道、你不知道"上的。这东西一旦被抹平，教师的价值就得重新找地方落脚。
我的看法是：想清楚自己到底要什么——判断力；把想法变成现实——工具能力。而后一条，恰恰是我们这行过去很少被要求、现在必须补上的一课。
一、大多数人对 AI 的用法，浪费了
我观察到的情况是，很多同行用 AI 是"问一句、拿答案、关掉"，下次遇到同样的事，再问一遍。
这么用当然没问题，但它不沉淀。你今天把一个问题解决了，明天的工作方式一点没变。
如果一件事你每周、每月都要做一遍，它就不该每次都重新问。该做的是把它固化下来，写成一份 AI 能照着执行的标准动作。
在 WorkBuddy 里这个东西叫skill，在另一套环境deepseek harness里叫插件。名字不一样，本质是一回事：把你做过一次、以后还要做无数次的事，写成一份操作手册交给 AI，以后你说一句话它就跑完。
这就是我理解的转变：从"用 AI 解决问题"，变成"用 AI 造一个能反复解决问题的工具"。
二、具体说说我造了些什么
1）排版：从一小时到几分钟
作为教师，特别是数理化科目的教师，没有谁没有感受过排版一份试卷所带来的那份这么：排版。一份讲义、一套卷子，内容写完以后，要排成拿得出手的样子。字号、行距、公式、图片位置、答案区，特别费时间。我自己的 LaTeX 模板改了七八年，越改越细，但每次排新东西还是得一行一行对。
后来我把这套模板做成了技能包。现在一份原始的 Word 讲义或者试卷给我，我直接说一句"按学案规格排好，编译，清理中间文件"，它就会提图、恢复公式、按题型对齐图片、排版、编译、跑一遍验收，一条龙走完。
说个直观的对比：以前出一套题，光排版就要一个来小时；现在几分钟出成品。而且题目和答案自动分离，教师版、学生版一次生成。对天天要出卷子的人来说，省下来的不只是时间。
到什么程度呢：高三一轮复习的整套讲义和训练，是一份份这么排出来的；有一套周测卷，42 期、84 份，全部统一成同一套版式；竞赛班的自编卷，从一堆题目变成了能直接印的成品。
这些活以前也能干，就是慢。慢在机械。而机械的东西，恰恰最该被固化。
2）题库
题库是我最近花力气最多的一个工具。
它的流程是这样的：一张题目截图丢进去，它识别成规范格式、贴上标签、存进库里；攒够了，一键导出成一份可以直接编译的学案工程。
题库的测试过程中已经躺了 88 道题，将来很快就可将排版好的卷子批量导入。以前找题靠翻文件夹，复制+粘贴，现在靠筛+自动导出。
3）讲义工作台
还有一个我常用的工具，是讲义工作台。
写讲义的时候，最烦的是"改了要等编译"——写几行，编译一次，看看出来什么效果，不行再改。反复几轮，时间就没了。
这个工作台把这件事并到一屏里了：左边写 LaTeX 代码，右边实时显示编译出来的页面；下面还有一棵结构树，这一节分了几块、每块是什么，一目了然。旁边那一栏是我跟它对话的地方，比如"这一块要加一道例题"，它就去改对应那一块。
4）画图：以前写代码，现在说话
物理题离不开图。以前用 TikZ 画图，得翻手册、试参数，画个斜面加物块，折腾半天。
现在我把常用图形做成了模板，用中文描述就能生成。"斜面上一个物块，画上受力"，它把代码写出来、直接渲染出来；哪里不对，改一句描述再生成。下面还挂着一个模板库，画直线、抛物线、弹簧、电路这些常用的，点一下就插进去。
5）识别：让本地的模型把截图变成代码
出题的源头经常是别处的截图，一张卷子的照片，或者一份 PDF 里截出来的题。
识别这件事我一直用本地的视觉模型做。把截图丢进去，它把题目内容识别出来，转成规范的 LaTeX 代码，直接接上我的排版流程。最麻烦的公式也交给它——根号罩住谁、分式怎么嵌套，以前得一个字一个字敲，现在识别完直接能编译。
全程在本机跑，不联网，图片不用传到任何地方。
还有些更小的：PDF 处理，几十页的文件挑页、拆分、拼长图，点几下就完事。
单个看不起眼，连起来就是一条自己的生产线。
三、为什么干这件事
教师的工作流里，机械重复的动作密度特别高。排版、抄题、整理答案、做卷子、做表格、发通知，这些事情有个共同点：规则明确、步骤固定、输出格式稳定。这样的活最适合交给机器。
把机械的活交出去，省下的时间才能还给只有人能做的事。判断一道题好不好、想清楚一堂课怎么讲、看学生到底卡在哪一步、跟一个孩子坐下来聊十分钟，这些事 AI 替不了。工具的意义不是替你上课，是把你从别的地方解放出来。
最后
人类历史上每一次质变，基本都和工具绑在一起。石器让人类走出丛林，农业让人定居，蒸汽机、电力、流水线重写了工业，计算机和互联网把世界连起来。每一次都是工具先把生产力提上去，然后整个社会跟着变。
这次也一样。不会用新工具的人，会被会用新工具的人替掉。
工具越强，边界越要划清。AI 只干确定的活，判断和选择留给人。
排版、编译、格式检查、字符替换这些机械的部分，交给机器；而"这道题该不该进讲义""这个知识点讲深还是讲浅""这样处理学生能不能懂"，一个字都不让机器碰。
道理也简单：工具是放大器，它放大的是你的判断。你自己没想明白，它只会更快地把糊涂东西复制出去。
当"知道"不再稀缺，真正稀缺的东西反而显出来了：知道怎么把知识变成学生能听懂的东西，知道在一堆选项里挑出对的那个，知道什么时候该停下来看看学生的眼睛。
要把这些事做好，你得先腾出手。腾手的办法，就是给自己造工具。
从哪开始？从你工作流里最烦、最重复的那个环节开始，把它固化下来。一次固化一个动作，慢慢的，你就有了自己的一条生产线。
