ARTICLE · 1384764
《AI知识库在高中物理教学中的应用》讲座逐字稿修订版
《AI知识库在高中物理教学中的应用》讲座逐字稿修订版一、开场:今天不是来学一个软件 各位老师,大家好。今天我分享的主题是:AI知识库在高中物理教学中的应用。和大家一起探索:如何利用 ima 知识库,构建属于自己的“第二大脑”,进一步沉淀属于自己的 AI 教学方法论。今天的重点不是“这个按钮在哪里”“这个功能怎么点击”上。因为软件会更新,界面会变化,功能名称也可能会变化。今天会用 ima,明天可能换成另外一个工具;今天的 Copilot 叫这个名字,未来也可能出现新的名称。 所以,我更想和大家讨论一个不会过时的问题:当 AI 进入课堂、进入备课、进入命题之后,我们教师到底应该怎样使用它?现在这个时代,答案唾手可得。我们问一个问题,几秒钟之后,AI 就能给我们一段看起来很专业的回答。语言流畅,结构完整,甚至还会主动总结、归纳、提出建议。但问题也恰恰出在这里。第一,看起来专业,不等于内容正确。AI 非常擅长使用专业语言。它可以把一个并不准确的说法,包装得非常像一个正确答案。我们读起来很顺,但顺并不代表对。 第二,没有出处,就无法核对。如果 AI 告诉我们:“根据课程标准,本节课要达到某某要求”,但是它没有告诉我们这句话来自课标哪一部分、哪一页,那么我们要核对,就只能重新翻教材、翻课标、翻教参。这样一来,AI 虽然帮我们生成了答案,却把核对的工作又重新推给了我们。工作量太大,最后就会变成:看起来能用,实际上不敢用; 想核对,却没有时间核对。第三,AI 不知道我们的学生是谁。 它不知道这个班的基础怎么样,不知道学生在哪些地方容易混淆,也不知道我们这节课已经讲到什么程度。它可以给出一个“平均意义上的好方案”,却不一定能给出适合我们这个班、这节课、这批学生的方案。所以,AI 可以帮助我们生成内容,但最终的判断不能交给 AI。我们真正要做的,不是拒绝 AI,也不是毫无保留地相信 AI,而是要给 AI 设置边界:它依据什么资料回答;它应该按照什么格式回答; 它什么时候必须引用原文;它不知道的时候应该怎样表达;它交付之前要不要自查。这就是今天分享的核心。我们通过 ima 知识库,把教材、课标、教参、试卷和教学资料组织起来,再通过明确的提问方式和 Copilot 设定,让 AI 在我们的资料范围内、按照我们的规则工作。最后达到的目标不是“AI 能写很多东西”,而是:教学里的每一句关键词,都能够有据可查; 教师的每一个判断,都能够回到具体的教学场景; 我们使用的每一套方法,都能够逐渐沉淀下来。 二、从“答案唾手可得”到“答案必须可验证” 现在,AI 工具越来越多。可能有老师会想:既然有这么多通用大模型,为什么还要专门建设知识库?这个问题非常重要。通用大模型当然有价值。日常生活中的一些问题,比如查一个概念、写一段文字、设计一个活动、整理一份会议纪要,它完全可以胜任。但当我们要做专业工作,特别是做教学工作时,问题就会变得复杂。因为教学不是单纯的“生成一段文字”。教学至少包含四个层次:第一,事实是否准确。 第二,是否符合课标要求。 第三,是否符合教材体系。 第四,是否适合当前学生的学情。 通用大模型往往只解决了第一个层次,甚至第一个层次也不一定稳定。比如我们问它:“高中物理关于牛顿第二定律的课程标准要求是什么?”它可能会给出一段非常完整、非常漂亮的回答。但它给出的可能不是课标原文,而是它根据大量资料整理之后,重新组织、润色出来的一段话。如果我们没有时间逐字核查,就可能会把一段“像课标的话”,误当成课标原文。这就涉及一个很重要的教学原则:教师使用 AI,不能只关注答案是否完整,还要关注答案是否可追溯。 所以,知识库的意义并不是简单地“把资料上传进去”。真正的意义是:把 AI 的回答,放回我们认可的资料体系中。我们上传教材,是为了让它知道知识在教材中怎样展开; 我们上传课标,是为了让它知道教学要求的边界; 我们上传教参,是为了让它知道重点、难点和教学建议; 我们上传试卷和学情资料,是为了让它知道我们的学生考什么、错什么、需要什么。