这场培训的甲方，是 DeepSeek 介绍的。
南召衡辰中学的校董想弄清楚 WorkBuddy 到底怎么赋能教育，去 DeepSeek 上查。DeepSeek 的回答里，引用了我发在腾讯云开发者社区的一篇文章。校董顺着这条引用找到了我。
我平时总讲「上下文是资产」，这次算是 AI 亲手替我把这笔资产变现了一回。
于是前几天，我去了河南南阳，给这所学校的老师们做了一场培训。
整整 6 个小时，不是讲座——每个人带着电脑，跟着我一步一步真跑。上午认知加英语备课，下午 Skill 沉淀、数学实验室、整班作文批改。全程四段录屏，5.6 个小时（有一段我忘了按录制）。
值得一夸的是，南召衡辰的执行力非常离谱的强，第二天就让老师实操，举行了AI赋能教学的比赛。所以，这样的学校肯定是能从AI时代跑出来的，只是时间问题～
这篇文章把那 6 个小时完整复原一遍。不是花絮，是那条真正跑通的路：英语老师从一堆错位的材料备出一整套课，数学老师拿到一个能投大屏的函数实验室，30 本手写作文并行批改完还出了全班的诊断报告。所有关键提示词都在文中，照抄就能用。
读完了你会发现，老师们缺的从来不是工具，是一套完整的派活方法。
一、67 份问卷：都在用，都没用起来
培训前我发过一份问卷，收回来 67 份。
数据很有意思：28 位老师偶尔用 AI，26 位每周都用。加起来八成老师已经在用 AI 备课了，基础比想象中好得多。
但往下看就露馅了。有稳定使用流程的，只有 4 个人。用过 WorkBuddy 这类 Agent 工具的，只有 2 个人。
八成人在「用」，几乎没人「用出成果」。中间隔着的那条沟，就是我这场培训要填的。
问卷里还问了担忧，排前三位的是：怕 AI 产出的东西不符合课标和学情；怕千篇一律，没有自己学校的样子；怕事实和答案出错。
这三个担忧其实指向同一个东西——上下文。AI 不了解你的课标、你的学生、你的学校，产出当然悬浮；判断的权力没攥在自己手里，产出当然失控。这一条线，贯穿了那 6 个小时。
先交代老师们过去用 AI 的方式：打开豆包或 DeepSeek，问一句，答一句。要备课了，先自己翻本地文件夹挑资料，上传附件，贴一段很长的提示词，等它出一个大纲，再复制粘贴回 Word，自己排版。
整个过程里，AI 是被告知的，人是搬运工。这种用法，天花板很低。
二、把 AI 养在你的文件夹里
所以上午前半段，我先把三个概念讲透。这三个概念是后面所有操作的地基。
第一个概念：Agent。
DeepSeek、豆包这类产品，行业里的定义是 Chatbot，对话机器人。你问一句，它答一句，它的职责是回答。
Agent 不一样。这个词翻译过来叫代理，就像注册公司找代办：你给一个具体任务——帮我把公司办下来——过程中的所有问题，他替你解决。
Agent 和 Chatbot 的差别，拆开是三个词：工具、状态、循环。
工具。你让 DeepSeek 帮你做个 PPT，它为什么动不了？没有写 pptx 文件的工具。模型是大脑，工具是手脚。大脑再聪明，没有手就干不了体力活。
状态。今天你跟它探讨了三小时第三课怎么备，明天新开一个对话，问「咱俩昨天聊到哪了」，它一片空白。Chatbot 保持不了状态，这就是为什么过去用 AI 感觉很累——每次都要重新自我介绍，重新喂资料。
循环。任何一个智能，完成任务的路径都是一个循环：先看目标，思考、拆解、定计划，调用工具去执行，拿到初步结果，跟最终目标比对差距，再调整计划进入下一轮。你给组里老师布置一个明天汇报的 PPT，那位老师干活的路数也是这个循环。Agent 干活之所以像人，就是因为它跑的是同一个循环。
