首页/教学体系
最新 AI 半自动教学体系
所谓"半自动"，是把教学里可被结构化的部分交给系统：诊断、排课、出题、批改、统计、提醒。把不可替代的部分留给人：讲透一个直觉、看懂一个人的卡点、在你想放弃的那天多说一句话。
所谓"半自动"，是把教学里可被结构化的部分交给系统：诊断、排课、出题、批改、统计、提醒。把不可替代的部分留给人：讲透一个直觉、看懂一个人的卡点、在你想放弃的那天多说一句话。
很多"AI 教学"的问题不在于 AI 不够强，而在于让它做了不该做的事。我们的分工写死在系统里，不是一句口号。
AI 的输出全部可追溯、可质疑。导师有权一键推翻系统判定，推翻记录会回流进模型。
不是"课程章节"，而是每天重复的学习动作。走完一轮约 6–8 小时，系统记录每一步的数据。
数学基础、编程能力、项目经历三维测评共 68 题，含 4 道实操题。系统输出能力基线图谱，标出 12 个薄弱节点与 3 条可选路径。
根据目标岗位、可用学时与基线图谱，排出 12 周动态学习路径。每周留出 15% 弹性时间，用于补短板或加深项目。
线下主讲按路径精讲核心概念；线上系统把同一内容拆成 5–12 分钟微课，供课前预习与课后回看。讲不透的地方，AI 换三种讲法。
每讲配 8–24 道阶梯题，从概念确认到工程改造。答对即升难度，连错两级自动降阶并插入前置复习，不让挫败感累积。
代码题真实执行、跑单测、看复杂度；主观题按评分细则逐项打分。30 分钟内出反馈，人工按 20% 比例抽检校准。
每周日生成学情周报：掌握度变化、时间分布、错题归因、下周重点。导师用 30 分钟一对一校准，必要时重排路径。
以"算法工程师 · 计算机视觉方向"为例。其他方向的路径结构相同，知识点不同。
| W1 – W2 | 基础夯实 Python 工程化、NumPy、PyTorch 张量操作、训练循环手写 |
|---|---|
| W3 – W5 | 深度学习核心 CNN / RNN / Transformer、反向传播、优化器与正则化 |
| W6 – W8 | 方向专精 目标检测、分割、数据增强、模型评估与调优 |
| W9 – W10 | 工程化 ONNX / TensorRT 导出、量化、服务封装与压测 |
| W11 – W12 | 结题项目 真实课题交付：精度、延迟、显存、成本四项指标达标 |
学习中心 · 路径看板
纯网课便宜但容易半途而废，纯面授有效但成本高、节奏死。半自动体系要的是两者的交集。
| 维度 | 纯线上录播 | 传统面授 | 深度AI 半自动 |
|---|---|---|---|
| 学习节奏 | 完全自主，易拖延 | 统一进度，跟不上就掉队 | 统一框架 + 个人弹性路径 |
| 答疑响应 | 社群提问，几小时到几天 | 课间几分钟，晚自习有限 | AI 即时 + 驻场导师兜底 |
| 练习反馈 | 多为选择题，无代码评测 | 作业批改周期 3–7 天 | 代码实跑，30 分钟内反馈 |
| 学情可见度 | 只有播放进度 | 依赖老师主观印象 | 四项指标每日更新 |
| 真实算力 | 本地笔记本或租用云卡 | 机房排队，配置受限 | 96 卡集群，配额随课发放 |
| 结业产出 | 若干练习题 | 课程设计报告 | 可上线的真实课题交付 |