用 AI 三天过完以前半年的课：方法公开，看完直接抄走

写在最前面：我在量化和工程这行混了不到十年，不是教育从业者。下面这套东西是我自己补课、转岗、啃新领域时反复跑出来的流程，去年开始也拿它帮朋友的弟弟妹妹突击过几门专业课。方法免费，坑我也一并写出来。

一、先把标题的牛皮戳破一半

“三天过完一学期”这句话，我得先定义清楚它到底指什么，否则这篇就是标题党。

三天能做到的：

• 把一门完全陌生的课，压缩到”知识主干能自己在白纸上默写出来”

• 摸清这门课的考点权重分布，知道 20% 的内容对应了 70% 的分数

• 往年题能自己做出大半，做错的地方知道是哪一类错

• 产出一套可以反复用的复习资产（速查表、错题归因表、闪卡）

三天做不到的：

• 把知识变成手感。手感只能靠重复和遗忘曲线，没有捷径

• 应付那种考”你有没有真的推过一遍”的硬核卷子里最后两道大题

• 替代一整学期的实验课、项目课、需要动手积累的东西

用我熟悉的话讲：这套流程约等于用三天把一个策略想法做到”能跑通回测”，而不是”能上实盘”。回测跑通了是件正经事，但你要是把它当成实盘业绩去汇报，那是自己骗自己。

理解了这个边界，下面的东西才有用。

考虑到国内订阅claude确实有点困难，可以参考一下这里：claudemax.shop

二、为什么是 2026 年这个时间点

同样的想法我 2023 年也试过，效果很差。原因不是模型不聪明，是每次都要重新解释上下文。你今天教会它这门课的记号约定，明天开个新对话它又不认识了。

这两年真正变化的是三件事：

1. Skills 变成了可复用的资产。 Anthropic 在 2025 年 12 月把 Skills 开放成标准之后，一个 Skill 本质上就是一个装着 SKILL.md 的文件夹，用 Markdown 写清楚”在什么场景下、按什么顺序、有哪些约束”。它采用渐进式披露：启动时只扫描名称和描述，任务匹配上了才加载全文。这意味着你可以攒几十个 Skill 而不撑爆上下文。对我们来说，一门课的复习流程可以写死成一个 Skill，下学期换门课直接改参数。

2. 记忆打通了。 2026 年 8 月 25 日，Anthropic 把聊天和 Cowork 的记忆统一成了同一套，你在聊天里说过的事，交给 Cowork 跑任务时它已经知道。记忆内容按主题存成文件，你可以自己读、改、删。这个改动看起来不起眼，实际影响很大：你不用每次都自我介绍了。

3. 上下文和产出能力上来了。 Claude Opus 5 在 2026 年 7 月 24 日发布，支持 100 万 token 上下文，还多了个可调的 effort 旋钮来平衡回答深度和成本。一学期的课件、教材章节、往年题，一次全塞进去不是问题。

再加上一个很多人没开过的开关：Learning 模式（在样式下拉里）。它会用苏格拉底式的方式反问你，而不是直接把答案端上来。这个模式在整套流程的第二天是核心，后面详细说。

三、核心心智模型：把课程当成一条数据管道

我习惯把任何一门课拆成三层：

绝大多数人用 AI 学习失败，是因为他们以为自己在压缩第三层，实际上只是把第三层直接跳过了。跳过的代价会在考场上一次性结清。

所以整套流程的设计原则只有一条：把信息层和结构层的时间榨干，全部还给技能层。

添加图片注释，不超过 140 字（可选）

三天总投入大概 22 小时，Claude 真正主导的只有 8 小时。深色那些条目一个都不能省，省掉任何一条，这套方法立刻退化成”提前放弃”。

添加图片注释，不超过 140 字（可选）

对比传统模式，省下来的时间不是省掉，是搬家。找资料从 14 小时压到 1.5 小时，读教材从 18 小时压到 3.5 小时，但亲手做题的时间从 16 小时只降到 11 小时，错题复盘一分钟都没少。