第二个概念：上下文。这是全场培训我讲得最重的一点。
把世界上所有的知识放到一个平面上，用两条轴切开：横轴是「人知不知道」，纵轴是「AI 知不知道」，得到四个象限。
右上角，人知道、AI 也知道。比如通用教案的结构、常见的教学方法。这些东西不用你说，不影响结果。
左上角，人不知道、AI 知道。问概念、做调研，这是 Chatbot 的主场，也是过去大家用得最多的场景。
左下角，人不知道、AI 也不知道。那是顶尖科学家用 AI 探索前沿的领域，跟我们关系不大。
最重要的是右下角：人知道、AI 永远不知道。
有哪些？你是谁，你教哪科，你班上学生的基础怎么样，你学生常犯什么错，你们学校的导学案长什么样，你桌上那堆文件里都是什么。
这些是物理世界的信息。AI 就算联网，也查不到你班学生上次考试的分数。它们对你最重要，对 AI 却是彻底的盲区。
所以过去用 AI 感觉产出很表层，不是模型不行，是你最值钱的那部分上下文，一次都没给过它。
备课的上下文是什么？课标、教材、单元要求、班级学情、学生常见错误、学校模板、评价要求、过往作业记录。这些东西在哪儿？全在你电脑里。
那就别每次手动搬运了。把 AI 养在你的文件夹里。
这就引出第三个概念：工作空间和上下文窗口。现场我用一间房子讲这三个概念，其中「书架要规整」那一层，还是一位老师自己答出来的。
工作空间是房子。在 WorkBuddy 里选一个本地文件夹作为工作空间，AI 就住进这间房子：它需要什么材料，自己去书架上找。房子同时也是一个围栏——它只能在这间房里增删编辑，动不了你电脑上的其他文件。网上常传「AI 把代码库删了」这种事故，工作空间就是防这个的。
上下文窗口是工作台面。AI 接到任务，先去书架上把相关材料搬到台面上，台面的大小决定了它一次任务能摊开多少信息。目前主流大模型的上下文窗口在 20 万到 100 万 token，100 万 token 大约是两本《红楼梦》的体量。文件夹比台面大没关系——只要书架足够规整，它每次取的材料足够准。
书架规整，就是文件夹结构化。文件夹命名清晰，AI 看一眼名字就知道里面是什么；乱堆一气，它就得把每个文件都翻开看一遍，白白烧掉台面。就算接手的是一个乱文件夹，也可以先让 AI 自己整理一遍。
选模型也就三句话：长任务、大文件夹，选上下文窗口大的；看模型后面的积分系数，日常任务 V4 Flash 这个档位能解决 95% 的场景；要处理手写照片、要看图做网页的，选多模态模型——它能像人眼一样看出照片里你打的勾和叉，而不只是把字提出来。
三、SGP：别再学提示词了
概念讲完，讲怎么开口。
GPT 刚出来那两年，市面上全是提示词课，九块九一节。我也买过不少。但模型能力越来越强，那些结构化的长提示词，作用越来越小——很多事你随口一句话，它也能完成得不错。
Agent 的运行是一个循环，循环里最要紧的三件事：初始状态、目标、过程。我把它总结成 SGP：State、Goal、Process。
State 是现状：我是谁，我手上有什么材料，事情现在做到哪了。Goal 是目标：我要一个什么东西。Process 是过程：你希望它怎么一步步干。
这里有个反直觉的判断：Process 的比重应该越来越小。你觉得在这件事上你比 AI 强，就把步骤说细；你不如它的，就把过程交给它去规划，你只审计划。备课这件事，规划能力 AI 比多数老师强，你真正不可替代的是教学判断。
落到操作上，派一个活说清五件事就够了：我是谁（State），手上有什么材料，必须遵守什么规则，要什么（Goal），先对齐再动手（Process 的验收）。
