AI与大学学习经验分享
打破大学信息差
学霸讲堂 · 回顾
同样一款AI，为什么有人半小时就能交出像样的初稿，而有人折腾一下午还在反复改提示词？想让它帮忙查文献、画图表、改论文，却不知道从哪一步下手？收藏了一堆教程和工具清单，真到要用时，还是只会打开对话框问一句言不达意的话语？
问题究竟出在哪里呢？
胡学长的答案很直接：AI 不是更聪明的搜索框，而更像是合格的工人——我们需要先明白AI精通的领域与技巧，再学会给AI派活。
本次学霸讲堂特邀胡苑才学长倾情授课，带来“打破信息差：AI 与大学学习”主题分享，从 Agent 的五个层次（Prompt、Context、Harness、Skill、Goal + Loop）讲起，到怎么给这套五层次班子排班分工，再讲到读文献的 Zotero、doc2x、NotebookLM 三件利器，画图的三条路线，最后串成“起草—交叉审核—仲裁—迭代”的工作流。接下来就让我们一起来回顾本次精彩的学霸讲堂吧！
PART.01
01
明确误区：
AI 不是更聪明的搜索框
很多人用AI，还停留在问一句、答一句的聊天框模式。学长则以车为喻另辟蹊径：大模型是发动机，负责理解、推理和生成；Harness 是整车系统，负责把发动机的能力接到具体任务上——连接文件、工具和权限，管理上下文，在跑偏的时候纠正方向。按这个划分，模型决定能力上限，而正是Harness 来决定这些能力能不能落到具体任务上。
当然，在实地操作中，更重要的还是做好每一个环节：Prompt 给出要求及定义，Context 给出材料、例子与约束，Harness 搭好工作环境，Skill 调用方法，最后则是 Goal 与 Loop 盯着目标执行、检查、修改，直到交付。学长指出：判断一个 Agent 好不好用，看的也恰恰就是三个核心：调用工具，反馈调整，推进交付。
把 Agent 拆成五层：Prompt、Context、Harnss、Skill，最后是 Goal 与 Loop。
讲到 Agent 的构成时，学长转身在黑板上写下“Agent = Model + Harness”。
PART.02
02
再组队：
给 AI 排班
在学长看来，用多个 AI，和管理一个学生组织是一回事，不同模型擅长的事不一样，所以首先要知“人”善用；
想让模型干得靠谱，就得把方法写进 Skill，像给新成员递上往届的工作文档；
意见要交叉验证，重要的内容让几个模型分别看一遍。
所谓“会用 AI”，很多时候只是“会使唤 AI”，真正的管理而应当是双向的：我们需要知道AI能做什么、该给它什么，什么时候又该把判断收回来。
把 Agent 拆成五层：Prompt、Context、Harnss、Skill，最后是 Goal 与 Loop。
知“人”善用的下一步重要指示便是明确分工。
Kimi 做主笔，调研强、文档好看，还能把一段对话沉淀成 Skill，缺点是价格偏高。
DeepSeek Harness 当平替，便宜，空闲时段更划算，只不过弱在审美。
Claude Code 负责审稿和精修，能直接进项目读文件、改代码、跑程序，交叉审核时由它仲裁。
Codex 习惯在文件和目录里工作，是另一种项目型的选择。
豆包则更适合问一些不需要深入思考的小问题，或是一些烦闷之时的答疑解惑。
“AI 团队”分工表：谁做主笔、谁做审稿、谁做备选，后面还标着各自的花费。
关于明确分工的推荐应用，学长讲了 CC Switch，并给出了四件套：Key 管权限，URL 管去向，Model ID 决定调用哪个模型，API 协议决定用哪套“语言”沟通。填好、保存、启用，客户端读取，这一系列流程看上去似乎是在配网络，配完却像多了一位“肯加班的同事”，任务的完成也因此更加高效了。
PART.03
03
动手做：
读、画、写……各有工具
给“同事们”配把趁手的工具显然也是格为重要的。这里学长精挑细选了几件最常用的，按“读、画、写”三件事摆开，件件都能让同学们轻松上手。
文献工具方面：Zotero 负责精读与管理，文献体系、笔记、引用、翻译插件一应俱全，配置顺手之后格外舒服；doc2x 对付长篇英文文献，翻译时保留原排版，适合逐句啃；NotebookLM 负责泛读与找思路，只基于上传的文件回答，答案可溯源，免费版能放 50 个文件……
