今天不先讲 AI 历史，也不先讲哪个公司最强。我们先看眼前这套网页版 Slides：它是怎么从一句想法，一步步变成你们现在看到的讲座？

如果完整还原这套 Slides 的制作历史，细节会太多。今天只追踪一页 Slide 怎么从毛坯长成成品。看懂一页，就能看懂一套。

做教学 Slides 不是把技术名词堆上去。目标很具体：让高一学生能说清楚 AI 什么时候只是会说，什么时候开始会做事。

一句“帮我做一页 Slide”还不能开工。先把给谁看、解决什么、讲多久、最后做出什么写清楚，模型才知道该往哪里走。

模型很快能写出标题和讲稿，但这仍是半成品。图片、网页、检查和真实使用反馈都还没有发生。

如果今天只记一句话，就记住：AI 说出来的是草稿，做出来的才是作品。作品还要经得起看、查、改和使用。

每轮对话都在做同一件事：程序把当前材料交给模型，再取回新回答。完成这次输入和输出的软件接口叫 LLM API。

图里有普通文字，也有左下那张带花括号的结构化任务。后者叫 YAML，只是把任务按字段写清楚的一种文本格式。无论怎么写，进入模型前都会被拆成小块，这些小块叫 token。

大模型先学会的是接着写。给它前面的上下文，它预测后面最可能出现什么。标题、讲稿、YAML 都是一块块生成出来的。

模型会用已经学过的语言知识回答，但它看不到你没有交给它的旧稿、网页和反馈。把这些材料放进这一轮上下文，它才能接着当前任务工作。

比如我说“学生跟不上”，模型应该重点看试讲逐字稿和我的反馈，而不是去展开完整技术史。注意力就是在上下文里找重点。

模型先在预训练中学会语言和接着写，再在后训练中练习听指令、改稿和守边界。两步解决的是不同问题。

完整草稿只说明内容写出来了。要成为一堂能讲的课，还要安排故事线、设计画面，并根据真实听众的反应继续改。

如果我自己说不清这一页怎么讲，图片再好也会乱。所以先用逐字稿感受节奏：怎么开口，怎么转场，学生可能在哪里掉线。

下面跟着同一页 Slide 往前走。每页只看一步，观察它怎样从一句任务逐渐长成能给学生使用的成品。

这页把全场核心判断落到一个具体对象上：左边是一段回答，右边是一页经过制作和检查的 Slide。两者之间不是换个格式，而是多了一整条工作过程。

第一版标题很容易写成“AI 要有闭环”“智能体需要反馈”。这些话对，但高中生可能没感觉。

学生看网页时，先看到上面的标题，再看下面的图。标题不是装饰，它要帮走神的人重新接回主线。

这页只需要讲清一个差别：草稿不是作品。不能顺手又讲 API、模型历史和安全，否则学生会丢。

“画一个闭环”仍然太抽象。工单要写清主对象在做什么、对象怎样连接，以及画面里不能出现什么。

只说明画什么还不够，整套 Slides 还要遵守同一套画法。白底、线条、角色和留白都被写进 Style 文件。

这里第一次出现 Agent：它是能接任务、调用工具并交回结果的 AI 角色。画师 Agent 接工单和画图，却不替人决定主题。

图片生成出来以后，我们才知道它有没有问题：是不是太空、太满，标题和图是不是在讲同一件事。

一张图画错了，会暴露下一版需要改什么。把裁切、主体画错或信息太碎写回工单，错误就变成了具体线索。

标题说“草稿不是作品”，图里就应该看见草稿和作品。标题说“错误要写回工单”，图里就应该看见问题怎样回到下一版。

如果图对了但缺一点因果，标题可以补。如果图的主对象错了，标题再漂亮也救不了，就要重画。

重画的目标不是更炫，而是更能教：主对象更清楚，阅读路径更短，学生第一眼知道看哪里。

标题和图片准备好后，构建 Agent 才把它们按顺序装进网页。到这里，我们第一次有了能播放、能继续测试的版本，还不能急着叫它最终成品。

电脑近看能打开，只说明文件存在。到了教室后排，主体是否看得清、标题是否挡图，才决定这页有没有通过。

讲完以后，最有价值的材料不是我觉得讲得怎样，而是逐字稿和听众反应。它们会告诉我哪里太长、太快、哪里学生跟丢。

试讲后发现，页数不是唯一问题。真正容易让人跟丢的是故事突然换对象、缺少过渡，或漏听一步后再也接不上。

整套讲座始终只追同一页 Slide，是为了让漏听几分钟的人还能接回来。API、画图、测试和反馈都挂在它的变化上。

现在把刚才每一步分给不同角色，就得到一个 AI 小编辑部。它没有换故事，仍在共同完成同一页 Slide。