最后一件事值钱：对齐需求。
人是不善于表达自己需求的。你给下属布置任务，怕他没理解，会补一句「你还有什么想问的吗」。对 Agent 也一样，在提示词结尾加一句：
在正式开始之前，请通过提问的方式与我对齐需求。
这句话会贯穿后面所有实操。WorkBuddy 把它实现成了选择题卡片：AI 先复述它理解的东西，然后弹出选择题，一轮最多 4 题，每题两到四个选项，还会标注推荐项和理由。你点完一轮，它汇总，再进下一轮。
推荐项带着教学判断。比如它问「正弦实验室里的角用什么单位」，推荐「弧度+角度双显示」——因为它知道必修一第五章用弧度，而学生的直觉停在角度。你可以不选推荐，点「其他补充」改口，拍板权永远在你。
记住这一句就够了：方向可以说清，细节让它来问。
四、英语老师的备课流水线
上午的主案例是英语：一个新入职的高一英语老师，北师大版必修第一册，前辈给了一堆参考资料，下周就要上课。
这条线一共 20 步，我挑关键的讲。
第一步，盘点，别急着写教案。
开口三段话：我是新入职的英语老师，马上开学；我想把第一单元备出来，最后要能进课堂用；你先别急着写教案，先看完手头这些材料，告诉我它们分别是什么、有没有对不上的地方、还缺什么，我确认了再往下做。
它的结论一句话：7 份材料里，只有 2 份能用——教材和课标。两份导学案的落款是高三，手写教案写的是 Unit 7，限时练是高考题型。年级错了，单元错了，题型也错了。开学第一周要的是新授课，不是高考综合卷。
这一步很多人会跳过。直接说「帮我写个教案」，这些错位材料就全进了产出，你还不知道问题出在哪。AI 的第一份工作不是写教案，是当材料质检员。
顺带一个现场知识点：聊天框里的模型默认只能看文字。Word、扫描 PDF、手写照片，它得先找工具打开——大脑是模型，手脚是工具。Agent 和 Chatbot 的差距就在这双手上。
第二步，联网补料。
前辈那里没有高一的配套，缺口就让它自己上网补：先别写教案，也别做全书 OCR，帮我找北师大版必修一 Unit 1 的高质量、公开、能合法下载的资料，每条写清来源、能不能下、适不适合开学第一单元、可信度怎么样，先下一两份最有用的，列清单给我确认。
这里有两个工具，值得所有老师记住。Web Search 是搜索框，输入关键词，拿回一堆标题、摘要和链接；Web Fetch 是点开链接，进到页面里读具体内容。搜到不等于找到，点开不等于能下。
它最后下载了两份：安阳教研的单元整体教学设计，管整单元怎么排；毛坦厂中学的课时设计，管第一课怎么上。其余只画了一张地图，哪些是 A 级官方渠道，哪些要学币、套话多，标成 C 级。
第三步，蓝图。
材料齐了，让它出 Unit 1 的整体备课蓝图：这个单元解决什么、拆多少课时、每课时干什么、重难点和任务链怎么安排。资料有冲突，说明采用哪种、为什么；需要我拍板的关键教学判断，单独列出来。
它给了 12 课时的方案，另附 6 个必须人来定的判断：课时用 12 还是 14；不定式讲到什么深度；Lesson 1 拆 2 课时还是挤 1 课时；超纲练习当不当作业；课末那几句「我的理想生活方式」怎么安排。每个判断它都有推荐和理由，但停在那里等人点头。
完整需求是问出来的，不是开场写进去的。
第四步，项目分身。这是全场培训我认为最值钱的一步。
蓝图确认后，用一段自然语言把这个备课项目初始化：把文件夹按干活顺序分成四个区，再建两个文件。