四、Day 0（晚上 3 小时）：建仓

4.1 建一个 Project，把料一次性喂进去

不要用零散对话。新建一个 Project，把这门课所有能找到的东西丢进去：

• 教学大纲 / syllabus（最重要，别漏）

• 全部课件 PDF

• 教材相关章节

• 往年题和答案（这是权重最高的一份，有多少传多少）

• 老师上课强调过的内容（同学的笔记照片也行）

4.2 写一份课程版的项目指令

这一步 90% 的人会跳过，然后在后面两天里反复吃亏。项目指令的作用等同于工程里的 CLAUDE.md：把不变的约束写死，省得每次重复。

直接抄这份，改改课程名就能用：

# 课程：<高等数值分析 / 你的课名> ## 角色 你是这门课的助教，不是答题机。我的目标是通过期末考试， 并且在考完之后还能自己把主干推一遍。 ## 硬性约束 1. 我问你题目怎么做时，默认只给「思路提示」和「下一步该想什么」， 不要给完整解答。除非我明确说「给完整解答」。 2. 涉及具体数值、公式系数、量纲的地方，必须写代码算一遍再回答， 不许心算。算错了直接说算错了。 3. 任何你不确定的结论，前面加 [存疑]。宁可标多也不要漏标。 4. 引用教材页码、定理编号之前先说明你的依据来源； 如果只是印象，直接说「我不确定具体编号」。 ## 记号约定 - 本课用 <列向量约定 / 你们老师的习惯>，和某某教材不同，以课件为准。 - <其他容易混的记号写在这里> ## 交付格式 - 知识点整理：Markdown 表格，一行一个考点 - 公式：LaTeX - 出题：题干和答案分开，答案单独放在文末，方便我先做

最后一条特别关键。题干和答案必须物理隔开，否则你眼睛一扫就看见了，主动回忆的效果直接归零。

五、Day 1：逆向出题人

5.1 先出权重表，再学内容

学生的常见做法是从第一章开始顺着学。出题人的做法是反过来的：先看这门课历年考什么，再决定学什么。

抄这段：

基于我上传的 syllabus、课件和往年题，帮我做一张考点权重表。 要求： 1. 按「章节 / 考点 / 往年出现次数 / 典型题型 / 预估分值占比」列表格 2. 权重的依据是往年题的实际分布，不是 syllabus 的篇幅 3. 单独列出「syllabus 里有但往年从没考过」的部分 4. 单独列出「往年反复考但课件讲得很浅」的部分 —— 这类是坑 5. 每个考点标注前置依赖：不会 A 就做不了 B 不确定的地方标 [存疑]，不要为了填满表格编数据。

第 3、4 条是这个 prompt 真正值钱的地方。第 4 类考点是最容易挂科的地方，因为课件讲得浅，你以为不重要，结果它年年考。

5.2 提炼 20 条主干命题

基于上面的权重表，把这门课压缩成不超过 20 条「主干命题」。 主干命题的标准： - 一句话能说清楚 - 从它出发能推出至少两个具体考点 - 忘了它，整章内容就串不起来 每条命题给：命题本身 + 它解决什么问题 + 一个 30 秒能想明白的例子。 不要给证明。

5.3 然后关掉窗口

这是 Day 1 唯一不能省的动作。 拿一张白纸，把这 20 条主干凭记忆写出来。写不出来的，标记一下，回去重看，再默写一遍。

一个半小时，很痛苦，但整套方法的价值有一半在这一步。

六、Day 2：主动回忆闭环（全文最重要的一天）

6.1 让它出题，不让它讲题

按照权重表的分值占比，给我出一套 25 道题的题库，分三档： A 档（10 题）：单一考点，考记忆和直接套用 B 档（10 题）：需要串联 2-3 个考点 C 档（5 题）：模仿往年压轴题的难度和风格 要求： - 题干全部写在前面，编号清楚 - 答案和解析统一放在文末「=== 答案区 ===」下面 - 每题标注对应考点和难度档 - C 档要说明它模仿的是哪一年的哪道题

