跳转至

2026 秋 · 新上岗助教朋辈分享

新学期面向新上岗助教的第一次培训,与多门课程的资深助教座谈,线上/线下结合,并提供录屏供缺席同学补学。本次主题围绕 AI 对课程教学的冲击与应对、助教工作中的 AI 技术应用、课程内容与考核方式的 AI 化调整、AI 模型使用的平权,以及全 AI 守护授课的 《迈向通用的人工智能》 课程运营经验展开讨论。

现场流程

  • 介绍参与分享的嘉宾
  • 新上岗助教扫签到问卷
  • 过程中可扫"实时提问问卷",问题同步到在线表格;主持人时不时把表格切出来,邀请分享的助教嘉宾简短回答
  • 《迈向通用的人工智能》分享
  • 后续在助教群里发布未参会同学的补学环节通知

参与分享的助教

  • 陈嘉杰(主持):计算机文化基础等课程
  • 范如文:程序设计基础、编译原理
  • 谢子怡:密码学、理论计算机科学导论
  • 张英奇:计算机组成原理、形式语言与自动机
  • 黄宇翔:《迈向通用的人工智能》(刘知远老师主讲)助教

讨论问题(以助教嘉宾分享 + 实时提问为主)

  • AI 对你担任助教的课程教学产生了哪些冲击?
  • 如果学生提交了大量由 AI 生成、质量欠佳的问题或内容,你会如何应对?
  • 在助教工作中,你是否主动应用过一些 AI 技术?如果有,具体是如何使用的?
  • 你担任助教的课程是否针对 AI 做过调整?如果有,做了哪些调整?效果如何?
  • 在担任助教的过程中,你从学生身上有哪些收获?

讨论纪要

一、AI 对课程教学的冲击

  • 编程作业的冲击:有自动测试的编程作业,AI 往往能"一把全过";编程课里只要让 AI 不写注释,助教大概率分辨不出同学是否用了 AI。
  • 数学作业的冲击:数学课同样受冲击,但 AI 写出来的东西同学多少要看懂才能抄,全部照抄会显得太明显;然而"写得挑不出错"时,助教也很为难。
  • "作业完美、考试拉垮":AI 让作业普遍写得很完美,考试却大幅下滑,这对个人的学习曲线是一个冲击:做作业时可以随便写、临时抱佛脚。
  • 无法评估真实掌握程度:只要同学不懂课程知识也能完成作业,助教和老师就难以判断其真实掌握情况。目前还没有很好的办法。

二、如何应对 AI 生成的低质量内容

  • 让学生自己去排查 AI 的问题:AI 幻觉严重时,助教会让学生通读 AI 写的代码、自己找出问题,而不是由助教或 AI 直接告诉他 bug 在哪。
  • 数学课直接判错 + 增加小测/手写:写错就直接判错;同时建议老师增加小测比例,或强制要求学生手写,考察真实思考过程。
  • 规范 AI 使用报告:程序设计基础课曾要求提交报告说明自己在多大程度上使用了 AI。后来发现若不限制,同学会把整个 AI 聊天记录贴上来,反而加大了批改工作量;于是改为"只需说明在算法设计、debug 时用到了 AI",并明确使用 AI 不会导致扣分,因为助教更想知道同学在哪些方面不掌握。
  • 重新引入主观分 / 白盒分:过去只靠客观分(过测试即满分),无法就 AI 代写扣分。现在在作业中重新用起主观分(数据结构课叫"白盒分"),通过人为判断对 AI slop 做定向打击。代价是助教工作量上升。一个例子:小学期让同学用 AI 写一个 agent,有同学只把需求贴给 AI 就原样提交,整个小学期只发了不到 10 句话。这就要靠其提交的 AI 协作 session 记录 + 主观分来纠正公平性。

三、助教工作中的 AI 应用

  • 自动化收作业 / 整理作业:以往需要自己写脚本爬取同学的 git 仓库、在测试机上测试、从仓库拉取报告打包批改;现在把链接丢给 AI 生成脚本、一键运行即可,减轻了大量"课程知识之外"的工作量。
  • AI 辅助查重:用 AI 直接找出重复度很高的报告或代码,再由助教人工判断是否存在抄袭,降低人工比对成本。这在 GPT6、Opus5.5 等能直接处理长文本、多文件的模型上尤其可行。
  • 用 AI 对付 AI / 生成参考答案:AI 非常擅长处理大批量工作或较 standard 的写作;公布参考答案时先让 AI 生成,再自行修改。
  • 课程平台建设:形式语言与自动机课程网站上做了一个覆盖所有计算模型的模拟器;计算机组成原理课程平台新增了 Vivado 在线使用以及课程知识库问答。这类"软件工程"任务很适合交给 AI 打底、助教再调整,比不用 AI 时自己去查系统指令快很多。
  • AI 做初步批改:编写 pipeline 先对同学代码做初步分析,找出明显问题(如代码没有做框架重构、写得太烂、git 没好好做);人在 AI 打分的基础上再做调整。成本很低,一学期约几十块钱的 DeepSeek 量级。
  • 答疑减负:即便办了很多答疑时间,同学也可能因为有 AI 而不愿来,助教工作因此大幅减负。