四个区：01_原始材料放别人给的和网上找来的原件，只读不改；02_备课过程放没定稿的中间层，是草稿箱；03_内容底稿放已拍板的蓝图和采用的设计，是共用事实源；04_交付成果放能进课堂的东西。编号跟着加工顺序走：先读原件，再加工，再沉淀，最后出成品。
两个文件。
一个叫 CODEBUDDY.md，写这个项目的长期规则：项目是做什么的、四个文件夹各放什么、原始材料只读、事实分「已确认」和「待确认」、移动文件或改教学方向前先问我、做完关键步骤主动更新总览。
另一个叫 00_项目总览.md，只写当前状态：目标、已确认的判断、现有材料、做完什么、还缺什么、下一步。
解释一下 CODEBUDDY.md。它就是行业里说的系统提示词。你在对话框里打的字，是用户提示词，只管下一步；系统提示词是提前预设的规则，每次对话开始的一瞬间就自动加载进模型脑子里，永远生效。
现场我拿政务大厅打的比方：你走到窗口跟业务员说的话，是用户提示词；那位业务员入职时领的员工手册，是系统提示词。手册决定他怎么办事，你的话决定这一单办什么。
00_项目总览.md 则是状态文件。Agent 保持不了聊天记忆，但文件就是它的状态。每次新对话先读这两份，规则和进度就都在了。
验证很直接：新开一个对话，问「这个备课项目现在什么状态，下一步做什么」。它几秒钟就答上来，不用重新翻一遍文件夹。这两份文件合起来，我管它叫项目分身——规则和状态落在文件里，不靠聊天记忆。
第五步，教案。
新老师不会拆课、拿不准重难点，可以让 AI 带着备：你按蓝图带着我把 Lesson 1 备起来，先别写完整教案，先给我大纲，把为什么这么安排用我能听懂的话说清楚，我看不懂的会问，我点头了再写成能进课堂的教案。
它给大纲的时候真的在教：为什么先读 Joe 再读 Li Ying——先学会读自述文；为什么每课都走导入、预测、速读、精读、输出——新老师不容易乱；为什么语法放进课文里看，不单开一节。甚至讲到图式理论：读前先聊「你课余干什么」，是先激活学生脑子里已有的经验，读起来不慌。
和 AI 协作备课的过程，本身就是新老师的带教课。
大纲确认后写完整教案。老师回了五条改口——一节课 40 分钟、导入别讲太久、作业先只抄关键词——它先把改口重写了一遍才动笔。老师只说「放到合适的路径下」，教案就进了 04_交付成果/Lesson1/，因为规则早写在系统提示词里了。它还自己更新了项目总览，把「下一步」改成了做词汇表。
现场一位资深英语老师看完教案的评价：环节、重难点和平时的要求一致，有的地方比他们日常写的更清晰。
第六步，学校模板：壳不能拆，只换字。
导学案要套学校模板，这一步翻车了两轮，翻得很有教学价值。
第一轮，它把学校模板的栏目学了一遍，用转换工具另起了一份新 Word。栏目差不多，但那不是学校那张纸，教务处不认。第二轮，它复制了模板，却清空正文、把双栏改成单栏——内容对了，壳拆了。
老师说了一句后来被写进手册的话：学校模板的壳不能拆。重新复制原件，只替换文字，页眉页脚、双栏、开头信息框、编辑审核栏都留着。
第三轮对了。左右双栏还在，学校信息框还在，页眉标语还在，换掉的只是课题、年级、单词和练习。高三的词、高考题、原模板编辑栏里的人名，全部清掉。
学校要的从来不是一份漂亮的新文档，是那张熟悉的纸上长出新学期的内容。这个细节在学校体系里工作的人都懂，AI 的默认输出做不到——除非你说出来。
词汇表顺带一提：不从书后附录抄，按教案反推。学生手里有书，词表的价值是告诉老师：这节课哪些词要能用、哪些见着认识就行、分别出现在哪个环节。
到这里，课前这条线跑通了。从一堆错位材料，到蓝图、教案、词表、师生导学案、作业案，全部落盘。
五、把走通的路收成 Skill
