1. md文档 > doc > pdf（在资料的信噪比方面）
md文档虽然很小，但是1mb可以装25万以上的token，50多万字的中文，一般的对话式大语言模型根本读不了。
自己的案例：dp可以加载100mb附件，50多个文件，但是丢一个900多k的md文档进去，直接卡死。丢给其他大模型有的可以读，但是也读不了全文。
于是反推gpt的项目，虽然有一个库，丢大量的文件进行分析，同理逻辑应该差不多。然后去查了一下，gpt的机制是rag，一样会存在无法逐字分析的问题。
这就解释了为什么 gpt出教研的内容后期非常乏力，ppt幻觉，核心内容丢失，题目不精准。
这不是AI能力模型的问题，是我自己想的太简单了。妄想做一个资料库，然后用一个碉堡的prompt，解决我所有研发中的问题。比如直出题库、直出卷子、直出ppt。为了验证，我试了扣子、豆包、dp、千问，结果都一样。
所以我的观点很简单：
- 投喂教研资料，想尽一切办法让数据干净
- md文档需要编码和切分，只要切得足够小（比如按章的节）
模型是一个逐字分析和给出我要的教研产出的过程。 这一点真的非常重要。做文科教研，如果题目的答案没有书上的信源，靠AI编，就一点意义也没有了。
2. 课件只是障眼法，核心是个人教案调整的skill
具体例子：ppt就像网页的前端，交互、审美固然很重要，但是底层代码不行，很容易出bug。这就是为什么ai直出的课件很难用——说到底，一般AI直出课件是阅读型的，而不是讲述型的。
一旦涉及到能用的讲述型课件，是需要有底层的教案做支撑的。需要具体到每一页怎么讲，小框架如何套大框架，起承转合怎么做，总结怎么做。这一套AI也可以直出，但是没有办法做到统一的prompt。因为涉及到具体学科需要考虑的东西太多了，这也非常考验一个老师的真实能力。
即抛开演绎能力（确实很重要，但今天不聊这个）不谈，对于教授学科的底层理解，比如：
- 真题的分析能力
- 构建最小知识单元的总分总框架能力
- 有效活动与知识讲解的配比
- 知识点的重难点分配
- 模块化考点构建
- 同课异构的能力（针对不同水平学生）等
这些东西是做教培的黑箱，很少能量化出来。能量化出来的人，要么嫌干这个不赚钱，要么去卷名师了，总之是不会明牌出现的。明牌出现的只有所谓的课件、套卷、解析。
老师不会因为AI没了。相反因为AI工具的出现，黑箱可以被量化，个人的经验skill会变得很值钱。不过我想这种prompt不会大面积分享，更多应该躺在自己的文件里（也有可能大模型变得更屌了，这一块也可以因人适配了）。
有一个有趣的事情：我现在翻开自己五六年前上课做的ppt，已经不会讲了，因为我忘记了我当时设计ppt的逻辑。如果只有ppt那几页字，根本撑不起我讲一个小时。所以教案就显得更重要——如果你备课只有ppt，没有每页p的md教案，是很悲剧的事情。 未来你想更新你的课，只能在前端ppt上调，这就像程序员只调网页js渲染、不调数据库代码一样。相反，如果有每页p的md文档，微调即可，然后丢给任意的大模型去跑一版最新风格的ppt课件。
3. 文科题库、章节试卷、阶段试卷，相比于课件来说，简直不要太简单
- 只要数据洗得足够细，切得足够好，prompt足够好，原创、信源、数量都不是问题。
- 多agent协同很重要，比如dp做初稿skill，5.6 sol高做skill重构和优化。
- 说一个很扎心的：DP百万tokens，正经做分析直出内容，最多只够搞一章。
4. 未来真正老师是一定不会被淘汰的
- 个人演绎目前是解决不了的（这属于老天赏饭吃，就算学科没了、教培没了，这个技能干啥都有饭吃）
- 黑箱型教研skill，更多是经验喂出来的（所以那种上了很多课、只赚课酬的人，真的很浪费）
- AI工具做协同且能落地的（实话实说，有演绎、有逻辑、有黑箱技能拆书，文科应该啥都能讲，理科要额外讨论）
- 额外讲一个猜想，是最近听C语言老师讲课想到的：=号赋值，学生也可以赋值。特别是做服务时，把不同的数据记录下来做分析，很有意思。