这样,AI 才不只是“会回答”,而是开始在一个明确的教学语境中回答。 在讲具体使用之前,我们先做一个小调查,看看大家对 ima 的了解程度。请大家扫码参与一下。没有用过的老师不用紧张。今天不要求大家一开始就掌握所有功能。我们先建立一个基本认识:知识库不是一个存资料的网盘,而是一个让资料能够参与教学决策的系统。 三、工具会变化,但教师的使用逻辑不能停留在工具层 知识库工具有很多,每一种工具都有自己的特点。比如 Obsidian,它的优势是本地化、双向链接和知识图谱。普通文件夹是树状结构,一份资料通常只放在一个位置;而双向链接是网状结构,一个知识点可以和多个知识点建立联系。比如“牛顿第二定律”可以同时连接到“受力分析”“运动图像”“实验探究”“典型模型”等内容。这种方式非常适合做长期的知识沉淀。但它也有一定门槛:需要安装和配置; AI 功能不是原生内置的;很多功能依赖第三方插件;移动端和跨设备使用不方便。尤其是移动端体验不是很好。得到大脑或者类似的记录型工具,优势在于录音、转写和碎片化记录。课间突然想到一个教学点,或者听到一个不错的讲解,可以很快记录下来。但如果资料越积越多,后面如何分类、如何检索、如何让这些记录真正参与备课,就需要进一步设计。ima 的特点是,把知识库、检索、阅读、写作和 AI 问答放在了一起。它特别适合我们教师这种高度碎片化的工作场景: 课前可以查课标;课间可以问一个知识点;备课时可以调用教材和教参;考后可以分析错题;教研时可以共享资料;还可以通过 Copilot 固化自己的工作方式。但是这里我想特别提醒大家:我们今天选择 ima,不是因为 ima 永远不会被替代。工具是层出不穷的,可能我们刚把一个工具用熟练,就有另外一个工具炸裂出世。今天我们学习 ima,不是为了成为某个软件的熟练操作员,而是为了训练一种更重要的能力: 把工具放进具体场景里使用。过去我们经常是“工具思维”。看到一个新工具,就问:它能不能写教案?能不能出试卷?能不能做 PPT?能不能分析学生?但“场景思维”会进一步追问:我现在是什么身份?我正在解决哪一个具体问题?我手头有哪些资料?哪些内容必须有出处?哪些判断必须结合学生学情?这个任务以后还会不会重复发生?如果会重复,我能不能把它沉淀成一套流程?这就是从工具思维到场景思维的转变。 举一个最简单的例子。很多老师的电脑、硬盘、网盘里,可能有几十个、上百个 G 的资料。但真正需要的时候,经常还是找不到。这就是我们常说的“存量思维”:资料保存了,但没有形成调用机制。更进一步,是“能用思维”:我有一个明确的教学问题,能够从自己的资料库里把答案调出来。再往上,是“助教思维”:我不只是让 AI 偶尔帮我回答一次,而是让它长期按照我的身份、我的资料、我的规则和我的工作流程来协助我。 所以我们今天要完成的,不是“把资料放进 ima”这么简单,而是完成一个转变:从保存资料,到调用资料; 从调用资料,到形成流程; 从形成流程,到沉淀方法。存进去的是资料,能调出来的才是资产; 偶尔用一次是技巧,反复使用并不断改进,才会变成方法。 四、建库:不是把资料堆进去,而是在建立教学边界 为了配合国培讲座。我提前建了一个:“佳一中物理学科共享知识库”。手机版和 Windows 版的界面可能略有不同,但核心逻辑是一样的:电脑端适合批量上传和整理;手机端适合随时查阅和碎片化提问。大家可以通过应用市场或者微信小程序登录 ima。注册之后,在个人中心完成教师身份认证,空间会从 30G 拓展到 100G。身份认证只是一个操作动作,背后其实体现了平台对使用场景的识别: 你不是单纯来聊天的,而是在建设一个长期服务于教学的工作空间。接下来,我们新建三个文件夹:教材;课标;教参。为什么建议按教材册次和章节来分,而不是按年份分?因为年份是资料的时间属性,章节才是教学内容的结构属性。我们不是为了保存“2024 年的资料”“2025 年的资料”,而是为了以后能够快速回答:这一节课的课标要求是什么?教材是如何呈现这个概念的?