AI 辅助学习、编程与结果验证

一、为什么要学“验证 AI”，而不只是学提问？

AI 可以解释概念、整理文档和提出代码方案，但生成得流畅不代表结论可靠。大学生需要掌握的是：把任务说清楚，识别证据，检查代码，设计反例，并对最终提交负责。

本篇不依赖某一个付费产品，也不需要 API Key。练习代码只用 Python 标准库，核心原则适用于不同 AI 工具。先修 Python 函数与基本测试；目标是完成一次“需求—生成—验证—修订—记录”的闭环。

二、适合交给 AI 的任务与人的责任

任务	可以怎样协助	你需要亲自做什么
理解报错	提出原因和检查步骤	提供真实堆栈，验证假设
阅读官方文档	解释术语、对照示例	打开原文核对版本和限制
编写代码	生成候选实现	读懂输入输出，检查修改范围
编写测试	建议边界用例	独立定义正确结果
整理资料	形成提纲和关键词	核对来源、版权和事实
写学习总结	提供结构和反馈	用自己的语言解释并完成练习

课程、竞赛和论文中的 AI 使用规则应以所在场景要求为准；需要声明时保留使用范围和修改记录。不能把不允许的代写包装成“辅助”。

三、一个可复用的任务说明模板

目标：实现成绩均值函数。
输入：由数值或 None 组成的列表。
规则：忽略 None；0 是有效分；仅接受有限的 0～100 数值。
错误：空列表或全 None 抛 ValueError；字符串和布尔值抛 TypeError。
环境：Python 3.10+，只用标准库。
约束：不读写文件，不联网，不修改现有公开接口。
输出：先解释边界，再给最小实现与测试；不确定处明确标注。

这比“帮我写一个完美程序”更可验证。不要把真实 Token、身份证号、未公开实验数据或未经授权的他人代码直接贴进工具；先最小化、脱敏或改用虚构样例。

四、先自己预测，再查看答案

采用三步学习法：

1. 自己写出输入输出，预测一个例子的结果。
2. 请 AI 解释或给提示，而不立即要完整答案。
3. 关掉答案，重新实现，再用反例验证。

例如先问“为什么 None 与 0 不能用同一个真假判断处理”，再自己写过滤逻辑。若看到 if value 就忽略它，会连合法零分一起删除。

五、看一个“能运行但不符合要求”的答案

def buggy_average(values):
    return sum(values) / len(values) if values else 0

它对 [80,90] 返回 85，看起来正确，但对空列表擅自返回 0，对 None 报错，也没有拒绝 120、无穷大或布尔值。这里的代码是用于教学的人为错误候选，不是对某个模型实际输出的记录。

输入	正确规则	错误候选的问题
[80,90]	85	这一个例子无法发现问题
[]	ValueError	返回 0，掩盖无数据
[0,None,100]	50	不能处理 None
[120]	ValueError	返回 120
[True,90]	TypeError	把 True 当成 1
[NaN]	ValueError	传播 NaN，未明确拒绝

关键点： 在 Python 中，bool 是 int 的子类，若规则禁止布尔值，必须显式检查。不能仅写 isinstance(value, (int,float)) 就认为够了。

六、把业务规则写成测试

import unittest
from verify_ai import average

class ExampleTests(unittest.TestCase):
    def test_missing_and_zero(self):
        self.assertEqual(average([0, None, 100]), 50)

    def test_empty(self):
        with self.assertRaises(ValueError):
            average([])

上面依赖本篇配套文件中的 average。测试预期来自任务规则，而不是“AI 说应该这样”。数值计算复杂时使用容差比较，例如 assertAlmostEqual，不要对浮点结果普遍要求逐位相等。

测试还可以利用不变量：打乱顺序不改变均值，把整个有效序列重复三遍也不改变均值。这样的性质能覆盖一批输入，但不能代替范围和类型测试。

七、一个明确处理边界的实现

import math

def average(values):
    valid = []
    for value in values:
        if value is None:
            continue
        if isinstance(value, bool) or not isinstance(value, (int, float)):
            raise TypeError("scores must be numbers or None")
        if not math.isfinite(value) or not 0 <= value <= 100:
            raise ValueError("score must be finite and between 0 and 100")
        valid.append(value)
    if not valid:
        raise ValueError("no valid scores")
    return sum(valid) / len(valid)

