简介：完整word版人工智能习题答案（1），是面向人工智能课程学习者、考研复习者及计算机专业师生的习题解答文档。资源以计算机学科视角，系统梳理人工智能的学科定义与能力内涵，回顾控制论、图灵测试、数理逻辑、MP模型及联结主义等关键思潮，并对物理符号系统假设、三大认知学派（符号主义、联结主义、行为主义）及认知行为层次逐一展开讲解。习题部分不仅给出标准解答，还配有思路说明与图示化解题过程，典型如传教士与野人安全渡河的11步状态空间搜索方案、城市间最短旅行路线的状态空间规划，以及电网络阻抗的与或解树表达等，能有效帮助读者厘清知识表示与搜索策略的核心方法。文档共1个doc文件，压缩包整体约560KB，内容按章节组织，结构清晰。已有41人学习下载，适合需要系统掌握AI基础概念、经典习题解法及考前查漏补缺的入门至中级学习者。
1. “完整 word 版人工智能习题答案(1).doc”这份文件到底在解决什么
晚上十一点，课程群突然有人甩出一份文件：“完整word版人工智能习题答案(1).doc，转存防删”。如果你正在补人工智能期末，或者赶人工智能大作业，这份文件看起来就是最后一根稻草。文件名里的“完整”很有吸引力，后面的“(1)”则透着真实：它往往说明群里已经传过“第零版”，那一版要么公式乱码，要么缺了“机器学习”那章的答案。打开之后你会发现，它基本是名词解释、简答、计算题和论述题的合集，后面跟着参考答案，能搜索、能标注、能打印，比一份只读的人工智能导论 PDF 更“能动手”。
但这类 Word 习题答案文档有个天然问题：它只给“答案”，不给“为什么”。考场上的论述题、大作业里的方案设计，考的都是推理过程，光背结论走不远。所以这篇文章会顺着这个标题往下拆：先教你判断手里的答案文档值不值得信，再教你从 Markdown 和 LaTeX 自己生成一份公式不乱码的 Word 版习题答案，最后把“背答案”升级成“建题库”。整个过程不依赖什么线上服务，用 Pandoc、python-docx、LibreOffice 这些本地工具就能做完。
2. 拆开一份人工智能习题答案 Word 文档：三看判定、题型分类和考点反推
2.1 拿到文件先看三样东西：题型目录、答案粒度、公式存活状态
市面流传的人工智能习题答案 Word 文档，按出身可以分成四类：教材配套答案、题库整理版、学生自整理版、期末突击版。教材配套答案的章节编号跟教材目录一致，题库整理版的题目顺序混乱但数量大，突击版则只挑 A* 搜索、决策树、反向传播这类高频考点。拿到一份“完整 word 版”文档，我一般不会急着从头看，而是先做三看。
第一看题型覆盖范围。搜索策略、知识表示、机器学习、神经网络，这四块是国内人工智能导论类课程的基本骨架。一份文档缺了任何一块，都不能叫“完整”。如果它连“什么是智能”这种导论题都不收，说明编者很可能是从某次期末试卷里摘出来的，覆盖度有限。
第二看答案粒度。到底是“题目全”，还是“答案步骤全”，这是两份完全不同的文档。合格的答案至少要包含：结论、推理步骤、关键公式、边界条件。例如一道“用 A* 搜索求最短路径”的题，如果答案只写“使用 A* 算法即可”，那是废话；真正可复用的答案会写出 open 表、closed 表的每一次变化，连 h(n) 的估值都标出来。
第三看公式与图片的存活状态。Word 里的数学公式有三种存在形式：MathType 域代码、OMML 公式、图片。MathType 域代码在没有装 MathType 的电脑上会显示成乱码或一个嵌入对象；图片形式的公式清晰但不能编辑；OMML 是 Word 原生公式，最省事。打开文档后直接翻到搜索算法那几页，就能判断这份文档的公式属于哪种形态。如果满屏是{EMBED Equation.DSMT4}，说明它依赖旧插件，你现在电脑上大概率打不开。
2.2 把答案文档拆成四类题型：复习方法完全不同
一份典型的 Word 版习题答案，无论章怎么排，题目本质上是四类。我用一套按题型拆文档的方法，比按章节顺序背效率高得多。