教参对这个重点有什么说明? 过去的试卷在哪些地方考过?学生以前在哪些地方出过问题?所以:知识库的结构,决定了 AI 可以怎样理解资料,也决定了它回答的边界。如果库里只有一些零散的教案,AI 就可能主要依据教案回答; 如果库里有课标、教材和教参,回答就更容易回到教学依据; 如果再加入试卷、错题和学情资料,它就开始具备面向真实教学的条件。这就是建库最重要的原则:不是资料越多越好,而是结构要和教学场景对应。 这里还要设置两个权限。第一,加入方式设为“需管理员确认”。 第二,权限设为“可查看,不可导出”。这不是为了把资料封闭起来,而是为了让共享有边界、有秩序。好的共享不是无条件开放,而是:资料能够被共同使用,同时保留必要的管理和保护机制。现在邀请大家扫描二维码,加入这个共享知识库。大家加入之后可以看到,我在库里提问,大家都能看到;大家也可以基于这个库继续提问。这里大家可以特别关注: 共享库不是一个资料展览馆,而是一个共同工作的空间。资料只有被调用、被补充、被验证、被改进,才会真正产生价值。 五、提问:不是让 AI “自由发挥”,而是把问题问成可核对的样子 接下来我们看,怎样针对知识库提问。很多时候,AI 回答得不好,不一定是模型能力不够,也可能是我们的问题没有把任务边界说清楚。我们平时可能会问:“牛顿第二定律这节课怎么上?”这个问题太大了。它不知道:你是谁;你教哪个年级;用哪一套教材;你准备上哪一课时;你是想查课标,还是想设计活动;你希望回答依据什么资料;你需要的是课堂流程,还是教学重难点。所以,一个好的问题,至少要说清楚四件事。 第一,说清楚身份和场景。比如:我是高中物理教师,正在准备人教版必修一《牛顿第二定律》这一节课。第二,说清楚资料范围。比如:请只依据学科库中的课标、教材和教参回答。第三,说清楚输出结构。比如:请按内容要求、学业要求、教学提示分开列出。第四,说清楚核对要求。比如:请引用课标原话,不要自行改写;每一条注明文件名称和页码。大家看,这样一来,我们不是简单地让 AI “回答问题”,而是在给它布置一个有边界、有标准、有交付要求的教学任务。 提问模板可以这样说:我是高中物理老师,要上必修一《牛顿第二定律》这一节课。请你在这份课标中,把和这节课有关的要求找出来。要求: 第一,按“内容要求、学业要求、教学提示”分开列; 第二,每一条写明出处; 第三,引用课标原话,不要自行改写; 第四,如果库中没有相关内容,请明确标注“当前资料未覆盖”。大家注意最后一条。我们不仅要告诉 AI“你应该说什么”,还要告诉它: 你不知道的时候应该怎样说。这其实是非常重要的。在传统教学中,教师知道“不知道”是正常的。 但语言模型很容易为了保持回答完整而继续生成。于是它宁可补一个看起来合理的说法,也不愿意停下来承认缺失。所以我们必须把“未知”写进规则。知识库不是为了让 AI 什么都回答,而是为了让它知道哪些问题可以回答,哪些问题应该停下来。 六、核对原文:知识库真正的价值,不是“答得漂亮”,而是“答得可追溯” 现在我们看回答结果。大家会看到,每一条回答后面都有一个绿色的“原文”角标。我点开其中一个角标,它会告诉我们:这句话来自哪个文件;在哪一页;对应哪一段原文。这一步非常关键。因为我们平时使用 AI,很容易被一段完整、流畅、有结构的回答说服。但教师真正需要的,不是“看起来正确”,而是“我能够确认它正确”。我们可以把 AI 的输出分成三个层次。第一层,是语言层面:它说得通顺不通顺。 第二层,是知识层面:它说得对不对。 第三层,是证据层面:它能不能回到原始资料逐字核对。 对于教学来说,真正可靠的是第三层。所以我们给 ima 设定的纪律是:引用原话;注明出处;不得改写;不能核对,就标明未知;核对通过之后,才写进教案。这里我建议大家养成一个工作习惯:AI 生成的内容,不要直接复制到教案里。可以先把它当成一个“待核验草稿”。看到一个判断,就点开原文; 看到一个课标要求,就回到课标; 看到一个教学建议,就回到教参; 看到一个数据,就回到试卷或答题记录。 