giteahh/llm_wiki

Fork 0

Files

T

giteahh 407a9213bf feat(vault): Phase 3 tools + batch citation/relation enrichment

2026-07-01 15:20:40 +08:00

12 KiB

Raw Blame History

title, created, date, tags, author, description, topics, para

title

created

date

哈佛大学CS50 AI教学创新

一、核心理念：伦理优先

1.1 Embedded EthiCS 计划

哲学家直接嵌入计算机科学课程
将伦理/社会思考与编程教学融合
涵盖：生物伦理、AI伦理、算法公平性
目标：学生在构建系统的同时学习思考伦理影响

1.2 医疗AI伦理领导力

[!tip] IMAI（医学AI倡议）：推动AI在临床中的道德实施

RAISE框架："在最小化伤害的同时做好事"（Do good while minimizing harm）

BoT框架（Boundaries of Tolerance）：医疗AI治理的容忍边界

二、创新工具生态

2.1 CS50.ai：课程专用AI助手

定位：CS50.ai是哈佛大学CS50课程基于OpenAI API定制的ChatGPT适配版本，专为教师和学生设计。

与通用ChatGPT的区别

维度	CS50.ai	通用ChatGPT
回答方式	引导式学习（类似好导师）	直接给出答案
教学目标	帮助学生理解而非破坏学习体验	愿意提供完整解决方案
可用性	24/7"办公时间"支持	无特定教学约束

技术架构

根据CS50团队的YouTube技术演示：

from openai import OpenAI
import os
from dotenv import load_dotenv

load_dotenv()

client = OpenAI(api_key=os.environ["API_KEY"])

system_prompt = "You are a friendly and supportive teaching assistant for CS50. You are also a duck."

chat_completion = client.chat.completions.create(
    messages=[
        {"role": "system", "content": system_prompt},
        {"role": "user", "content": user_prompt}
    ],
    model="gpt-4"
)

print(response.choices[0].message.content)

关键特性：

向量数据库：存储最新讲座和课程信息，提供上下文相关回答
Azure + OpenAI基础设施：结合Azure云服务与OpenAI API
语义搜索：非关键词匹配，理解学生问题的真实意图

使用数据

201k 学生和教师使用
35k 提示/天
940万 总提示数（自工具推出以来）

2.2 CS50 Duck 定制AI助手

"橡皮鸭调试"概念溯源

橡皮鸭调试（Rubber Duck Debugging）是程序员社区的经典实践：对着无生命物体（如橡皮鸭）解释代码中的bug，通过口头表达理清思路。

CS50 Duck的创新

CS50团队将这一概念升级为"会说话的橡皮鸭"：

传统橡皮鸭：你说话 → 鸭子沉默（仅倾听）
CS50 Duck：你说话 → Duck AI回应并引导

VS Code集成（ddb50.vsix扩展）

{
  "repository": "cs50/ddb50.vsix",
  "description": "VS Code extension for CS50 Duck",
  "features": [
    "Conversational coding experience",
    "Code explanation",
    "Debugging assistance",
    "Context-aware help"
  ],
  "primary_language": "TypeScript (46.0%), JavaScript (44.2%)",
  "license": "GPL-3.0"
}

安装方式：在VS Code中搜索"ddb50"扩展，一键启用CS50 Duck功能。

学术诚信政策

[!warning] 使用政策

✅ 允许：

使用CS50 Duck（cs50.ai、cs50.dev）
询问概念性问题
理解算法原理

❌ 禁止：

使用ChatGPT、Claude、Copilot、Gemini等外部AI直接完成作业
要求AI生成代码答案
复制AI解决方案作为自己的代码

教学哲学："我们希望学生理解，而不仅是复制"

2.3 "Quacking"式编程学习

核心理念

"Quacking into programming"是将橡皮鸭调试从单次对话发展为持续学习伙伴的过程：

graph LR
    A[学生遇到bug] --> B[对着Duck AI解释问题]
    B --> C[Duck AI引导思考方向]
    C --> D[学生独立解决]
    D --> E[加深理解]
    E --> F[下次遇到类似问题时更快解决]

与传统教学的对比

传统答疑	"Quacking"学习
学生问→老师直接回答	学生问→Duck引导→学生自己思考
理解停留在表层	理解深入本质
依赖外部帮助	培养独立解决问题能力
时间受限（老师不在）	24/7可用

实际应用案例

概念理解：学生问"什么是递归？"→ Duck解释+举例→学生理解本质
代码调试：学生贴出错误代码→ Duck指出可能原因→学生自行修复
效率提升：Duck建议"更高效的实现方式"→学生学习最佳实践

三、Harvard System Prompt Library

3.1 HILT System Prompt Library（哈佛官方）

定位：动态、以用户为中心的数字仓库，为教育工作者提供可定制的GPT提示词。

来源：Harvard Initiative for Learning and Teaching (HILT)

核心功能：

prompt支持库
├── 教师专用提示词
│   ├── 课程设计辅助
│   ├── 评分标准生成
│   └── 幻灯片草稿创建
├── 学生专用提示词
│   ├── 作业指导（非答案）
│   └── 反思引导
└── 跨学科应用
    ├── 医学教育AI提示词
    ├── 商业分析提示词
    └── 人文学科AI提示词