第一类是概念题，包括名词解释和填空题。这类题直接背就行，但要背“定义 + 关键特性 + 例子”三件套。比如“什么是过拟合”，答案里最值钱的是那句“在训练集上表现好、在验证集上表现差”，而不是教科书首页的文学化表述。
第二类是计算题，比如信息增益、朴素贝叶斯、A* 搜索、BP 神经网络的权重更新。只看答案计算过程属于自我欺骗，一定要把题目遮住，自己从第一步推到结果。卡住的地方就是考试丢分的地方，在 Word 里用高亮标出来，属于你自己的错题。
第三类是伪代码题，常见“写出 A* 算法的主要步骤”或“描述决策树生成的递归逻辑”。这类答案的标准形式是算法步骤加伪代码，你不能只背代码，要能讲清每一步在做什么，比如 open 表用什么数据结构，closed 表用什么数据结构。
第四类是论述题，常见“谈谈人工智能的伦理挑战”“分析人工智能在某个行业的应用前景”。这类题考的是答题框架，见 4.4 节的展开。归纳题要用到的是“技术可行、落地方案、风险边界”这样一个结构性的东西，“好答案”往往是用对这个包袱结构才得分的。
这里补一句：如果你正对照答案做第一轮复习，建议按公共的人工智能学习路径——搜索、知识表示、机器学习、神经网络——把文档里的题目归档到这四个桶里。归档之后，你会立刻发现这份文档的薄弱处：有些文档四分之三是概念题，计算题只有寥寥几道，那样的“完整版”并不好用。
2.3 同一个知识点有三种问法：借答案反推考点分布
习题答案文档最大的价值不是让你背，而是让你看清出题人怎么把一个知识点反复包装。以“过拟合”为例，人工智能期末考试里至少有三种问法：
名词解释问法：什么是过拟合？只考记忆。 简答问法：如何防止过拟合？至少列出三种方法，比如增加数据、正则化、Dropout、early stopping。考归纳。 案例分析问法：给定一个模型在训练集上准确率 99%、测试集上准确率 82% 的场景，要求分析原因并给出改进思路。考迁移。
同一知识点，三种问法的答案粒度完全不同。我在读 Word 答案时，会刻意做一件事：对文档里每一个关键考点，都给自己补写出另外两种问法的答案。文档里只有名词解释，我就补一个案例分析；文档里只有案例分析，我就倒推它背后的定义。这个习惯花不了多少时间，但能把一份“期末冲刺版”答案文档，用成一份完整的知识图谱。
判断一份答案文档的质量还有一个很务实的指标——看它末尾有没有附“简答题答题要点”或“评分标准”。有评分标准的文档，编者大概率是老师或助教，措辞和给分点都靠谱；只有参考答案的文档，多半是学生整理，逻辑对但容易漏关键步骤。
3. 自己生成 Word 版习题答案：从 Markdown 到 docx 的完整流水线
3.1 为什么先写 Markdown 而不是直接在 Word 里敲公式
你要自己做一份人工智能习题答案 Word 文档，我强烈建议不要从空白 docx 开始。原因很实在：人工智能习题里公式多、题目数量大，直接在 Word 里排公式，光是调整 MathType 和正文的间距就能消耗你一个晚上。
常见做法是先写 Markdown。Markdown 是纯文本，不怕电脑崩，能放进 Git 里做版本管理。你可以把每一章的题目和答案写成一个.md文件，公式用 LaTeX 语法写在$...$里。这个工作流在工程上有个成熟名字：markdown 转 word 工作流。很多笔记工具自带导出 Word 的功能，比如 Typora，但自定义排版能力有限；我一般用 Pandoc 来做转换，因为样式可控、命令可复现。
下面是整个过程的最小骨架：先写一个ai_answers.md，内容包括一级标题、二级标题、题目、答案文字和行内公式，然后运行一条 Pandoc 命令把它变成.docx。把这一切用 Pandoc 完成，看起来像：
3.2 用 Pandoc 把 Markdown 答案批量转成 Word 文件的命令与参数
先准备一份样式模板。用 Word 新建一个空白文档，设置好正文中文字体、标题字体、段距，保存为template.docx。这个文件只负责提供样式，不需要写内容。