跑通之后，才谈沉淀。
Skill 这个词听着新，我用装桌子打过比方。你买了一套需要组装的桌子：电钻是工具；电钻的使用说明是说明书；而一个木匠装过一百张桌子，他知道怎么装最快最稳——这是做成这件事的最短成功路径。
工具＋说明书＋最短成功路径，三者打包，就是一个 Skill。别人拿到这个 Skill，等于木匠手把手教过他一遍。
备课流程跑通了，就把它收成两个 Skill：一个管到教案确认——盘点、补料、蓝图、初始化、大纲、完整教案；一个从教案确认后接手——词表、师生导学案、作业案、答案册。
写 Skill 之前，还是那句话：先对齐。它连问了 8 个选择题，其中三个答案有行业纵深。
模板塞不塞进 Skill？不塞。学校模板留在项目文件夹里，Skill 只管流程。换一所学校，纸不一样，流程不变。
两个 Skill 并行跑？不并行，改成顺序快速出、每步确认一次。两个 Agent 同时改同一张学校纸，更容易拆壳。
装在哪？项目级。这个 Skill 只服务这个备课夹，不做全国通用的教案机。
Skill 的三种调用方式：输入斜杠搜名字；点加号从技能列表选；或者干脆用自然语言——你只说「帮我备第二单元」，它自动匹配。原理是所有已安装 Skill 的名字和描述，会常驻加载在每次对话的上下文里，模型随时知道自己手上有哪些牌。
Skill 是资产，提示词是消耗品。这句话我讲过很多次，这次是老师们亲手验证它。
验证的方式很苛刻：换对话，不换文件夹。
还在这个备课项目里，新开一个对话，只打一句「帮我备课 Unit 2」。旧聊天一点带不过去，项目级 Skill、四区目录、项目总览全在。
结果：4 个闸门照停，材料诊断、资料采用、蓝图判断、教案大纲，全都停下来等人点头；产出的是 Paul 和 The Underdog、定语从句，第一单元的 digital native 一个词都没跟过来。
方法迁移了，内容没迁移。这才是 Skill 沉淀成立的证据。
那天下午最让我高兴的不是演示跑通，是讨论环节老师们的输出。有老师想把某位出题专家历年的题全喂进去，让 AI 分析他的出题习惯。
有老师想解决临界生问题——那个差 15 分上本科线的学生，分数该投在哪一科，数据能给出人凭感觉给不出的答案。有老师想做错题变式训练，一次考试照片进来，同类题出去。出题、成绩分析、错题，每个学科组都有自己的想法。
工具所有人都一样，场景是自己的。老师们开始想自己的场景了，这场培训就成了一半。
六、数学老师的函数实验室
英语是文科代表。理科老师会问：我们呢？
下午我现场跑了一个数学案例，痛点来自一句大白话：课堂上图是死的。参数变了，学生看不见图怎么变，规律只能靠老师嘴讲。
还是同一套 SGP。数学老师说四段话：我是高一数学老师，讲人教 A 版必修一，函数是主线；课堂上图是死的，参数变了，学生看不见图怎么变，规律只能靠老师嘴讲。
我想做一个能投大屏、下周就能用的交互网页，不是函数大全，是一个按课切换的实验室——开场课左边单位圆转、右边同步画正弦，能拖振幅周期相位；再用一条图对照指对幂的增长；另两个课讲根与解集、二分法逼近。在正式写代码之前，请通过提问的方式与我对齐需求。
它没写代码，先复述理解，再弹选择题。
两轮点完——单文件、四个实验室全做、弧度角度双显示、自动转加滑块、三参数可拖、深色底——它才第一次拿出规格表。开场四段话里没有「零外部依赖」「Δ 预设」这些词，它们全部出现在点完两轮之后。
产出一个 48KB 的单文件网页，零外部依赖。教室电脑双击就能开，断网也能跑。