6.2 断网做题，Claude 只批改

题目导出成 PDF 或者直接抄到纸上，离开电脑，做四个小时。做完之后再回来批改。

批改的 prompt 也要卡死：

下面是我做的第 7 题，请只做三件事： 1. 判断对错 2. 如果错了，指出第一个出错的步骤在哪，只说位置，不说正确做法 3. 给我一个「下一步该检查什么」的提示，不超过一句话 不要给完整解答。我说「我放弃了」的时候你再给。 【我的解答】 ...

6.3 为什么要这么麻烦

因为直接要答案这件事，是有代价的，而且代价是可测量的。

2026 年 4 月有一篇 arXiv 论文（Liu 等，编号 2604.04721），做了一组随机对照实验，样本量 1222 人，任务包括数学推理和阅读理解。结论是：用 AI 辅助时表现确实变好，但撤掉 AI 之后，这些人的独立表现显著下降，而且更容易中途放弃。

最扎心的是时间尺度：这个效应在大约 10 分钟的接触之后就出现了。不是长期习惯养成的问题，是很快就会发生的期望值重置——”不会”这个状态被训练成了一种可以立刻结束的状态。

而作者们特别指出，坚持性恰恰是长期学习成果最强的预测指标之一。

再看一个数据。Anthropic 分析了 57 万多条大学生的学术对话，按布鲁姆认知层级做了分类：

添加图片注释，不超过 140 字（可选）

Create 39.8%，Analyze 30.2%，而 Remember 只有 1.8%。这是一个倒过来的金字塔：被外包最多的，恰恰是认知层级最高、最需要自己动手练的那两层。

所以 Day 2 的全部设计，就是把这个金字塔掰回来：Remember 和 Apply 交给 AI 出题，Analyze 和 Create 你自己扛。

七、Day 3：错题归因 + 交付物固化

7.1 错题必须分三类

这一步是我从做策略复盘搬过来的。错题不分类，二刷等于白刷。

下面是我 25 道题里做错的 9 道，请帮我把每道题归到三类之一： A. 知识缺口 —— 这个考点我根本没掌握 B. 计算失误 —— 思路对，算错了 C. 审题失误 —— 会做，但题目问的不是我答的 归类完之后： - 按类统计数量 - 如果 A 类集中在某个考点，指出来 - 如果 B 类占比超过三分之一，告诉我具体是哪类计算（符号/量纲/代数化简） - 不要给我鼓励，只给诊断

这三类的处理方式完全不同。A 类回去补知识，B 类靠慢做题和检查习惯，C 类靠圈关键词。混在一起复习，等于用错了工具。

7.2 限时模考

按真实考试时长，做一套完整的。这一步的目的不是查漏，是校准时间分配。很多人挂科不是因为不会，是因为前面三道题花了一个半小时。

7.3 把这门课的经验写成 Skill

考完不要就完了。花一小时，把整个流程沉淀成一个 Skill，下门课直接复用：

--- name: course-cram description: 用于在短时间内突击一门课程。当用户提到期末、突击、 复习某门课、或者上传了 syllabus 和往年题时使用。 --- # 课程突击流程 ## 阶段一：建权重表 读取 syllabus + 往年题，输出考点权重表。 重点标注「syllabus 有但没考过」和「反复考但课件讲得浅」两类。 ## 阶段二：主干命题 压缩成不超过 20 条一句话命题，每条附一个 30 秒例子。 输出后提醒用户：关掉窗口，白纸默写。 ## 阶段三：分层出题 按权重出 A/B/C 三档题，题干和答案物理隔开。 ## 阶段四：只批改不解题 用户提交解答时，只做三件事：判对错、指出第一个错误步骤的位置、 给一句话提示。用户明确说放弃前，不给完整解答。 ## 阶段五：错题归因 分为知识缺口 / 计算失误 / 审题失误三类，按类统计并诊断。 ## 通用约束 - 涉及数值和公式系数，必须写代码验证 - 不确定的结论标 [存疑] - 不代写作业、论文、任何要提交给老师的东西