pandoc ai_answers.md -o ai_answers.docx \ --toc \ --toc-depth=2 \ --reference-doc=template.docx \ -M author="你的名字" \ -M date="2025-01-15"命令的四个关键参数说清楚。
--toc代表自动生成目录，--toc-depth=2说明目录只显示到二级标题，对应 Word 里的“标题 1”和“标题 2”。如果习题答案分了很多小节，改成 3 会把三级标题也放进去，目录会很长，我一般保持 2。
--reference-doc=template.docx是排版不崩的核心。没有它，Pandoc 会使用内置模板，生成的中文字体、标题样式、代码块样式都比较粗糙。有它，Pandoc 会把模板里的样式定义套用到目标文档上。注意这里的匹配逻辑是按样式名匹配的，不是把模板的文字内容复制进去。
-M author和-M date是写入文档元数据的变量。如果你的 Markdown 文件里已经有标题，也可以在文档末尾指定author:字段，没差别。
公式转 Word 的过程也发生在这里。Pandoc 会把 Markdown 里的 LaTeX 公式转换成 Word 原生 OMML，打开之后可以直接用 Word 公式编辑器修改，不需要 MathType，这一点在跨电脑传文件时很省心。顺带说一句，如果你的记笔记工具是 Typora 这类所见即所得的 Markdown 编辑器，它内置的 Word 导出在简单场景下能用，但公式复杂、表格多的文档，建议还是回到 Pandoc。
常见需求里还有“word 公式转 latex”。Pandoc 也支持把 docx 转回 Markdown，公式会变成 LaTeX 源码。但要提醒你，这种反向转换对 OMML 公式支持得不错，对 MathType 域代码支持很差，转回来十有八九是空图片。所以我的习惯是：源文件永远保留 Markdown 版本，Word 只是交付物。
3.3 用 python-docx 批量生成带编号的题目和答案
如果题目来源不是 Markdown，而是已经整理好的 Excel 表格或 JSON 题库，纯 Pandoc 就不够了。这时我一般用 python-docx 写一个脚本，循环读取题库数据，批量生成 Word 文档。下面脚本把两个题目和一个表格写进 docx。
from docx import Document from docx.shared import Pt doc = Document() # 设置正文默认字体 style = doc.styles['Normal'] style.font.name = 'Times New Roman' style.font.size = Pt(12) doc.add_heading('人工智能习题答案：搜索策略', level=1) doc.add_paragraph( '题目 2.1：分别写出宽度优先搜索与深度优先搜索的算法思想。', style='Normal' ) doc.add_paragraph( '答：宽度优先搜索按层扩展，先访问根节点的所有子节点，再访问下一层。' '深度优先搜索沿一条路径深入，直到无法继续再回溯。', style='Normal' ) table = doc.add_table(rows=2, cols=2) table.style = 'Table Grid' table.cell(0, 0).text = '算法' table.cell(0, 1).text = '完备性' table.cell(1, 0).text = '宽度优先' table.cell(1, 1).text = '分支有限时完备' table.cell(1, 1).paragraphs[0].runs[0].bold = True doc.save('ai_answers.docx')逻辑说明：脚本先通过doc.styles['Normal']修改全局样式，保证后面所有正文都是同一字体；add_heading会在文档里生成带大纲级别的标题；add_table创建表格，Table Grid样式是为表格加上可见边框。