只有这样,我们才是在使用 AI,而不是被 AI 使用。大家也可以对比一下,如果我们把同样的问题发给通用大模型,它可能也能答得非常漂亮。但网页来源往往比较复杂:可能来自论文;可能来自教学设计;可能来自个人文章;可能来自二手解读;甚至可能来自其他 AI 生成内容。所以,不是通用大模型不能用,而是:通用大模型更适合帮助我们打开思路; 知识库更适合帮助我们完成核验和交付。 七、范围越窄,答案越准:知识库的使用要服务于具体场景 我们再看三种提问方式。第一种,是针对整个库提问。适合做比较宽泛的查询,比如:这个单元有哪些核心概念?教材、课标和教参对这个主题分别怎么说?这个章节有哪些资料可以调用?第二种,是点进某个具体文件提问。适合做精确查询,比如:这份课标里对牛顿第二定律的要求是什么?这本教参对本节课的重难点如何表述?这套试卷中涉及哪些考点?第三种,是针对某个文件夹提问。比如只针对“课标”文件夹提问,或者只针对“教材”文件夹提问。 这三种方式没有绝对的好坏,关键在于任务范围。范围越宽,适合找方向; 范围越窄,适合做交付。这其实和教师备课很像。我们刚开始备课时,可能会广泛阅读、查找资料、比较不同观点;但真正写进教案时,必须回到具体教材、具体课标、具体学生。所以知识库的使用也不是“问得越多越好”,而是要经历:广泛检索 → 缩小范围 → 回到原文 → 形成判断 → 完成交付。这就是一个真正的教学工作流。 八、命题:AI 的价值不是替老师出卷,而是把老师从重复劳动中解放出来 接下来讲一个物理老师非常关心的话题:命题。大家平时怎么命题?可以扫码投票,也可以直接举手。无论我们采用哪种方式命题,真正影响试卷质量的,不只是出题速度,更是:命题是否有计划;内容比例是否合理;难度是否匹配;情境是否真实;题目之间是否互相泄露答案;是否符合当前学生的实际情况。所以,让 AI 命题,第一步不是让它马上出题,而是先让它做命题计划。比如:我要给必修一“牛顿运动定律”这个单元出一份单元卷,考试 40 分钟,满分 100 分。请先不要出题,先给我一份命题计划。 然后让它明确:每一节占多少分;选择题、实验题、计算题如何分配;各题难度如何安排;哪些知识点重点考查;题目准备采用什么物理情境;40 分钟是否能够完成。大家会发现,命题计划本质上是在做一件事:先把评价目标和评价边界确定下来。如果一开始就直接让 AI 出整套试卷,它可能生成一套看起来完整的试卷,但内部可能存在很多问题:某一节超出计划分值;难度分布失衡;情境重复;计算量过大; 题目之间互相提示答案;甚至前一道题的答案出现在后一道题的选项里。所以命题应该遵循:先计划,再出卷;先出卷,再自查;考完之后,再回到学情。这里我想说一句:AI 可以让我们更省力,但不一定让我们更省心。这句话不是在否定 AI,而是在提醒我们:AI 能够减少重复劳动,但不能替我们完成专业判断。它可以帮助我们:整理课标;生成题目初稿;排版试卷;检查答案;统计错题;归纳知识点。 但我们省下来的时间,不能只是让自己少工作一点,更应该用来做更有价值的工作:设计更真实的物理情境;研究学生为什么错;判断题目是否真正考查了目标;调整难度和梯度;思考如何帮助学生建立物理模型。所以,AI 时代教师的价值,不是消失了,而是发生了变化。过去,我们可能花大量时间找题、改题、排版、统计; 以后,我们应该把更多时间放在:学情判断、教学设计、物理情境和专业决策上。 九、考后分析:把一次考试,变成下一轮教学的起点 考完试以后,我们还可以把答题卡或者统计结果交给 ima,让它帮助我们分析。比如要求它:按题型统计每道题错了多少人,扣分也算错;把错得最多的题标出来;如果识别不清,就标记“无法识别”,不要猜。这里最重要的不是它能不能算出一个数字,而是它能不能诚实地告诉我们:哪些地方它看清楚了,哪些地方它没有看清楚。如果答题卡模糊,或者学生的答案写得不清楚,它应该标注:无法识别。 而不是根据上下文猜一个看似合理的数字。我们绝不能接受一个“看起来很准确”的错误数据。