该实现只承诺接受 Python 的 int/float 与 None，不涵盖 Decimal、NumPy 标量或任意迭代器协议的全部边界。扩大接口时应重新定义要求和测试，不能默默认为所有“数字”都等价。

下载 verify_ai.py：包含错误候选、改进实现和 5 个测试方法。

python verify_ai.py

预期 Ran 5 tests、OK。测试通过意味着这些明确的规则被验证了，不代表程序在所有使用场景绝对正确。

八、检索与引用：建立证据链

回答技术事实时，建议记录：结论、原始链接、适用版本、核对位置、自己的验证结果。

AI 给出的内容	怎样核对
一个函数参数	官方文档是否确有该参数；本地版本是否支持
一篇论文	标题、作者、年份、DOI 是否对应，原文是否支持论断
一个软件包	包是否存在、名称是否正确、维护源是否可信
一段运行结果	自己执行，保留环境和输出；不能把预测当实测
一张图或指标	数据、代码和统计口径能否追溯

如果打不开来源，写“尚未核实”，而不是补造一个看起来像真的链接。AI 的自信语气、重复回答和“我已经检查过”都不是独立证据。

九、代码审查：运行前先看它会做什么

检查代码是否超出任务：删除目录、递归改文件、上传数据、读取环境变量、安装陌生包或执行下载脚本等都需要理解后再运行。先在隔离目录用虚构数据测试，查看 diff，再决定是否接入项目。

收到报错后，给出最小复现而不是整个私有仓库：环境版本、最短代码、实际输出、预期输出。一次只修改一个关键因素，避免“改了十处终于能跑，但不知道为什么”。

检索结果和网页正文可能包含诱导操作的文本；把它们当作需要分析的数据，不能自动升级为执行命令的授权。

十、验证结论时常见的陷阱

• 同源验证： 让同一个模型既生成实现，又生成完全照着实现写的测试，可能一起漏掉同一规则。
• 只测正常输入： 示例输入正确，不代表空值、异常值或边界也正确。
• 数据泄漏： 在全体数据上做特征选择、插补或标准化，再评估测试集，会污染评估。
• 指标替代目标： 测试通过率、准确率或响应速度提高，不自动等于任务完成。
• 过度修补： 只针对报错例子写特殊分支，而不重新检查整体规则。

以成绩统计为例，图画得漂亮不能证明学号没丢前导零，SQL 能查出结果也不能证明 JOIN 没重复放大行数。验证应贯穿每一步。

十一、记录一次可复查的 AI 协作

# 验证记录
任务：成绩均值函数
工具与时间：填写实际使用信息；未使用工具则说明为人工练习
约束：标准库、忽略 None、保留零分、拒绝非法值
候选问题：空列表返回 0；未拒绝布尔值
人工修改：增加类型、范围、有限数与空集合检查
证据：python verify_ai.py，5 个测试方法通过
限制：只接受 Python int/float；尚未加入其他数值类型

不必保存所有聊天，但要保留能解释“为什么相信这个结果”的证据。作业或项目的最终解释应由你自己完成。

十二、练习与参考思路

1. 向一个 AI 提交第三节的需求，不提示具体反例；将输出与测试结果对照，记录实际缺陷，没有缺陷也如实记录。
2. 设计一个会错误删除零分的实现，再写一个能发现它的测试。参考输入：[0,100]。
3. 请 AI 列出两个官方资料链接，逐一打开核验，不接受只有搜索摘要的证据。
4. 让同伴审查测试而不是只看实现，检查你们对空输入规则是否一致。
5. 小项目：用 AI 协助改进前四篇任一实验，提交 diff、规则、运行记录和一个未解决限制。

完成标准： 能自己解释代码，至少有一个反例，来源可打开，运行结果真实记录，未提交敏感信息，也没有把 AI 的预测写成实测结果。

十三、学习资料

• Python unittest 官方文档：把需求变成断言。
• Python math.isfinite：核对有限数的判断。
• scikit-learn 常见陷阱：数据泄漏与评估边界。
• GitHub 查看 Pull Request 差异：用 diff 审查实际改动。