让 AI 帮忙之前：建立一个可验证的工作流程

学习目标

• 把模糊请求转换为可检查的任务说明。
• 区分润色、结构整理与事实生成。
• 设计小样本验证，并保护输入数据。

从“帮我学习”到明确任务

“帮我学 Python”缺少基础、时间、目标与评价。更清晰的请求是：“我完成了变量与条件课，每天有 30 分钟，请安排三天练习。每次包含一个不需要 input() 的 Python 3 例子，并给出可核对输出。”这仍不能保证答案正确，却使我们更容易发现不符合需求的内容。

把任务写成四项：目标、输入、限制、完成标准。限制可以包括运行环境、不能使用的包、不能编造的事实和格式要求。过多约束也可能互相冲突，应优先写关键条件，不要靠堆积花哨提示词取代思考。

结构处理与语义处理要区分

删除多余空格、按 Markdown 标题拆分段落，不需要理解事实。总结一段论证、判断是否矛盾，则涉及语义和推理。工具声称“整理”时，先确认它是否删掉了原文、补充了事实，或改变了重要条件。

本站文本整理器保留结构化原文，不做 AI 摘要；生成的“我的理解”部分是供你填写的空白模板。学习计划按关键词与时间规则组装，也不保证你的真实基础已经被评估。

对代码进行最小验证

不要一次运行一大段看不懂的文件操作代码。先让工具提供一个纯函数，使用正常值、边界值与错误值检查，再逐步集成。下面是无需外部服务的示例：

def study_total(minutes, days):
    if minutes < 0 or days < 0:
        raise ValueError("分钟与天数不能为负")
    return minutes * days

assert study_total(30, 7) == 210
assert study_total(0, 7) == 0
try:
    study_total(-1, 7)
except ValueError:
    print("负值检查通过")
else:
    raise AssertionError("负值应被拒绝")

这并不检查所有输入类型，不能凭几个断言宣布函数适用于一切情形。测试让具体假设更清晰，而不是提供万能保证。

对事实进行来源核验

如果输出涉及课程要求、政策、日期或引用，回到官方文件核对。模型给出的书名、链接和数字可能不存在。要求它提供来源有帮助，但“带着一个链接”并不等于来源真实；必须打开并确认来源是否支持该结论。

数学推导需要检查假设、量词和步骤，代码需要实际运行，建议需要结合资源约束。可以把 AI 输出当作草稿或候选方案，保留自己的判断责任。

隐私与未来应用开发

上传前删除不必要的姓名、联系方式、成绩明细与其他人的资料。使用第三方模型服务时，查看其保留与训练政策。本站当前工具本地处理，不代表所有外部 AI 服务都如此。

未来接入模型 API 时，密钥必须由受控服务端持有；前端隐藏变量名或混淆脚本不能保护密钥。还应设计访问限制、输入长度、成本控制和输出核验。本轮不接入付费 API，也不要求注册账号。

练习与参考

为“把七天学习 CSV 画成图”写四项任务说明。参考：输入 day/minutes 两列；输出本地 SVG；限制只用标准库、不覆盖已有文件；完成标准是标签正确、总量可核对、非法数值被拒绝。

接下来做 数据可视化项目，用真实代码将这些约束落实。