四个页面按课切换：正弦生成，单位圆转一圈，右边描出一条正弦，三个滑块随手拖；指对幂对照，指数往上冲、对数几乎趴着，课标要的增长差异一眼看见；二次函数，一条抛物线同屏看根、零点和解集；二分法，内置求 √2，点一下走一步，节奏在老师手里。
黑板画不出来的东西，一个网页就出来了。老师想改哪里，点着说就行：上传到资料库，教室电脑打开网址就能用，U 盘和微信传文件这些课堂事故源直接消失。
物理是同一套话术换学科内核：小车在轨道上跑，右边 x-t、v-t、a-t 三条图同步生长；双小车验证牛顿第二定律，记录几组数据直线就拟合出来；3 牛和 4 牛垂直合成，合力正好是课堂里那道 5 牛，这是它写完自己验的算。
物理那个网页的页脚，始终有一行黄字：本页面为辅助教学模拟，不能替代真实实验。模拟器知道自己是模拟器，这条边界我特意让它写进页脚。
七、30 本作文，5 个工人
课前、课中都跑了，课后最重的活在等着：批改。
一个班五十个学生，每周一篇英语作文。想给每本都写出档次、原因、词汇语法句式问题和改法，时间上做不到——多数时候只能扫一眼、打个分、画两处错。对学生的成长来说，这种泛泛的反馈几乎等于没有反馈。
AI 在这件事上的优势，不是比老师更会阅卷，是能把同一套标准落到每一本上。
第一步，还是对齐。我想做一个专门改英语作文的专家：我们是河南学校，新高考全国卷，应用文满分 15 分；给它一篇手写作文照片，它要按高考标准先定档再微调、说明理由，指出词汇语法句式的问题和改进方向，文末附固定格式的 JSON 给后面整班分析用；你先别写系统提示词，通过提问的方式与我对齐需求。
人对出来的是什么？是阅卷习惯。
题目必须每篇附上——高考阅卷是拿着要点单对照的，不附题目它就瞎猜。报告粒度选定档加三维度点评——逐句批注改 30 篇，老师根本看不动。
定档规则也一条条对：内容定基准档，要点全覆盖进 13 到 15 分档，漏一个要点降一档，语言只在档内上下浮动，词数严重不足降档，卷面不计分、照片看不清留给人。JSON 字段勾四项：学生信息、评分数据、问题标签、亮点建议。每维度点评不超过 3 条——改 30 篇的时候老师还扫得动。
系统提示词不是写出来的，是把阅卷习惯对清楚之后固化下来的。
对齐完，它按规范创建专家，注册名「高考英语应用文阅卷老师」，花名明格。默认模型锁成 MiniMax-M3，原生多模态——手写照片直接看，连你用什么颜色的笔、哪里打了勾都知道，这比先 OCR 提字再评贴课堂得多。
单本报告长什么样？定到第四档，微调理由写得很清楚：时态对比设计优秀、要点覆盖完整，上浮；一处 which keeps 的主谓一致硬伤，下调。
然后三个亮点、三个维度的问题，每个问题带原句、带改写示范——make friends 是口语搭配，书面改成 build new friendships。最后一段方向性总结：这篇做得最好的是什么，下一步优先练什么。
一个英语老师很难给 50 本每本都改到这个细度。但专家中心是单聊，一次改一本，整班怎么办？
这就要换一条路：子 Agent。把明格那份完整的系统提示词，落到项目文件夹的 .codebuddy/agents/ 目录下，存成一个 Markdown 文件。从这一刻起，主对话就能同时派出多个实例——不是开 5 个明格，是一个主线程派出 5 个同工种工人。
新开对话，派工指令只说三件事：用的是子 Agent，不是专家；30 张作文照片在哪个文件夹，一次派 5 个，每个改 6 篇；报告落到作业评分夹，文件名留姓名和学号——以后要建学情档案。批改标准一个字都不用重复，工人自己带着。
5 路同时开工，屏幕上五个批次并排跑。
