斯坦福 CS336 这门课，之前最值得看的是课程资源本身：公开语言模型从零实现，不是让学生围着 API prompt 转，而是把 tokenizer、Transformer、优化器、训练循环、性能分析这些东西拆开重做一遍。

现在作业仓库里又多了一份 CLAUDE.md。文件名看着像给 Claude Code、Cursor、Copilot、ChatGPT 这类工具看的提示词，内容却很克制：AI 是 Teaching Assistant，不是 Solution Generator。

这句话把 CS336 的真实门槛补齐了。

公开课程资源告诉你学什么；这份准则告诉你，哪些过程不能外包给 AI。前者是知识路线，后者是学习秩序。

发生了什么：斯坦福给 AI 助手划了一条硬线

CS336 是一门实现密集型大模型课程。学生要写大量 Python/PyTorch 代码，脚手架有限，目标不是“看懂答案”，而是把模型训练链路亲手搭起来。

这份 AI Agent Guidelines 没有全面禁止 AI。它允许 AI 做这些事：

  • 解释课程概念；
  • 帮学生理解 Python、PyTorch、CUDA、Triton 报错；
  • 审阅学生已经写出的代码；
  • 建议测试、断言、toy example、profiling 方法；
  • 引导学生查课程材料和官方文档。

但它明确禁止 AI 做另一类事：

  • 直接给作业解法；
  • 写 Python 代码或伪代码；
  • 补 TODO；
  • 编辑学生仓库；
  • 运行 bash 命令；
  • 实现 tokenizer、training loop、Triton kernel、分布式训练逻辑等核心组件；
  • 指向第三方完整实现让学生照抄。

最关键的不是“能不能用 AI”，而是 AI 替代了哪一段学习。

学生问 causal mask 不对，AI 可以让他检查 softmax 前后、broadcast shape、masked value、toy input。AI 不能说：你第 42 行错了，我替你改好。

前者训练判断力。后者训练复制粘贴。

为什么重要：大模型课的门槛正在换地方

过去很多人学 AI，路线很短：会调接口，会写 prompt，会拼工作流，就算入门。

这条路线当然有用。做产品原型、做业务自动化、做轻量工具，API 能解决很多问题。但 CS336 这种课指向的是另一层能力：你要知道模型为什么能训起来，也要知道它为什么训不起来。

这正是课程资源的价值。它把大模型学习从“调用智能”拉回“建造系统”。

大模型训练链路里，真正折磨人的不是概念名词，而是那些笨问题：

  • 维度对不上；
  • loss 不降；
  • mask 广播错了；
  • optimizer 行为和预期不同；
  • GPU 利用率低；
  • distributed training 卡在通信；
  • Triton kernel 性能不如想象。

这些问题看着低级，却最长肌肉。

AI 如果把这段全拿走，学生会得到一份能跑的作业，也会失去理解系统的机会。结果很讽刺：模型看着更强，产品反而更虚；工具越来越聪明，人却越来越不会判断工具错在哪里。

这份准则补强的正是这一点：CS336 的主线不是“免费放课件”，而是把学习目标压到训练链路本身。会用 AI，不等于会做 AI。

谁受影响：最先被逼着改的不是学生，是课程设计

受影响最大的有两类人。

一类是想系统学大模型的学生和工程师。CS336 给出的信号很直白：如果你只想快速调模型、套框架、跑 demo，这门课的收益会打折；如果你愿意被 tokenizer、Transformer block、optimizer、training loop 折磨一遍，它的价值才会出来。

另一类是教编程、教机器学习的人。

很多课程面对 AI 有两种懒办法：假装 AI 不存在，继续布置容易被生成器秒掉的作业；或者写一句“禁止使用 AI”，把问题推给学术诚信。

两种都不够。

CS336 的做法更现实：承认 AI 已经在学习现场，然后把它限制在助教位置。它甚至规定了提问方式：先问学生试过什么、预期是什么、实际发生了什么，再建议 invariants、shape assertion、toy input、profiler 检查。

这不是道德宣言，是可执行边界。

“请合理使用 AI”这种话太软，落地时全靠自觉。自觉在评分压力面前不值钱。天下熙熙，皆为利来；课堂里也一样，学生会优化自己被评价的指标。

如果评分只看最终代码能不能跑，AI 就会变成外包。如果课程要求调试记录、测试设计、profiling 分析、口头解释，AI 才更可能回到辅导工具的位置。

问题不在产品，而在激励设计。

我更在意的是：AI 进入课堂后，学习过程不能被偷换

我不太买账“名校开始围堵 AI”这种说法。CS336 这份文件更像一次课程设计上的止损。

它没有把 AI 当敌人。它把 AI 当一种已经失控扩散的基础工具，然后问一个很具体的问题：哪些环节可以省力，哪些环节不能省？

这和计算器进课堂有点像，但不完全一样。

学校后来没有禁止计算器，而是区分什么时候考算术，什么时候考建模。AI 的麻烦更大，因为它不只替你算，还会替你组织思路、写代码、解释错误、生成下一步。它省掉的不是一小段劳动，而可能是整条认知路径。

古人说“纸上得来终觉浅”。放到今天，就是屏上生成也终觉浅。

尤其是大模型工程。你没有亲手踩过 shape、mask、loss、通信、显存这些坑，以后面对 AI 生成的训练代码，很难判断它是对的、凑巧能跑的，还是埋了一个三天后才炸的雷。

这也是为什么 CS336 的方向比很多“AI 速成课”更值得看。它没有把大模型教育包装成玄学，也没有把学习简化成调用工具。它说得很朴素：你得自己写。你得自己调。你得知道哪里错了。

这话不性感，但对。

接下来该看什么：准则能不能进入评分系统

目前能看到的，还只是一份作业仓库里的 agent guidelines。它不是斯坦福全校政策，也没有公开效果数据。不能把它神化。

真正要观察的是三件事：

  • 作业评分是否会看过程证据，而不只看最终代码；
  • 助教是否会按同一把尺子处理 AI 使用边界；
  • 课程是否会增加口头解释、调试记录、profiling 报告这类反代写设计。

如果这些跟不上，准则就容易变成墙上的规矩。学生照样可以把题目喂给模型，只是换一种更隐蔽的问法。

但方向已经很清楚。

AI 时代的 CS 教育，不能再只问“有没有用 AI”。这个问题太粗。更好的问题是：AI 是帮你看清问题，还是替你绕过问题？

CS336 的答案偏硬：解释可以，代写不行；提示可以，接管不行；工具可以进课堂，但不能把课堂掏空。

这也让那门公开课的意义更完整了。大模型门槛确实正在从调 API 转向搭训练链路；现在还要再补一句，搭训练链路这件事，不能让 AI 全替你搭。