读文献的三件工具，PPT 上做了并列对比：Zotero 精读、doc2x 逐句翻译、NotebookLM 泛读。
科研绘图同样分三条路线。路线图和思维导图交给 gpt image 2 或 lovart，把摘要与推导喂进去，技术路线图很快就出来了；但难点是 AI 生图难以精修。
而学长的办法有点“邪修”：把需求内容导入亿图图示软件后，拿文本框直接盖上去。数据图交给 Python 配绘图 skill，曲线、柱状、热图都能出，重点是信息密度，必要时把几张图拼成一张。示意图和动画则交给 Python、three.js 或 html，让 AI 写代码画出来，纯代码的视觉路线，潜力比我们想象的要大得多。
这里还有一句提醒！！！视觉功能最烧 token，最好先生成一张清晰的底图，再用便宜的方式改细节，别让模型反复重画。
在最后的交付环节，Word 适合人工审读，标题样式、三线表、公式与图表编号要统一；LaTeX 适合公式密集的文稿；PasteMD 负责把零散的 Markdown 片段带进 Word。当然也是需要同学们自己亲自打开文件，看内容、看公式、看引用、看分页……谨记AI 可以交付成果，但不能替我们签字！
讲到一半，学长走到讲台边，台下有同学举起手机拍下幻灯片。
PART.04
04
真功夫：
taste 与“带团队”的本事
整场讲座中，taste与 AI 管理学的重要性也逐步浮出水面……
第一件是 taste。同一个 AI，别人做和自己做，效果常常不一样。差别不在谁敲的字多，而在能不能一眼看出问题：假设科不科学，常数有没有文献依据，模型选得合不合理，结果符不符合物理经验，论文写法有没有毛病，排版好不好看。这些判断，AI 不会主动替我们做，它只会很自信地给出一个答案。
正如PPT 上引用的数字生命卡兹克的一句话：最吊诡的地方在于，形成 taste 需要长时间的学习沉淀，而 AI 的出现把沉淀的时间大大压缩了。但被压缩的是时间，不是过程，该上的课、该走的弯路、该熬的夜，可惜还是一样都省不掉。
第二件是AI 管理学。分享里，学长把管 AI 比作管人：知人善用，传帮带，上传下达，多方审核，落到操作上，是一条能跑通的流水线：主笔用 Skill 跑出初稿，人工通读挑毛病，再让几个模型各自做一遍、交叉审核；意见不直接丢给主笔，先由最强的模型仲裁合并，然后主笔修改，如此四五轮。最后一步，由人上场，润色、排版、核查。他还补了一句：项目化管理的意识非常重要。换句话说，我们不是在写一篇论文，而是在当一个小项目的负责人，谁起草、谁审稿、谁拍板、什么时候收工，都得有人负责。
把“管 AI”和“管人”逐条对照，四行分别是知人善用、传帮带、上传下达、多方审核。
大屏上展示着“我的 AI 工作流：起草—交叉审核—仲裁—迭代”。
PART.05
05
出门在外：
也能接回工作现场
压轴的PPT ，落在了一个很日常的场景：人已经出门，宿舍的电脑还在跑任务。UU 远程把画面传回来，把操作发过去：两端装好，按官方流程关联；出门前先连成功一次，确认画面、键鼠与权限；电脑保持开机联网，睡眠设置也检查一下。于是人在食堂排队，也能瞄一眼 AI 跑到了哪一步，使电脑的功能进一步便捷地得到发挥。
讲到 UU 远程时，屏幕上是一张“手边设备—宿舍电脑”的连接示意。
END
结尾
工具会变：
判断力会留下
最后，屏幕上展示着四句话：先把一个工具用顺；用完整流程把任务做到可检查；借助 AI 思考，自己负责理解；工具会变，判断力会留下。朴素的话语，底气源自从实践中走来的百般试错与尝试。
信息差从来不是“谁先知道一个新软件”，而是“谁先把一件事做完”。当别人已经跑完第五轮审核，你还在第一行提示词里打转，差距就是这样一点点拉开的。所以不必等全部学会才开始，随便挑一件手边的真事，从头到尾走一遍。走完你会发现，信息差的另一边并没有什么神秘风景，只是有人先替你探过路。
学霸讲堂能做的，大概就是把路指给你看。剩下的路，得你自己走；走顺了，那平芜尽处的春山，也自会向你走来！
分享结束后，同学们围在讲台前，继续交流。
