过去两年，大学课堂对 AI 的态度大致经历了三个阶段。第一阶段是恐慌，老师们担心学生把作业题扔给 ChatGPT，论文、代码、实验报告一键生成，于是想尽办法封禁、查重、口试、线下闭卷。第二阶段是妥协，大家发现封不住，也查不准，更挡不住学生在宿舍、咖啡馆、手机上使用 AI。第三阶段才刚刚开始：既然 AI 已经进入学习现场，教育者真正要做的不是假装它不存在，而是重新定义“合理使用”的边界。
斯坦福 CS336 最近在作业仓库里放出的 CLAUDE.md 文件，正是这种转向的一个标志。它不是一份面向学生的普通说明，而是一份面向 AI 编程代理的说明。换句话说，老师不只是告诉学生“你不许作弊”，而是直接告诉 AI：“你在这门课里不是答案生成器，而是助教。”
这件事的象征意义，比文件本身更重要。
CS336 不是一门轻松的“调包课”。它的主题是从零理解和构建语言模型，学生要写大量 Python 和 PyTorch 代码，完成 tokenizer、模型结构、优化器、训练循环、性能分析、分布式训练、数据处理、scaling law、alignment 和强化学习相关内容。这种课程最怕的不是学生不知道答案，而是学生跳过了亲手踩坑的过程。语言模型、深度学习系统、GPU 性能优化这些东西，很多知识不是“看懂”就算学会，而是必须在张量维度错位、mask 写反、显存爆掉、loss 不收敛、分布式同步卡死之后，才会长进脑子里。
所以 CLAUDE.md 的核心原则很清楚：AI 可以解释概念，可以指向课程材料，可以帮学生读错误信息，可以建议 sanity check、toy example、assertion、profiling 方法，也可以做代码 review；但不能替学生写 Python 或伪代码，不能完成 TODO，不能编辑学生仓库，不能运行 bash 命令，不能把作业要求翻译成可运行方案，更不能实现 tokenizer、transformer block、optimizer、training loop、Triton kernel 等核心组件。
这套边界看起来严格，但并不保守。它不是把 AI 赶出课堂，而是给 AI 换了一个身份：从“代写枪手”变成“苏格拉底式助教”。学生问“我的 causal mask 为什么错了”，AI 不能直接说“你第几行写错了”，而应该追问学生已经试过什么，再提示他检查 mask 是否在 softmax 前应用、是否能广播到正确 shape、被 mask 的位置是否变成足够负的数值，然后引导他用长度为 3 的 toy sequence 打印注意力分数。这里的关键不是答案，而是诊断路径。学生最终仍然要自己走到 bug 面前。
这恰恰击中了 AI 教育的核心矛盾：AI 最擅长缩短路径，而学习常常依赖“不要太快到达终点”。
一个初学者真正需要的，并不是随时有人把完整代码贴给他。完整代码当然爽，但它会让学生形成一种虚假的流畅感：我看得懂，我会解释，我能运行，所以我掌握了。可一旦换一个题目、一换一个约束、一换一个规模，原来所有“懂了”都会坍塌。因为他没有建立底层肌肉记忆，也没有建立面对陌生错误时的调试耐心。
这就是为什么 Carson Gross 那句“AI 可以成为很好的 TA，而不是代码生成器”值得反复说。对于初学者，AI 最有价值的地方不是替你走路，而是在你陷进无意义障碍时把你拉出来。比如工具链安装失败、错误信息看不懂、GPU 环境配置混乱、文档入口找不到，这些并不是课程真正想训练的能力。如果学生被这些偶然复杂性卡死，他失去的不是作弊机会，而是继续学习的机会。好的 AI 助教应该帮助学生越过这些泥坑，把精力留给真正重要的概念和实现。
但这份指南也有明显问题。HN 上很多开发者指出，它可能太长了。对人类老师来说，细致说明很自然；但对 AI 代理来说，指令越长，越可能稀释重点，挤占上下文，甚至在多轮对话和工具调用后被后续信息冲淡。尤其在编程代理场景中，任务上下文、代码文件、错误日志、测试输出都会不断进入窗口。一个 50 行、70 行甚至更长的规则文件，未必比 10 行清晰硬规则有效。
这其实暴露了“给 AI 写规章制度”的新问题。我们过去给人写制度，习惯越详细越放心；现在给模型写制度，却必须考虑模型的注意力经济。太短，边界不清；太长，执行变差。最好的 agent policy 可能不是厚厚一本文档，而是一套分层结构：顶层只有几条硬规则，中层提供角色定义，底层再用少量例子校准行为。