因为一旦错题统计错了,后面的判断都会错:我们可能误以为学生最薄弱的是某个知识点;可能把下一节课的时间用在错误的地方;可能编写一份并不针对学生问题的补偿性练习。因此,AI 的数据分析也需要核验。我们可以把考后分析分成三个步骤:第一,统计事实:哪些题错得多。 第二,分析原因:是概念不清、模型不会,还是计算失误。 第三,制定行动:下一节课补什么,练什么,怎么练。 注意,第一步可以让 AI 提高效率,第二步需要教师结合学生的答案判断,第三步更需要教师根据教学进度作决策。这就是“人机协作”的合理方式:AI 负责把材料整理出来,教师负责解释材料意味着什么。而且,试卷分析不是一次性任务。第一次分析之后,我们可以把结果沉淀到知识库;下一次命题时,就能调用过去的学情资料:哪些知识点反复出错;哪些题型长期薄弱;哪些错误具有班级共性; 哪些学生需要个别化帮助。这样,一次考试就不再只是一次成绩统计,而会成为下一轮教学的输入。这就是知识库带来的一个重要变化:教学不再是一次次孤立的备课,而是一个能够不断积累、不断反馈、不断改进的循环系统。 十、Copilot:不是让 AI 替我工作,而是让它按照我的方法工作 最后,我们来看看如何把 ima 设置成自己的专属助教。现在有一个很常见的概念,叫 Personal Agent,也就是个人智能体。它和普通聊天机器人的区别在于:普通聊天机器人通常是:你问一个问题,它回答一次。而个人智能体更接近:它知道你是谁,知道你有哪些资料,知道你习惯怎样工作,也知道交付之前应该做哪些检查。这就用到了 ima 的 Copilot 设定。Copilot 这个词本身非常有意思。 它不是 Pilot,不是驾驶员;它是 Co-pilot,也就是副驾驶。副驾驶不会替你决定目的地,也不会完全替你开车,但它会:帮你看路;提醒风险;提供信息;协助完成任务;在你需要的时候提出建议。教师和 AI 的关系,也应该是这样。AI 不是领导,不能替教师决定教学; AI 也不是学生,不需要教师每一步都手把手教; AI 更像一个能力很强、但必须被明确要求的同事。 所以,我们要先给它立规矩。比如四条:第一,先给结论,再列依据。 第二,前提没有说清楚,先追问。 第三,每条结论写明出处。 第四,交付之前先自查。这四条看起来简单,但实际上体现了我们对教学质量的基本要求。我们还可以进一步设定:你是谁;你教哪个年级;使用哪一套教材;常做哪些工作;资料放在哪个知识库;你希望它用什么语气;哪些内容必须引用原文;哪些问题必须先问清楚。例如: 你是我的高中物理数字化助教。 我正在使用人教版教材,主要教高一学生。 我的课标、教材、教参和试卷都上传在物理学科库中。 你帮助我备课、命题、分析错题和整理教学资料。 所有涉及课标和教材的结论,都要注明出处。 库中没有的内容,要明确说“当前资料未覆盖”。 交付之前,检查数字、公式、出处和错别字。大家可以看到,这已经不只是“教 AI 怎么回答一句话”了,而是在描述: 我希望自己的教学工作按照什么逻辑运行。这就是方法论的雏形。 十一、从 Copilot 到自己的 AI 教学方法论 我们可以把自己的教学工作拆成几个固定场景。比如:场景一:备课先查课标;再看教材;再看教参;最后结合学生学情设计课堂。场景二:命题先做命题计划;再设计物理情境;再生成题目;再核对答案;最后检查难度和答案泄露。场景三:考后分析先统计错题;再识别错误类型;再分析知识薄弱点;最后设计补偿教学。场景四:评课输入课堂录音或者教学设计;按照固定评价维度分析;给出课堂证据;提出下一步改进建议。 这些步骤如果每次都临时告诉 AI,效率会很低。但我们可以把它们固定下来:固定输入什么;固定调用哪些资料;固定按照什么顺序处理;固定输出什么格式;固定交付前检查什么。这就形成了自己的工作流。工作流经过反复使用和修改之后,就会逐渐变成自己的教学方法。所以,我理解的“AI 教学方法论”,不是一套高深理论,而是:把自己在备课、命题、分析、评课中的有效经验,整理成可重复、可检查、可共享的流程。 工具会更新,软件会更换,但是下面这些东西不会过时:你如何理解课标;你如何组织教材;你如何分析学情;你如何设计物理情境;你如何评价一节课;你如何判断一个答案是否可靠;你如何把经验沉淀下来。