四、课程针对 AI 做的调整

  • 增加闭卷 / 限制强模型:形式语言与自动机暂未专门调整;计算机组成原理计划增加闭卷、或仅限开卷内容,评估学生在脱离强 AI 情况下能否完成课程任务。
  • "判断学生掌握"比"限制 AI"更重要:与其限制学生用 AI,不如思考如何设置课程议题与考核方式,让学生更快吸收知识、增加实际的脑力工作量。
  • 加难度不是好办法:老师第一反应常是"加难度",但同学仍可用 AI 解决,反而抬高了不用 AI 的同学的门槛。
  • 用提示引导 AI 路径:曾提议在作业里加入 CLAUDE.md / AGENTS.md,给 AI"一步步做"的提示,并把实现路径的权衡点暴露给同学(同学也可直接忽略);因工作量太大被其他助教否决。
  • 课程内容转向 AI:计算机文化基础最早是"扫盲"(会用 Word/Excel/PPT/Windows),现在加入大量 AI 教学内容(生图、生视频、生音乐,以及简单的 vibe coding),强调人的主观能动性;秋季新开"AI 编程进阶"(韩老师,第 5–12 周),是一门纯 AI 编程课,重新探讨 AI 时代的软件工程教学。程序设计基础暂未做内容改动,但大家都在想怎么改。
  • 考核转向展示:逐步把一部分考核从客观作业挪到展示,在小学期等课程加回展示环节,要求每人上台展示几分钟,同学与老师共同打分,让学生用自己的名字为 AI 作品背书,从而更愿意打磨、不那么 slop。

五、AI 模型使用的平权

  • 让作业用免费模型就能完成:编译理论课的思路是把作业难度控制在市面免费 AI(有助教用 GLM-4.6-Flash 的免费套餐)即可完成;没有账号的同学可以联系助教,了解如何申请、使用。
  • 降低手写门槛:无穹书院离散数学课强制手写作业,但鼓励适当省略步骤,只要求把关键、课堂上讲过的部分写清楚;重点在于"你能否判断 AI 写的是否正确"。
  • 兜底小模型:确认 GPT-5.3-Codex-Spark 等半年多前的模型已能解出作业;实验室在卡上部署了千问(小模型)供同学兜底调用。
  • 提供基础算力与成本意识:Rust 小学期鼓励大量用 AI 写代码,提供学校算力券(1000 元 API 额度)、GLM Coding Plan、美团 LongCat token 等,保证基础使用;同时要求同学统计各阶段使用 AI 模型的花费(不影响分数),以建立成本意识。该课程 4.0 率已在 50% 以上,边际收益很小,因此"保证所有人都能用基础版即可"。

六、从学生身上学到的东西

  • 电脑使用小技巧:在 Windows 地址栏直接输入 cmd 就能在当前文件夹打开终端;GitHub 官方 gh 工具在提/拉 PR、与 AI 交互时都很方便。
  • 初学者的"真心疑惑":同学对新知识是真心实意地疑惑,往往指向学科较深层的问题;他们也更容易发现课程文档中不清楚、需要针对性加强的地方。
  • 较真带来的惊喜:有同学会认真查论文、提出大家没见过的定理,或给出新的证明方法;密码学课上有同学在 Minecraft 里自己动手实现了密码学协议并附上截图。认真灌注了人类心血的作业非常明显。
  • 后备力量:有想法的同学是很宝贵的后备助教甚至老师来源,教学团队需要不断有新血液。

七、《迈向通用的人工智能》课程分享(黄宇翔)

该课程由刘知远老师主讲,本次分享由助教黄宇翔介绍这门全 AI 守护授课课程的规模、系统、作业与运营经验。

1. 课程概况

  • 开课历史:并非本学期新开,已开约一两年,正式记学分三个学期,从 2025 春开始;2026 年起刘老师决定改为春秋两季重复开课。
  • 选课规模:第一年 157 人 → 第二学期近 700 人 → 本学期近 1700 人,增速呈现一条 scaling law。
  • 助教配置:助教从 4 人降到 3 人(下降 25%),平均每人要面对 500 多名学生。
  • 课程定位:科学课组的通识课,一学分、P/F;理念是 "All about AI, nothing about CS",即不要求也不教编程,不涉及计算机系统与网络,只讲 AI 的基础哲学(如 scaling law、unified encoding、test-time scaling、RSI 等)。
  • 成绩构成:40% 网课(MAIC)+ 20% 小作业 + 30% 大作业 + 10% 线下参与;本学期因近 1700 人无法安排线下参与,将 10% 均分到小、大作业。

2. 全 AI 授课:MAIC 系统

  • 由实验室与教育学院联合开发的 agent 系统,实现类似"网课生成"的效果:人类老师只需上传 PPT,系统即可自动生成讲稿文字与 AI 教师语音(听上去很像刘老师本人的声音,但讲稿与声音均由 AI 生成)。
  • 每年更新课件时只需改 PPT,无需请老师重新录课,极大减少重复备课负担;未来还计划加入"一句话备一门课"等更新的功能。

