本周要回答： 这周学到的知识，究竟改变了哪一个决定、动作或工作步骤？
进入本周前： 已有可追溯的来源和证据卡，能够区分事实、推断与假设。
- 01原始证据
- 02形成预测
- 03单变量实验
- 04采用或拒绝
学习内容与理解目标
知识行动工作台的目标不是继续生成摘要，而是为知识设置出口。本周学习把一个主张转成可观察预测：在什么条件下，改变哪个变量，会让什么结果发生变化？同时写出反例、代价和停止条件。观察到改善不一定证明原因就是你的改动；先用最小对照减少自我说服。
选低风险技术问题即可，例如结构化输入是否减少返工、短交接是否缩短恢复任务时间、固定来源过滤是否减少旧版本引用。不要拿健康、投资、雇佣或其他高后果决策当课程实验。一次只改一个主要变量，失败也要保存。
学习链接与选读范围
| 级别 | 官方或原始资料 | 本周只读这些 | 阅读预算 |
|---|---|---|---|
| 选读 | R47 · OpenAI：Harness engineering | 从反馈与约束中找一个可迁移到个人工具的小假设。 | 35 分钟 |
| 必读复习 | R42 · Anthropic：Demystifying evals for AI agents | 把预期改善转成结果检查，而不是文字印象。 | 35 分钟 |
| 必读选段 | R45 · Anthropic：How AI assistance impacts the formation of coding skills | 理解学习结果与任务交付不同；注意研究适用范围。 | 35 分钟 |
实战拆解
从上周证据卡选一个与你实际痛点有关的主张。先写自己的解释，再写“我预测……因为……；以下情况可能不成立”。不让模型先替你形成完整判断。
设计一个 30–60 分钟可完成的实验：固定任务、基线和判定规则，做一个小变更。将准备、执行和复核都计入时间，不能只统计成功输出速度。
运行基线与改动版，保留所有结果。如果模型有随机性，增加少量重复并记录差异，不在结果出来后只挑最好的例子。
记录采用、拒绝或证据不足。需要采用时将变化落实为一个代码补丁、操作清单或默认设置；不要停留在笔记里写“以后注意”。
为下次真实使用设置一个自然触发：在准备某类任务时打开检查卡，而不是无限追加推送提醒。计划之后用新例子复测。
交付与验收
| 本周交付 | 怎样确认真的完成 |
|---|---|
| 一张行动卡 | 包括来源、解释、预测、反例、实验、结果与实际改变。 |
| 可复现的小实验 | 基线、变更与检查条件写清，失败结果没有被删除。 |
| 一个行为或流程改动 | 已经落实，或有充分理由明确不采用。 |
不用代码生成器的练习： 自己写出实验可能出现的第二种解释，并设计一个更小的核查来排除它；不能只请另一模型“确认我的结论”。
隐私与安全检查： 实验只在隔离副本与合成数据上改变行为。对外发送、删除、付款或更改重要日程不是低风险实验；不能以“为了验证自动化”为理由跳过审批。
落到日常生活： 选一个本周会再次发生的真实任务，实际使用新规则。记录是否减少犹豫、检索或返工，或者发现原来的习惯已经足够好。
过关或补课判断： 能从一条知识走到一次可观察的操作改变，即使结论是拒绝，也可过关。只有更多摘要、不发生行动，先停止扩充来源库。
本周可复制的协作提示
请把一条有来源的技术主张改成可检验假设，设计低风险小实验，固定基线与停止条件。只改变一个主要变量，记录失败和替代解释。结论允许采用、拒绝或证据不足，不追求强行证明改进。
本周来源与核对范围
来源编号与核对说明沿用课程原文，基线为 2026-09-27。未逐一登录完成外部实验；实施前请核对最新版本与访问条件。
- R42Anthropic：Demystifying evals for AI agents ↗
2026-01-09；用于结果评测与过程检查的思路。
- R45Anthropic：How AI assistance impacts the formation of coding skills ↗
受控编程学习研究；结论受样本和任务限制，不代表所有 AI 学习。
- R47OpenAI：Harness engineering ↗
2026-02-11；学习仓库、反馈与约束，不照搬内部案例收益。