上周和一位在一线教计算机的老师聊天，他提到一个现象：现在学生交上来的代码作业，风格越来越“统一”，注释写得滴水不漏，但一问到实现细节，就支支吾吾。这背后，是学生把题目描述直接丢给大语言模型（LLM），然后把生成的代码原封不动地交了上来。老师很困惑：这算学会了吗？如果禁止使用，是不是又剥夺了学生接触先进工具的权利？
这不仅仅是代码作业的问题。从论文写作、数据分析到创意设计，LLM正在以前所未有的深度介入教育场景。一个普遍的担忧是：LLM会不会最终“摧毁”教育，让学生失去独立思考、深度学习和解决问题的能力？这个标题——“To prevent LLMs from destroying education, the work must happen in class”——点出了一个关键：防止LLM对教育的潜在破坏，主战场不在技术禁令，而在课堂本身。它不是一个技术问题，而是一个教学设计问题。
问题的核心，不在于LLM能做什么，而在于我们如何重新定义“教”与“学”的目标。当答案可以轻易获取时，评估的重点就必须从“产出结果”转向“思考过程”。这意味着，教育者需要做的，不是把LLM挡在教室门外，而是把它设计进教学流程里，让它从一个“答案生成器”，变成一个“思维脚手架”或“协作伙伴”。这场变革，必须发生在每一堂课的设计与互动中。
1. 从“答案危机”到“过程革命”：LLM如何重塑学习目标
过去，许多教育评估（尤其是理工科和文科写作）建立在信息不对称的基础上。老师掌握知识和方法，学生通过记忆、理解和练习来复现。LLM的出现，瞬间抹平了这种不对称。一个学生可以在几分钟内获得一篇结构完整、引用规范的论文草稿，或者一段能解决特定问题的代码。
这造成了所谓的“答案危机”：传统的作业和考试形式，其评估价值正在快速衰减。如果继续只关注最终产出的正确性或美观度，教育就真的可能被“摧毁”——因为学生不再需要经历那个痛苦的、但至关重要的思考、试错和整合过程。
因此，教育的防御战，第一条防线就是学习目标的迁移。我们必须明确，在LLM时代，什么能力变得更为稀缺和珍贵：
- 问题定义与拆解能力：LLM擅长执行清晰指令，但不擅长从模糊需求中提炼出真正要解决的问题。学生需要学会把一个大而化之的任务（如“分析某社会现象”），拆解成一系列LLM可以协助的具体子问题（数据收集、理论框架选择、论证逻辑构建等）。
- 批判性评估与迭代能力：LLM的输出并非真理，它可能包含事实错误、逻辑漏洞或陈词滥调。学生必须学会批判性地审视LLM生成的内容，判断其质量，发现其不足，并提出具体的修改指令。这个过程本身就是深度学习。
- 合成与创新能力：LLM是强大的信息重组工具，但真正的创新往往来自于跨领域连接、提出新假设或构建新框架。教育的目标，是培养学生利用LLM提供的基础材料，进行更高层次的综合与创造。
- 工具驾驭与工作流设计能力：知道在什么环节、以什么方式使用LLM，并把它与传统的研究方法、分析工具、创作流程结合起来，形成高效且可靠的个人工作流。这是一种元能力。
课堂必须成为这些能力训练的“演练场”。老师布置的作业，其核心价值不应再是那个“最终的答案”，而是学生在获取答案过程中必须展现的思考痕迹和决策逻辑。
2. 课堂作为“思维健身房”：设计抗LLM的教学活动
如果作业可以被LLM代劳，那么课堂时间的价值就必须重新凸显。课堂应该从“知识传授车间”转变为“思维训练健身房”。在这里，学生进行的是LLM无法替代的、高强度的认知训练。
2.1 “展示思考过程”比“提交完美结果”更重要
对于任何可能被LLM完成的作业，评分标准必须重构。例如：
- 编程作业：要求学生提交的不只是代码，还必须包括：
- Prompt迭代记录：你最初给LLM的指令是什么？LLM返回的结果有什么问题？你如何修改Prompt来纠正？记录至少3次迭代。
- 代码审查报告：对LLM生成的代码，逐行或逐模块进行审查。指出你认为写得好的地方、可能存在缺陷的地方（如边界条件、效率问题），并说明你会如何修改及为什么。
- 测试用例设计：针对LLM生成的代码，设计一组测试用例（包括正常情况和边界情况），并运行测试，记录结果。分析LLM生成的代码是否通过了所有你设计的测试。
- 论文写作：
- 提纲生成与辩论：让学生先用LLM生成一个论文提纲，然后在课堂上分组，互相评审对方的LLM提纲，辩论其逻辑结构的优劣，并提出修改方案。
- 论据溯源与评估：LLM生成的论述常常引用“事实”或“研究”。要求学生对其中的关键论据进行溯源，验证其真实性，并评估该论据对论证的支持力度。
- “反方Prompt”练习：让学生使用LLM，基于相同的主题，生成一篇持相反观点的短文。然后分析比较两篇短文的论证逻辑，思考议题的复杂性。
这些活动把LLM的输出从“终点”变成了“起点”和“思考素材”。评估的重点是学生与LLM交互的深度、批判性思维的运用以及最终的整合与提升能力。
2.2 从“个人竞技”到“协作探究”
LLM可以成为小组协作的“催化剂”和“共同思考伙伴”。课堂可以设计以下活动：
- Prompt设计竞赛：给定一个复杂任务（如“用Python分析某公开数据集，并可视化关键趋势”），小组竞赛，看哪个小组能设计出最精准、高效、能生成最优质代码的Prompt。赛后分享各组的Prompt策略。