AI 可以提出很多方案，但目标、取舍、最终确认和责任必须留在人手中。人类主编因此保留最后判断。

策划 Agent 不写每一页，而是提出几条路线：技术史、办活动、造 Slides、小助手。人类主编再决定保留哪条。

听众模拟 Agent 可以先按高中生已有知识逐页找风险点：哪里跳得太快，哪里缺前提，哪里可能跟不上。它只是预检，最后仍要用真实学生的反应来验证。

编剧 Agent 的任务，是把结构写成讲得出口的话：不太学术、不太啰嗦，还要适合现场节奏。

视觉导演不直接画图。它先把抽象概念压成一个主对象、一个关键动作和一个判断点，再把清楚工单交给画师。

画师 Agent 负责按工单画出候选图，遵守对象、动作和统一画法。哪张图通过、能否进入 Slides，仍由人判断。

构建 Agent 不改主题。它把人确认过的标题、图片和顺序稳定装成网页，并保证同样输入能够重新生成同样结构。

质检不只看漂亮。真正要看：标题和图片一致吗？学生看图能懂吗？这一页有没有具体例子？

一页画面是否合适，试讲一次才知道。演讲教练标出太快、太慢和跟不上的位置，删什么仍由人决定。

我们把有效角色、统一画法和失败记录保存下来。下次遇到新任务，可以从这些已经验证过的经验继续，而不必从零开始。

一套 Slides 要逐页生成、检查、重试和选中。队列让每页进度和结果都能追踪，整套工作才不会依赖一次灵感。

AI 可以写、画、构建和测试，但作品能否对外公开必须由人确认。批准者和批准时间也要留下记录。

新版本不一定更接近目标，所以每次修改都要保留可恢复的旧版本。走偏时先退回，再查清问题来自哪一步。

从成品往回找，需求、标题、图片和反馈都应该找得到。这些连续记录合起来，才形成别人也能检查的证据链。

文字决定讲什么，图像决定怎么看，网页决定怎样播放，试讲声音又会推动修改。四种材料必须共同服务同一件作品。

判断 AI 是否真的做成一件事，先看作品能否打开、讲解、修改和继续收反馈。回答更顺本身还不够。

先做出一个能运行的第一版，它会直接暴露缺少的知识、工具和检查方法。下一步学什么，可以由这些缺口决定。

第一版画错并非结论。把错误改写成一条可验证的新要求，再比较修改前后，才能知道这一轮是否更准确。

把想法放进测试，记录能否运行、哪里出错和下一步查什么。结果留下的证据会反过来检验原来的想法。

Slides、研究和代码的对象不同，却都要经历同一条证据链：提出问题，做出可检查的结果，测试，再根据反馈判断。

科研助理 Agent 可以先检索文献、找到代码、运行已有方法并记录失败。研究问题选什么、证据是否成立，仍由人判断。

AI 可以先定位问题、方法、证据和边界，但每个结论仍要回到原文核对。摘要不能替代原始证据。

找到代码后，先固定代码、环境和数据条件，再看结果能否复现。运行结果和日志要成套保存；出现差异时，先记录，再解释。

复现失败时，先比较环境、数据和假设三类原因。人根据日志判断差异，再决定下一项排查。

不用先读完大模型论文。选一个短周期、有人使用、能收反馈的小目标，做出第一版，再根据一次真实反馈修改。

比如把一篇课文或科普文章做成图解讲义。它不是让 AI 代写作业，而是把理解变成图像。

错题整理也可以变成小 Agent：它帮你分类、提醒复习，但最后要靠重新测试验证。

社团活动很适合练手：AI 帮你写文案、画海报、做报名页，但发布前要确认，发布后要看报名记录。

起步只需要一个模型、一个画图工具和一个预览页。先让内容、图像、检查和反馈完整走一轮。

评价小作品时，先请别人实际看和用。能否看懂、能否用上、能否继续修改，比模型名字更能说明质量。

做小 Agent 时先规定检索来源，再保留发布前的人工确认，并记录关键操作。三条边界对应图里的三处检查。

以后看到 AI 新闻，不要只问参数多大、榜单多高。先问：它接了什么工具？做出了什么？证据在哪里？出了错谁负责？

自动动作越多，过程越要看得见，系统越要停得下、退得回。最后的决定和责任也必须能找到具体的人。

现在回到开场。沿着这套 Slides 对应的记录，我们能从成品倒着找回需求、标题、图片、网页和反馈。

会做事，是把想法变成别人能检查、修改和使用的作品。它还要能追溯，让人知道最后的决定由谁作出。

离开前只带走一个动作：选一个真实小问题，做出第一版，请一个人真正使用，再根据反馈修改。