一个普通 CS 学生的 AI 学习工作流实录
来源概述
少数派作者 Efan404（香港高校 CS 硕士在读）发布的中文个人实践长文，记录怎样把 ChatGPT、Claude 等工具放进课程学习和 Research Report 写作。来源属于经验性文章，不是学校官方教学规范，也没有对照实验验证成绩提升。
核心论点
- 课程隔离是 AI 学习助手的第一约束：每门课单独建立 ChatGPT Project / Claude Project，避免跨课程术语和公式污染。
- 高信噪比资料比"资料越多越好"更重要：厚教材不必整本上传，优先上传 Lecture Slides、Tutorial Notes、Assignment Spec。
- 显式边界声明：提示模型优先采用上传资料中的定义、符号、公式，资料未覆盖时显式标记使用通用知识。
- 研究报告写作采用"先规划后逐章写作"：上传 PDF 和 Assignment Spec 后先要章节结构，再按章节生成初稿。
- 双模型审计：把原论文摘要或结论作为基准，把报告全文交给第二模型，要求输出幻觉、引用断章取义、薄弱论点、反驳、预估评分和三条修改指令。
- 第二模型定位为"问题发现器"，不是权威审稿人；两个模型可能共享训练偏差，审计输出必须回到原文裁决。
关键输入与产出
- 输入：每门课的课件与作业规范；论文标题列表；学生技能与目标；论文 PDF；字数、格式与提交规范；用作基准的论文摘要或结论；完整草稿。
- 中间输出：课程范围内的概念解释；论文题录、摘要与 Top 3 推荐；报告章节结构与篇幅；按章节形成的初稿。
- 审计输出：可能捏造的术语/数据/引用清单；可能断章取义的位置；最薄弱论点及反驳；预估评分、一句话主要问题、三条修改指令。
- 最终交付：经学生阅读原文、核对引用、补充判断并符合 Assignment Spec 的 Research Report。
作者经验（十步流程）
- 按课程建立独立项目
- 只加入高信噪比材料
- 声明回答边界
- 先整理候选论文
- 结合个人条件筛选
- 上传 PDF 与提交规范
- 人工重写与补证
- 引入第二模型审计
- 回到原始证据裁决
- 提交前做合规检查
失败、成本与限制
- 项目文件数和 Token 限制；资料筛选与 PDF 阅读时间；分章节迭代；双模型审计的额外成本。
- 整包上传会引入噪声，模型可能调用教授未采用的术语或解法。
- 联网模型整理的题录与摘要可能出错，跳过原文核对会得到包装得更完整的虚假书目。
- 双模型审计存在共享偏差；"预估评分"不等于教师真实评分。
- 来源未提供完整成绩对照、长期学习能力测量或 GPA 改善数据。
适用范围与对象
- 适用：需要同时管理多门课程资料的本科或研究生；需要从候选论文中选题、规划研究报告和检查初稿的学生；愿意阅读原始 PDF、但希望减少资料整理与初步结构时间的人。
- 不适用：缺少基础知识、完全不读原文或课程禁止 AI 辅助的情况。
来源边界
- 来源支持：作者的学生身份与个人工作流；十步流程中的具体动作；双模型审计的提示设计。
- 来源未支持：完整成绩对照、长期效果、逐条 DOI 核验结果、学校对该工作流的正式认可、产品功能与价格的政策性变化、不同学校/教师对 AI 辅助范围的规定。
- 整理者归纳：把第二模型定位为"问题发现器"是基于作者操作逻辑的整理，不是独立的准确率验证。
观察日期
2026 年 1 月 18 日（文章发布）；2026 年 7 月 13 日（本笔记收集）。2026 年 7 月实际使用时应查阅 ChatGPT、Claude 等产品的最新文件上限、上下文、联网功能与数据政策。