这些才是教师真正的长期资产。 十二、Skill 与共享:个人经验如何变成集体资产 除了 Copilot 设定,ima 还有 Skill,也就是可以直接调用的技能模块。比如:教学评一体化;智能评课;整理知识库;生成教学设计;分析试卷和错题。Skill 的意义,不只是“多了几个功能”,而是把一个复杂任务拆成了若干步骤,并且把这些步骤固化下来。比如“智能评课”,它背后可能包含:识别课堂结构;分析教师提问;统计师生互动;判断目标达成;找出课堂证据; 生成改进建议。如果每一次都临时要求 AI 完成这些工作,既麻烦,也容易遗漏。而一个成熟的 Skill,就相当于把这套工作方法保存下来。更进一步,我们还可以建立共享知识库。好的教学资料,不应该永远沉在个人电脑里。个人知识库解决的是:我的资料如何存储和调用。共享知识库解决的是:一组人的经验如何流动、补充和增值。比如,一个老师整理了一份很好的章节教案; 另一个老师补充了对应的实验资源; 第三个老师添加了学生常见错误; 第四个老师又根据实际课堂修改了教学建议。 这样,资料就不再属于某一个人的孤立经验,而逐渐形成一个团队共同使用的教学资源。当然,共享并不意味着简单地把文件全部公开。共享需要:明确权限;统一命名;规定资料格式;标注来源;保留版本;及时更新。只有这样,共享库才不会变成另一个“资料堆”。真正有价值的共享库应该是:有人上传,有人使用,有人反馈,有人修订。知识在使用中增值,方法在交流中成熟。一个人可以很快地做出一个答案,但一个团队可以共同建设一套持续改进的教学系统。 十三、总结:我们真正要建设的,不是一个知识库 今天大家回去之后,可以先做三件事。第一,完成教师身份认证。 第二,上传课标、教材和教参,提问一次,并且点开一次“原文”。 第三,完成 Copilot 设定,把自己的身份、教材和工作要求告诉它。但我更希望大家带走的,不只是这三个操作。我希望大家带走四个转变。第一个转变:从“我有没有资料”,转向“我能不能调用资料”。第二个转变:从“AI 能不能给我答案”,转向“这个答案能不能核对”。 第三个转变:从“我会不会使用某个工具”,转向“我能不能把工具放进真实教学场景”。第四个转变:从“这次任务完成了没有”,转向“这次经验能不能沉淀成下一次可以复用的方法”。我们今天建设的,不只是一个 ima 知识库。我们真正要建设的是:一套属于自己的资料体系;一套属于自己的教学工作流;一套属于自己的 AI 使用规则;一套能够不断迭代的教学方法;一个可以与同事共享、共同成长的教研系统。 工具会过时,平台会迭代,界面会变化。但是,如果我们已经形成了自己的方法:知道什么资料值得沉淀;知道什么问题需要核对;知道什么任务可以交给 AI;知道什么判断必须由教师完成;知道如何把经验变成流程;知道如何把个人经验转化为集体资产;那么,无论未来使用什么工具,我们都不会从头开始。我们拥有的,不再只是某个软件的使用技巧,而是一套属于自己的系统。最后,我想用一句话结束今天的分享: AI 的价值,不是替我们完成所有教学; 而是把我们从重复劳动中解放出来, 让我们有更多时间去做真正需要教师完成的事情: 理解学生、设计情境、做出判断、沉淀经验。从今天开始,大家可以先完成一个很小的动作:上传一份课标,提出一个问题,点开一次“原文”。因为真正的分水岭,不是我们有没有听过 AI,也不是我们有没有注册某个工具,而是:我们是否开始把 AI 纳入自己的教学系统,并且让它按照我们的专业判断工作。 从点开第一次“原文”开始, 从建立第一个文件夹开始, 从保存第一套自己的工作流开始,我们就在逐渐形成属于自己的 AI 教学方法。谢谢大家。 课件链接https://workbuddy.link/p/YGUkAEcWZf6bs3FAp8q5H6















































