Skill 能不能被准确触发，几乎完全取决于 description 写得好不好——它不是关键词匹配，是语义判断。所以描述里要把触发场景写清楚，而不是只写功能。

八、三个我踩过的坑

坑 1：数值和公式是重灾区

模型在文字上的可靠性和在数值上的可靠性完全是两回事。让它口算一个系数、核一个量纲、化简一个长表达式，出错率高得离谱，而且错得非常自信。

解法：项目指令里写死”必须写代码算一遍”。让它跑 Python 验证，比让它心算靠谱一个量级。这是量化行业的常识——任何数字，能算就不要估。

坑 2：上下文污染

一个对话从头聊到尾，聊到第 80 轮的时候，它会开始被前面的错误结论带偏。你 Day 1 让它出的一个有问题的权重表，会一路影响到 Day 3。

解法：按阶段分会话。权重表一个会话，出题一个会话，批改一个会话。共享的东西放在 Project 指令和 Skill 里，不要靠对话历史传递。

坑 3：认知负债

这是最隐蔽的一个。你在 Day 2 每放弃一次”再想三分钟”，都是在借一笔债。考场上没有 AI，那笔债连本带利一次还清。

我自己的判断标准是这张图：

添加图片注释，不超过 140 字（可选）

两个轴：横轴是 AI 输出的可信度，纵轴是你亲手做一遍能得到多少认知收益。

• 右下角（放心外包）：整理大纲、翻译段落、做速查表、查 API。它做得又快又对，你做一遍也学不到什么。全交出去，别有心理负担。

• 右上角（留给自己）：推导核心公式、默写主干、写代码实现算法。它做得对，但正因为它做得对，你会学不会。 这一格是整张图的重点。

• 左上角（高风险）：数值核对、冷门定理。你该自己做，而它还容易错。先自己做，再让它挑刺。

• 左下角（直接别用）：具体文献页码、最新版本的行业数据。它会一本正经地编。换搜索引擎，或者去查原始文档。

如果这篇文章你只记一样东西，记这张图就够了。

九、必须说清楚的边界

这套方法的定位是预习和复习的加速器，不是别的。

• 不要用它代写作业、论文、报告，或者任何要署你名字提交的东西。 这是学术不端，各校的处理都不轻，而且现在的检测手段比两年前强多了。风险收益比极差。

• 考试期间不要用。 这条不用解释。

• 小组作业里，不要用它糊弄队友。 你交上去的东西别人要背锅。

我写这篇是因为我认为 AI 该干的活是”把你从查资料、整理笔记、等答疑这些低价值劳动里解放出来”，而不是”替你考试”。前者是效率工具，后者是自毁。

顺便一句：如果你们学校是 Claude for Education 的合作院校，学生是可以直接拿到访问权限的，不用自己掏钱。合作名单每年在扩，值得先去教务或者图书馆问一句。

十、最后一句实话

这套流程我用下来，最大的感受不是”AI 让学习变简单了”，而是AI 让”不会”这件事变得可以随时结束。

而学习这件事，恰恰需要”不会”的状态持续一会儿。需要你盯着一道题看二十分钟，脑子里什么都没有，然后突然想通。那二十分钟的难受，就是学习本身。

AI 能帮你把二十分钟的难受压缩到三分钟，也能帮你把它压缩到零。压缩到三分钟叫效率，压缩到零叫自欺。

三天能过完的是一门课的信息量。手感，还是得自己练。