AI 做完我全部作业之后

2021 年，同事建议他拿 GPT-3 试试课前的阅读小测。模型没读过指定的论文，按评分标准答得像模像样。

当时他什么也没改。五年后，编码 agent 能做完他这门课的全部作业，他改掉了大部分考核方式。

一、发生了什么

作者在 Substack 上记录了这次改造。他教的是一门高年级课「生产环境中的机器学习」，围绕 MLOps 讲怎么把模型做成能上线的软件，班上通常 100 到 170 人。

他的原则只有一句：不再用任何「带回家做」的东西来检验理解，改看三样——和助教的当面交流、考试、视频演示。

具体动作：

• 书面反思改成 15 分钟的一对一谈话，占作业分的 20%，只判通过或不通过，答不好可以重来。助教被要求标准偏高，第一次会挂掉不少人。
• 每周实验课也要当面检查：向助教展示完成证据，回答几个问题，通过制，可以重试。
• 团队项目每个里程碑后有 30 到 60 分钟的复盘。如果助教能随便点一名成员解释实现的任何部分，团队拿额外加分。
• 部分作业要求录一段功能演示视频，功能必须真的能在界面上跑起来。
• 考试从占总分 15% 提到 25%，他说以后可能还会提。
• 补交要扣 10%，因为有人先交一份 AI 生成的答案，看完批改意见再改。

他没有禁 AI。这门课允许学生在任何环节使用，不需要注明，只有笔试和口试除外。

代价他说得很坦白：这些改动违反了一些有证据支持的教学原则，比如高频低风险的平时作业、允许重交的安全网。他仍然做了，因为低风险环节已经被 AI 掏空。

二、跟你有什么关系

当老师的。 你要保的不是作业形式，是「这份产出确实反映了这个人的理解」这个证据链。证据断了，分数就没有意义。

做培训的。 企业内训同理。线上答题、课后作业、学习心得，都已经是零成本可代做的材料。要么改成当面，要么承认它只是出勤记录。

做学生的。 这套改法对你其实有利：临时抱佛脚的空间变小，但平时真做了的人，分数会更稳。

三、怎么改，能照着做

1. 先自己跑一遍。 把作业原样丢给当前最强的模型，看它能不能过。能过，这份作业就不再是证据。这一步花不了半天。
2. 把「理解」挪到能追问的场合。 15 分钟面对面，问三个为什么：为什么这样设计、如果条件变了怎么办、哪一部分你试过但放弃了。背答案的人撑不过第二个追问。
3. 让产出必须真的能跑。 视频演示比文字报告难代做，因为功能得在界面上真的工作。演示里要求现场改一个参数，更能看出是不是本人做的。
4. 给重试，但收窄入口。 允许重考、重做，降低一次失误的惩罚；同时对「先交 AI 稿再看反馈」这种行为加成本。
5. 提前算人力。 他的课是 20 比 1 的师生助教比，每个助教每周约 10 小时，每两周约 300 分钟用于谈话。没有这个人力，谈话制会变成排队制。
6. 每学期重测一次。 他说有些题以前能难住 agent，现在不行了；连视频会议里的当面检查，也有人用实时提示工具作弊。这套设计需要持续维护，不是一次改完就一劳永逸。

四、三个别信的说法

「买个 AI 检测器就能解决。」 他完全没走这条路。检测器给概率，申诉时要证据；误判的成本由学生承担。把考核搬到可追问的现场，比提高检测准确率更可靠。

「禁止 AI 就行了。」 他的判断是管不住，也不该管。学生反正要用，不如教他们负责地用，同时把「必须自己完成」的部分设计出来。

「改成当面考核就等于降低标准。」 恰恰相反：他提高了助教的标准，允许重试但不放水，考试权重也提了。变的是证据的采集方式，不是要求。

五、一句话结论

AI 能做完作业，说明作业已经不能证明任何事；真正要改的不是作业难度，而是「谁在什么时候、当着谁的面、把理解拿出来」。

信息来源

• How I changed teaching after AI managed to do all my homework assignments，The Last Software Engineer，2026 年 9 月
• 全文转载：Educators Adapt Teaching Methods Amidst AI-Powered Homework Completion，Parallax，2026 年 9 月

功能与价格以官方公告为准。本文写于 2026 年 10 月 19 日。