10分钟左右，30 份报告交齐，外加一份花名册和一份批改总览：这批演示样卷，全班均分 7.03，第三档 14 人，高频错误是时态、冠词、介词。报告正文只用学号，投屏不念真名，文件名留给老师课下查——脱敏这件事，它自己会拆。
每份报告末尾那段 JSON，是给机器看的。JSON 相当于 Agent 的 Excel 表：30 份报告就是 30 张结构化的表，汇总分析不用重新读 30 篇文章，脚本直接抽。
最后一步，对着总览出讲评报告。还是先问：这份报告给谁看？——讲评课投屏。这决定了脱敏强度和内容基调，不能做成交教务的周报。
产出一个 HTML：首页六个数字钉住全班——均分、中位分、最高最低、词数均值、词数严重不足的人数。档次分布像一座中间高两头低的小山；典型错误逐条列着，make exercise 该是 do exercise，good habit help 该是 helps。
往后翻是老师直接能用的东西——下节课讲什么，动词搭配专题涉及 21 人、出错 33 次，句式升级涉及 24 人，为什么讲、讲什么、怎么讲。最后是分层建议，每一档是哪些学生、下一步各干什么。
从 50 本作文改不过来，到 30 份数据摆在面前讲评课怎么上都清楚了。这条流程最后也收成了一个 Skill：下次布置作文，扫描件扔进文件夹，一句话跑完批改、汇总、报告。
边界照旧收好：分数是辅助建议，正式成绩老师说了算。演示用的 30 张样卷是模拟数据，真实姓名不上大屏。
八、两条主线，一个答案
6 个小时，其实就讲了两条主线。
主线一是备课：从盘点材料到蓝图、项目分身、教案、导学案，每一步先对齐再动手，产出直接能进课堂。
主线二是批改：高频重复的劳动交给并行工人，换回来的是每个学生的个性化反馈，和一份全班的数据视角——过去凭一双眼根本聚不出来的东西。
回到开头那三个担忧。
怕不符合课标学情？把课标和学情喂给它。四区文件夹、项目总览、系统提示词，全是干这个的。
怕千篇一律？蓝图的 6 个判断、大纲的 5 个改口、阅卷的定档规则，每一个闸门都是你在拍板。产出跟着你的判断走，怎么会千篇一律。
怕事实出错？人验收。分数是建议，正式成绩你说了算；3 加 4 等不等于 5，它写完自己验一遍。
还有一句话，我是留着快结束才说的：AI 能让一位老师直接进入八九十分的水平；从八九十分到优秀的最后一二十分，是教学判断——你比任何模型都了解你班上的学生。等所有人都会用 AI 的那天，真正拉开差距的，是每个闸门上判断的质量。
培训结束的第二天，老师们自己做了一场汇报分享。校董看完，跟我说了原话：「我看了他们的分享，我特别的感动。这些年轻人啊，真的是被点燃了。」
他还在张罗给老师们找能参赛的赛道，学校打算办一场内部的分身比赛，让每个学科组把自己的场景做出来。
被点燃的不只是老师。一个校董在 DeepSeek 上查「WorkBuddy 怎么赋能教育」的那个瞬间，这件事就已经开始了——AI 引用了我的文章，学校找到了我，我把方法交给老师，老师用出自己的场景。上下文在流动，资产在复利。
如果那 6 小时要压缩成三句话，就是手册结尾那三句：
第一句，开口只说清现状和目标，过程先对齐，细节让它来问。
第二句，换对话，不换文件夹——规则和状态写在文件里，不靠聊天记忆。
第三句，成功路径先跑通，再写成 Skill——固化的是流程和闸门，不是这一次的内容。
老师们的场景清单，比这篇文章长得多。出题、临界生、错题，每一条都值得跑一遍。工具的门槛已经低到这个程度了，缺的只是把一条真实流程完整跑通一次。
跑通第一条，后面的会自己长出来。