这次主题聚焦于面向教育场景的新型 ChatGPT Work 与 Codex 插件：它们服务于 K–12 教师、大学教育者和学生，覆盖学习、教学、研究与构建。真正有价值的地方，不只是让模型回答问题，而是把备课、探究、编程实践和反馈组织成一条可检查、可迭代的工作流。
从“问答案”转向“做任务”
在课堂中，AI 工具最容易被用成一个问答框：学生提交问题，模型返回结论，学习过程却被压缩掉了。更稳妥的做法，是把任务拆成几个可观察的阶段：
- 明确目标：学生需要掌握哪个概念，教师要完成哪项教学准备？
- 生成材料：让工具提供问题、示例、阅读提纲或代码骨架。
- 展示过程：要求学生提交假设、推理、实验记录或修改说明。
- 检查结果：使用评分标准、测试用例或同伴反馈验证成果。
- 反思迭代：记录哪些建议被采纳，哪些建议被拒绝，以及原因。
这种设计也适合 ChatGPT Work 和 Codex 的教育插件。插件可以参与学习、教学、研究和构建，但任务目标、评价标准和最终责任仍然应由教师与学生共同掌握。
四类课堂工作流
教师备课
教师可以先提供年级、课时、先修知识和评价目标，再让工具生成多个教学方案。不要直接接受第一版结果，最好要求它指出每个活动的预期产出、可能误解和适合的检查问题。
学生探究
学生可以把 AI 当作提问伙伴，而不是答案仓库。例如在历史、科学或数学任务中，要求工具提出反例、追问证据，并把“事实”“推断”和“仍需验证的假设”分开。这样更容易留下真实的学习轨迹。
大学研究
在研究型课程里，工具可以协助整理研究问题、比较方法、设计检索关键词和审查论证结构。引用、数据来源和结论不能只依赖模型生成内容，学生仍需回到原始资料进行核验。
编程构建
Codex 更适合放在“可运行、可测试、可修改”的任务中。与其要求它一次性写完整应用，不如让学生先写需求和验收条件，再让工具生成最小实现，最后通过测试和代码审查判断结果是否可靠。
一个可改造的课程任务示例
下面这个示例假设教师希望把“用 Python 分析课堂数据”设计成一个小型项目。YAML 负责描述任务约束，Python 程序负责检查学生提交的 CSV 是否满足最基本的格式要求。实际使用时，可以把字段名和评分规则替换成自己的课程内容。
保存为 assignment.yaml：
name: classroom-data-check
objective: "计算每位学生的平均成绩，并识别缺失数据"
input:
file: scores.csv
required_columns:
- student_id
- score
acceptance_criteria:
- "输入文件包含所有必需列"
- "score 可以转换为数字"
- "输出每位学生的平均分"
- "报告缺失或无效记录"
准备一个 scores.csv：
student_id,score
A001,86
A001,92
A002,78
A002,
A003,91
再保存并运行下面的 check_scores.py：
import csv
from collections import defaultdict
from pathlib import Path
path = Path("scores.csv")
required = {"student_id", "score"}
groups = defaultdict(list)
invalid_rows = []
with path.open(newline="", encoding="utf-8") as file:
reader = csv.DictReader(file)
columns = set(reader.fieldnames or [])
missing = required - columns
if missing:
raise SystemExit(f"缺少列: {', '.join(sorted(missing))}")
for line_number, row in enumerate(reader, start=2):
student_id = (row.get("student_id") or "").strip()
raw_score = (row.get("score") or "").strip()
try:
score = float(raw_score)
if not student_id:
raise ValueError("student_id 为空")
except ValueError:
invalid_rows.append(line_number)
continue
groups[student_id].append(score)
for student_id, scores in sorted(groups.items()):
average = sum(scores) / len(scores)
print(f"{student_id}: {average:.1f}")
if invalid_rows:
print(f"无效行: {', '.join(map(str, invalid_rows))}")
运行命令：
python check_scores.py
这个练习的重点不是让 Codex 代替学生完成脚本，而是让学生比较三个版本：自己的实现、工具建议的实现，以及经过测试后最终提交的实现。教师可以据此评价需求理解、错误处理、测试意识和修改说明，而不仅仅是代码能否运行。
使用时要守住边界
教育场景中的插件应当嵌入课程目标，而不是成为脱离课程的自动生产器。部署前可以检查以下事项：
- 是否明确哪些内容允许使用 AI，哪些部分必须独立完成？
- 是否要求学生保留提示词、草稿、测试结果或修改记录？
- 是否对个人信息、成绩和研究材料做了最小化处理？
- 是否由教师核验事实、引用、偏见和年龄适配性？
- 是否为无法访问工具的学生提供等价的替代路径？
- 编程作业是否包含测试、代码解释和现场修改，而不是只提交最终文件？
ChatGPT Work 与 Codex 的教育价值，取决于它们是否让学习过程更透明、更容易反馈，也更容易动手验证。小范围试点时，可以先选择一个课时或一个编程项目，定义清晰的产出和评分标准，再根据学生作品调整工作流。这样既能利用 AI 的生成与协作能力，也能保留课堂中最重要的判断、实践和反思。