3.2 社区开源版本

ncwilson78/System-Prompt-Library（GitHub，244⭐）

维护者：Nick Wilson（哈佛教学创新主任）
规模：244 stars, 49 forks, 244 watchers
结构：每个提示词包含：
- 简要总结：提示词的用途和功能
- 学习目标：具体的教学目标
- 交互结构：提示词支持的交互类型
- 附加材料：相关教学资源

使用方法：

1. 浏览库中现有提示词
2. 复制"Copy This Prompt"代码块
3. 粘贴到自定义GPT工具
4. 根据需求调整（MIT许可允许）

danielrosehill/System-Prompt-Library（GitHub，53⭐）

总提示词数：1,290个
最后更新：2025-09-28
增长：从892增至1,290个（持续迭代）
分类：
- 自主代理（复杂多步推理）
- 聊天机器人（特定人格或专业知识）
- 文本转换提示词（格式化原始输出）

特色功能：

N8N工作流自动填充
多格式导出（JSON、CSV、Markdown）
定期版本控制（GitHub Releases）
Hugging Face集成

四、提示词设计方法论

4.1 "Garbage in, garbage out"哲学

[!quote] 哈佛官方教学资源明确指出： "有句老话：'垃圾进，垃圾出。'LLM的输出质量与输入相当，学习（或许教授）如何编写有效的提示词至关重要。"

4.2 提示词设计关键原则（Harvard HUIT指南）

1. Be Specific（具体性）

❌ 差提示词："写个故事"
✅ 好提示词："写一个1000字儿童科幻冒险故事，主角是10岁宇航员，学习团队合作重要性"

原理：具体语境减少错误响应概率，限制幻觉发生。

2. Define Role（角色定义）

❌ 差提示词："解释递归"
✅ 好提示词："你是一位计算机科学教育专家，用通俗易懂的语言向初学者解释递归概念，使用阶梯示例"

3. Provide Reference Point（参考点）

"这是我希望输出样式的示例段落，供AI参考：
[示例段落]

现在，用类似风格写关于[主题]的段落"

4. Specify Audience（受众定义）

"目标受众：哈佛本科生计算机科学学生
期望语气：学术但友好，避免行话，使用课程中学过的术语"

5. Build Iteratively（迭代构建）

第一轮："写一个关于AI的博客文章大纲"
第二轮："在第三段添加教育应用案例"
第三轮："为第四段的伦理担忧添加反驳观点"

4.3 错误减少策略

根据哈佛教师的经验总结：

策略	效果
详细提示工程	减少算法/数据限制导致的错误
平衡AI-人类合作	校验AI输出，捕捉不准确之处
要求自我验证	让AI"检查你的答案"或"解释你的推理"

五、超越问答界面：LLMs的多模态应用

5.1 可视化（Beyond Text）

# CS50中使用DALL-E生成学习图像
import openai

response = openai.Image.create(
    prompt="可视化解释冒泡排序算法的信息图",
    size="1024x1024",
    n=1
)
# 生成概念图帮助学生理解抽象算法

5.2 编程（Coding）

代码生成辅助：非直接答案，而是框架提示

"不要给出完整代码。提供问题分解思路、需要的数据结构、算法选择建议。"

代码优化：cs50.dev集成Copilot功能，建议改进但非完成

5.3 分析（Analysis）

复杂度分析：Duck解释时间复杂度Big O表示法

调试引导：不直接修复bug，而是指出可能原因类别

"检查循环终止条件、数组越界、逻辑运算符优先级"

5.4 模拟（Simulation）

# CS50 AI课程中的模拟示例
import openai

# 让AI模拟Tic-Tac-Toe游戏对战
system_prompt = "你是Tic-Tac-Toe AI对手，使用Minimax算法"

while game_not_over:
    ai_move = get_ai_move(board, system_prompt)
    board = update_board(board, ai_move)
    player_move = get_player_move()
    board = update_board(board, player_move)

教学价值：学生通过对抗AI理解算法实际应用。

5.5 个性化教学（Personalization）

自适应难度：根据学生历史调整提示词复杂度
语言支持：自动检测学生语言（英语、中文、西班牙语等）
学习路径：基于掌握度动态调整概念呈现顺序

六、参考文档

官方文档

技术实现

社区资源

**ncwilson78 System Prompt Library(GitHub, 244⭐)(https://github.com/ncwilson78/System-Prompt-Library)
**danielrosehill System Prompt Library(GitHub, 1,290提示词)(https://github.com/danielrosehill/System-Prompt-Library)
**[Harvard HUIT提示词指南]

学术论文

"Teaching CS50 with AI"（SIGCSE 2024）：DOI: 10.1145/3626252.3630938
"Improving AI for CS50"（SIGCSE 2025）：DOI: 10.1145/3641554.3701945

七、总结

[!success] CS50的AI教育生态系统以四大创新为核心：

定制化AI助手：CS50 Duck（引导式学习非直接答案）
严格的学术诚信政策：外部AI禁止，自有AI鼓励
系统化的提示词工程方法论：Garbage in, garbage out（具体、角色定义、迭代构建）
超越问答的多模态应用：可视化、编程、分析、模拟、个性化

这套系统既保护了学习深度（避免学生过度依赖AI），又提供了全天候支持（24/7 Duck助理），构建了一套完整的教学创新框架。

12 KiB Raw Blame History Unescape Escape