3. 作业设计与考核改革

  • 旧作业的问题:过去是每讲一个小思考题 + 期末 1500 字论文。虽然课程极为 pro-AI,作业却一点都不 AI-native;学生用 AI 写小作文/大作文,对思辨训练没有含量;1600 人、3 名助教,每人一个学期要批改 3500 份小作文,只能靠 AI(LLM judge)批改,而学生拿不到任何反馈,也无法评估其是否真的学懂。
  • 本学期改革:小作业占比提到 25%,次数从 6 次降到 3 次,大作业改为 vibe coding。
    • 小作业 1:先配好一个 agent,再写一篇 1 万字的 LLM 综述(要求引用 30 篇),其中嵌入了 8 篇隐藏文献,要求至少命中 2 篇;不告诉学生是哪 8 篇,让 AI 去找。
    • 小作业 2:用 AI 造数据,讨论"多模态模型有没有空间感知能力"。
    • 大作业(vibe coding):用一个 agent 写出另一个 coding agent(如用 WorkBuddy 仿照 DeepSeek harness 写 agent),再用自己造的 agent 做一个小游戏,借此传递 "RSI(自我改进)" 的概念,至少在 harness 意义上 AI 已能自己迭代。

4. 作业设计的三条核心哲学

  • 可行性:1700 名学生、3 名助教,必须保证作业"留得下去、学生做得了、助教批得完"。采用 LLM judge 批改;为避免学生拿不到反馈,公开 Rubrics,并明确告诉学生"你可以 hack 我们的 Rubrics":如果真能构造出一条 prompt 让任何作业在任何 Rubrics 下都拿满分,就把分数给他,因为他显然已经很懂 AI。
  • 反馈及时:Rubrics 公开,作业截止后一周内出结果;上学期因批改拖延,学生不断发邮件问分,非常被动。
  • 可检测:借助庞大的样本,可以估计出有多少本科生真正把 AI 融入了工作流、有多少只是普通地使用 agent、有多少完全不会用。
  • 一个被助教团队认为可行的 hack 方案:① 通过课程概况推测助教团队所用的 LLM 和 harness;② 针对该环境做 prompt hacking,构造一条"塞什么作业和 Rubrics 都能打满分"的 prompt。
  • 作业设计建议:① 与时俱进:作业更新应当比内容更新更快,今年就把作业推倒重来;② 有趣且可做:任何大的作业设计都要先验证人力、平台、批改链路,且要照顾文科同学(例如会用 agent、配好 API key)。

5. 大规模课程运营经验

  • 让重复劳动可复用:把备课、讲授、批改、答疑所有环节都用 AI 重构一遍,形成可复用的方法论。
  • scale education 与 scale LLM 本质是一件事,infra 非常重要:中文课约 1200 人,网络学堂的自动建群功能一点就崩;微信免邀请群上限 200 人;飞书 1200 人已相当于十个中型公司、需要付费;没有任何平台能同时支持这么多人建群。最终只能退回邮件沟通;而且要在网络学堂、MAIC、邮件三个平台发布信息,对学生信息负载很大。未来若要在 AI 时代扩大课程规模,可能需要从头重构教育基础设施(群组、人与 AI 的交互、作业与数据发布等)。
  • 满足学生的需求:
    • 情绪价值:承诺 48 小时内回复邮件(分享者本人每天要回 30–40 封),绝不把学生的问题拖过两天。
    • 真人互动:学生希望看到真正的老师和助教、希望线下沟通,因此坚持办线下 AMA 讲座;即便今年借不到足够大的教室(学校能容纳这么多人的只有 6C300),把这一环节从考核分数里拿掉了,也不代表不办。
    • 认知下限:课上有文科同学连 API key 是什么都不知道,需要非常详尽的图文解说和缓慢的入门台阶;一旦配好第一个 agent,进步就会非常快。例如有文科同学想用 Codex/Claude Code,就教他"先用 WorkBuddy,再让 WorkBuddy 帮你配 Codex 和 CC"。
    • 被"接住"的感觉:尊重学生不同的背景、地区、文化和专业,尊重不同的水平,在他们需要时给予帮助,这是 AI 做不到的。改进课程时,最重要的是保持人与人之间的沟通。

6. 未来规划

  • 务实:下学期人数预计持平或略降(春季一般少于秋季);明年同期估计达到 2000–3000 人,约占本科生的一半、全体本科生的 1/5,规模仍可支撑。学校领导希望这门课覆盖所有学生,平台需要在高并发、高可用上继续支持。
  • 务虚:刘老师的期许是让更多人(含原本非 AI 专业、想转行 AI 的人)真正把 AI 用到自己的工作流里。这件事挑战很多,"上课也未必是学习的最好方式",团队仍在持续探讨未来的可能性。

⇦ 返回 2026 秋主页