比如教学场景里，真正不可妥协的硬规则可以压缩为五条：不写完整作业代码；不完成核心 TODO；先问学生做过什么；优先给检查方法而不是修复方案；当学生要求代做时转向解释、测试和调试路径。其余内容可以作为补充材料，而不是每次都塞进模型上下文。
更进一步，单靠 CLAUDE.md 也不够。AI 指令文件只能改变默认行为，不能构成完整治理。一个学生如果真想作弊，完全可以换工具、删文件、改系统提示、复制题目到另一个聊天窗口。指令文件解决的是“让善意使用更容易”，而不是“让恶意使用不可能”。教育场景里，最重要的不是幻想技术封堵一切，而是重新设计作业、过程记录和评价方式。
这也是社区讨论里一个有价值的方向：要求 AI 使用留下 history，记录学生问了什么、AI 回了什么、学生做了什么修改。这个思路比简单封禁更现实。不是为了监控学生，而是为了把 AI 使用过程纳入学习反馈。老师可以看到学生是把 AI 当拐杖，还是当教练；是不断追问“为什么”，还是只要求“给我完整代码”。教育评价不应只看最后提交物，还要看学生如何抵达那个提交物。
不过，这里也要小心。过度记录会带来隐私、负担和形式主义。学生可能为了应付审查而制造漂亮的互动记录，老师也未必有精力逐条查看。因此，更可行的方式是抽样审查、关键节点说明和反思报告。比如每次作业要求学生附上一段“我在哪里使用了 AI，它帮我解决了什么，它没有替我做什么，我最终理解了什么”。这比一刀切禁止更接近真实学习。
从更大的角度看，斯坦福这份指南真正代表的是大学课程的一次范式变化：课程材料不再只面向人，也开始面向机器助教。过去一个代码仓库里有 README，是给人看的；现在出现 AGENTS.md、CLAUDE.md，是给 AI 看的。未来每门技术课可能都会同时拥有三套材料：给学生的 syllabus，给助教的 grading rubric，给 AI 代理的 behavior policy。课堂从“人—教材—作业”的结构，变成“人—教材—AI—作业”的结构。
这对中国高校、职业院校和企业培训也很有启发。我们不能只把 AI 当成学生偷懒工具，也不能天真地把 AI 当成万能教师。真正应该做的是把 AI 变成受约束的学习基础设施。比如智能制造、工业软件、机器人、工业 AI 实训课程里，完全可以为每个项目仓库放一份教学版 AGENTS.md：允许 AI 解释 PLC 通信、OPC UA、CAD/CAE、ROS2、PyTorch、数据库和接口错误；禁止它直接生成完整项目；鼓励它提出测试用例、边界条件、故障排查清单；要求它不断追问学生的现场现象、硬件型号、日志输出和已经尝试过的步骤。
这样一来，AI 不再是“替学生完成任务”的外包工，而是“逼学生说清楚问题”的教练。它会把学生从“老师，我不会”推进到“我试了 A，预期是 B，实际出现 C，日志显示 D，我怀疑是 E”。只要学生能说到这一步，他已经完成了非常重要的工程训练。
大学课堂真正该担心的，不是学生用了 AI，而是学生用了 AI 以后仍然没有学会提问、验证、调试和解释。禁止 AI 解决不了这个问题，放任 AI 也解决不了。唯一可行的方向，是把 AI 纳入教学设计，把“怎么用 AI 学习”本身变成课程能力的一部分。
斯坦福 CS336 的 CLAUDE.md 不是最终答案。它可能太长，可能执行不稳定，也可能很容易被绕过。但它至少承认了现实：AI 已经坐在学生旁边了。问题不是要不要把它赶出教室，而是要不要给它一张助教工作守则。
未来真正有竞争力的学生，不是不用 AI 的学生，也不是让 AI 代写一切的学生，而是能把 AI 当成放大器、诊断器、陪练和审稿人的学生。他们会用 AI 问更好的问题，做更快的实验，发现更隐蔽的 bug，理解更复杂的系统。但最后那一步——把知识长到自己身上——仍然没人能代替。
教育的底线从来不是“学生是否接触工具”，而是“学生是否通过工具变得更强”。如果 AI 让学生跳过思考，它就是毒药；如果 AI 逼学生更清楚地表达、更严格地验证、更诚实地面对自己的不懂，它就是这个时代最好的助教。
斯坦福这份文件的价值就在这里：它提醒所有老师，AI 时代的教学规则不能只写给学生，也要写给机器；不能只防作弊，也要教会学生如何不被工具废掉。