高校老师-备课系统
一句话定位：AI 帮你把课程材料、课堂节奏、作业反馈串成一套可重复的备课链；它负责整理、对照、出不同版本，不负责替你决定这门课该怎么教、学生现场该怎么接。
你会得到什么
- 一份可直接讲的课程提纲，能从旧教案里复用案例和顺序。
- 一份按 rubric 批改的清单，减少“我感觉差不多”的模糊判断。
- 一份跨学期对照表，看出哪部分学生总卡住、哪部分需要重讲。
需要什么前置
- 一门课一个文件夹，至少有
syllabus / PPT / 参考文献 / 作业样本。 - 如果你已经教了几学期，先把旧版本和现版本分开，不要让 AI 猜哪个是最新版。
- 学生作业、课堂记录、评分意见要先做脱敏。
- 如果你长期教同一门课，建议补一份
CLAUDE.md，写清楚课程目标、禁忌词、评分原则和你自己的讲课偏好。
最小起步
- 先选一门课，把本学期的 syllabus、最近一次 PPT、两份学生作业样本放到同一目录。
- 让 AI 按“本节课要达成什么、学生最容易卡在哪、能用什么例子”整理一页备课草稿。
- 再让它把这页草稿改成“课堂讲义版”和“学生作业提醒版”。
- 最后你自己检查：是不是符合你这门课的节奏、伦理要求和班级现场。
中配 / 进阶
- L1：把课程结构写成目录页，AI 先读目录再读正文，避免每次都重新解释整门课。
- L2：加一个
备课.skill.md，把“讲义 / 幻灯片 / 课后推文”三种输出模式分开。 - L2+：加 rubric 模板，让 AI 先帮你粗批，再由你拍最终分。
- L3：当旧教案、作业样本、课堂反馈很多时，再考虑把历史材料接入检索层，但课堂现场判断仍然必须在人。
人和 AI 怎么分工
- 人必须拍板：教学目标、课堂现场取舍、评分最终决定、学生敏感问题的处理。
- AI 负责：整理旧材料、生成提纲、改写成不同版本、把作业反馈按主题归类。
- 人负责核对：是否误读课程语境、是否把学生现场的复杂性压扁了、是否侵犯隐私或学校规范。
- AI 不能负责：替代老师、替代课堂互动、替代学术判断。
常见坑
- 写成“AI 代替老师”。最危险的不是效率低，而是把课堂判断让渡给模型。
- 只优化文字，不优化教学顺序。讲义写得顺，不代表学生真的听得懂。
- rubric 太虚。像“表达好”“有洞见”这种词，最后会让批改失去一致性。
- 不做脱敏。学生作业和课堂记录最容易把隐私直接喂进模型。
- 每学期都当新课。没有历史材料沉淀，AI 只能给公共腔，不会帮你积累课程记忆。
串读
- 先看 我是非技术的-能用吗，确认你是“文科老师 / 高校教师”这条入口。
- 再看 文章写作，借它的“一个主题输出多个版本”思路。
- 想知道项目上下文怎么固化，顺手看 01-CLAUDE-md。
公开来源怎么用
- Cornell 的 syllabus 和 rubric 页面适合当“课程目标 / 评估标准 / 反馈循环”的公开样本。
- 你要抄的是“课程材料如何组织”和“评分标准如何写清楚”，不是某所学校的课程内容。
- 备课页最重要的边界是：AI 可以帮你把材料排顺，但不能替你定义课堂。