- 错误分析与调试马拉松：老师或某个小组故意提供一个由LLM生成但包含隐蔽错误的方案（代码、实验设计、商业计划等）。其他小组竞赛，看谁能最快、最全面地找出所有错误，并分析错误根源（是Prompt不清晰？是LLM知识盲区？还是任务本身歧义？）。
- 跨学科问题解决：提出一个需要跨学科知识的问题（如“设计一个减少校园碳足迹的方案”）。各小组利用LLM快速获取不同领域的背景知识（环境科学、经济学、行为心理学、工程学），然后进行线下讨论，整合这些信息，形成创新方案。LLM在这里扮演了“知识桥梁”的角色。
这些协作活动不仅锻炼了LLM使用技能，更培养了沟通、项目管理、整合多元视角等软技能，这些都是LLM无法替代的。
3. 构建“LLM增强型”学习工作流：从课堂到自主学习
课堂训练最终要服务于学生的自主学习。老师需要帮助学生构建一个健康的、可持续的“LLM增强型”学习工作流，而不是“LLM依赖型”工作流。
3.1 工作流四阶段模型
一个负责任的使用LLM进行学习的工作流，可以概括为以下四个阶段：
| 阶段 | 核心任务 | 学生主导的活动 | LLM扮演的角色 | 关键产出 |
|---|---|---|---|---|
| 1. 探索与定义 | 理解问题，划定范围 | 背景阅读、头脑风暴、问题拆解 | 信息聚合器与头脑风暴伙伴：快速提供领域概览、相关概念、潜在角度。 | 清晰、具体、可操作的问题定义清单。 |
| 2. 生成与拓展 | 获取初步材料与方案 | 设计精准Prompt，发起多次查询 | 草案生成器与方案提供者：根据指令，生成文本、代码、提纲、数据等初稿。 | 一系列可供评估和选择的原始材料。 |
| 3. 批判与精炼 | 评估、验证、深化材料 | 事实核查、逻辑分析、交叉验证、压力测试 | 辩论对手与细节打磨器：对其自身输出进行批判性提问；根据反馈修改细节。 | 经过验证、逻辑自洽的优化版本材料。 |
| 4. 整合与创造 | 形成最终成果，体现个人价值 | 建立个人框架，建立材料间的深层联系，提出新见解 | 写作/编码助手与表达优化器：在作者明确框架和意图下，协助语言组织和格式调整。 | 体现个人独特思考、综合与创造力的最终成果。 |
这个模型的关键在于，LLM主要活跃在第2和第4阶段的辅助环节，而最具认知价值的第1阶段（定义问题）和第3阶段（批判精炼），必须由学生牢牢掌控。课堂训练应聚焦于强化第1和第3阶段的能力。
3.2 工具素养：超越ChatGPT的Web界面
课堂还应该引导学生了解LLM的生态，而不仅仅是某个聊天界面。这包括：
- 理解不同模型的特点：简要介绍不同LLM（如GPT、Claude、Gemini及一些开源模型）在逻辑推理、创意写作、代码生成、长上下文处理等方面的倾向性，让学生学会根据任务选型。
- 认识Prompt工程的核心：不是学习“魔法咒语”，而是理解“清晰指令”、“提供上下文”、“分步思考”、“指定角色”等基本原则。明白好的Prompt是与机器有效沟通的协议。
- 接触LLM应用框架：对于高年级或相关专业学生，可以介绍LangChain、LlamaIndex等框架的概念。让他们理解，LLM可以像乐高一样被集成到更大的应用流程中（如
Text2JSON+Text2SQL这类应用，就是先让LLM理解自然语言并结构化，再转换为可执行动作）。这打开了将LLM用于解决复杂工程问题的视野。 - 建立安全与伦理意识：结合类似OWASP Top 10 for LLM这样的资源，讨论提示词注入、数据泄露、偏见放大、责任归属等现实问题。让学生意识到，使用强大工具的同时也需承担相应责任。
4. 教师的角色进化：从讲台上的圣人到学习环境的设计师
这场变革对教师提出了更高的要求。教师的角色需要从“知识的唯一权威来源”，转变为“学习环境的设计师”、“思维训练的教练”和“人机协作的向导”。
- 设计抗LLM的评估体系：这是最核心的工作。教师需要花费更多精力设计那些评估过程而非结果的作业和考试。例如，开卷考试可以允许使用LLM，但题目必须设计成需要多步骤推理、综合多源信息、进行价值判断的类型，直接提问LLM难以直接给出完美答案。
- 提供高质量的“思考脚手架”：在学生使用LLM的前后，提供结构化的引导问题。例如：“在向LLM提问前，请你先用自己的话定义三个核心概念。”“拿到LLM的初稿后，请从证据充分性、逻辑连贯性和反方立场三个维度进行批判。”
- 示范专家级的LLM交互：教师自己应成为熟练的LLM使用者，并在课堂上公开演示自己如何利用LLM进行课程准备、研究构思或解决问题。展示一个专家是如何批判性使用工具的，这比任何说教都有效。
- 聚焦于高阶对话与指导：当基础知识和技能获取被LLM部分代劳后，教师宝贵的面对面时间应更多地用于启发深度思考、解答个性化困惑、指导研究方法和进行心灵激励。这些是LLM永远无法替代的“人的温度”。
防止LLM“摧毁”教育，绝非通过技术封锁就能实现。真正的防线，是教育理念和教学实践的深刻革新。它要求我们把课堂重新打造成一个以思维训练为核心、以人机协作为特征、以培养LLM无法替代的“人的能力”为目标的场所。
这场“工作”必须发生在每一堂课里，发生在教师设计的每一个学习活动中，也最终发生在每个学生与LLM共处的学习习惯里。终点不是拒绝工具，而是通过驾驭工具，让我们——无论是教师还是学生——成为更深刻的思想者和创造者。这或许才是教育在智能时代一次必要的进化。