这里的边界要知道：python-docx只能生成.docx，不能生成旧版.doc。如果提交系统要求“必须交 .doc”，先用脚本生成 docx，再用 LibreOffice 无头模式批量转换：
soffice --headless --convert-to doc ai_answers.docx --outdir output/这种“先生成 docx 再转 doc”的路径，比直接在 python-docx 里费劲写.doc格式可靠得多。至于前端同学常问的“JS 生成 word 文档有哪些 js 库”，思路一样：前端用 docx 这类库生成 docx 后，再交给后端做格式转换；Java 项目用 Apache POI，C# 项目用 OpenXML 操作表格单元格宽度。无论用什么栈，核心套路都是“先建模板样式，再填充变量数据”。
3.4 公式图片转 Word 的三种路径
人工智能习题答案里经常出现你只有图片、没有源码的公式，比如从 PDF 里截下来的贝叶斯公式。要把图片变成 Word 里可编辑的公式，常见做法有三条。
第一条路径是公式 OCR。把公式截图丢给公式识别工具，拿到 LaTeX 源码，再放进 Markdown 的$...$块里，统一交给 Pandoc 转成 Word。这条路径对典型的线性代数公式、概率公式识别率不错，但字体扭曲的手写公式会翻车。
第二条路径是直接在 Word 里用公式编辑器重敲。如果是 AxMath、MathType 这类第三方插件，注意它们的公式本质上存在域代码里，提交给别人之前先确认对方电脑是否有同款插件，否则打开就变乱码。用 Word 自带的公式编辑器（插入 -> 公式）更稳，因为存的是 OMML。
第三条路径是偷懒方案：公式保持图片，直接插进 Word。适合只用来打印或转 PDF 的版本，图片清晰度足够就不影响阅读，但别人拿到文档后无法搜索和修改公式。我的建议是：如果是自己的复习笔记，答案文档里公式只做可读用途，图片方案可以接受；如果是交给老师的作业，公式 OCR 加 Pandoc 转 OMML 是底线。
4. 答案怎么答才拿分：搜索、知识表示、机器学习与大作业的答题框架
4.1 搜索策略：A* 怎么写才能让评卷人一眼看到给分点
搜索策略是人工智能习题答案里最常出现的计算题，也是文档质量最容易露馅的地方。我看过不少学生整理的答案，写 A* 就写一句“每次都选择 f(n) 最小的节点扩展”，然后直接给最终路径。这种答案应付填空行，但应付不了简答题，因为关键给分点全丢了。
一份能拿分的搜索题答案，至少要有四步结构。第一步写清楚估价函数：f(n) = g(n) + h(n)，并说明 g(n) 是从起点到当前节点的实际代价，h(n) 是从当前节点到目标节点的估计代价。第二步写算法流程，用自然语言描述 open 表和 closed 表的操作，包括初始时 open 表只有起点，扩展节点后要把后继节点的父指针记录好。第三步讨论完备性与最优性，重点写：当 h(n) 满足可采纳性，即h(n) <= h*(n)时，A* 在树搜索下最优；图搜索还要加一条一致性条件。第四步是给出一个具体例子的迭代过程，列出每一步 open 表排序结果。
很多标准答案都把第二步和第四步省略了，但恰恰是这两步最体现你有没有真正理解。特别是“为什么 A* 要维护 closed 表”，答不上来就说明没动手推过例子的过程。
对比题也是高频考点：宽度优先、深度优先、A* 的完备性和最优性对比，一般用表格回答。宽度优先在分支有限且代价非负时完备且最优，深度优先既不保证最优也不保证完备，A* 在可采纳启发函数下完备且最优。这张表我强烈建议你自己手写一遍，光看答案背不下来。
4.2 知识表示：一阶谓词与语义网络的固定答法
知识表示是人工智能导论的前两章内容，习题答案的套路非常固定。一阶谓词逻辑表示题的标准格式是：定义谓词 -> 写合式公式 -> 说明量词约束范围。
举例：把“所有学生都喜欢人工智能”表示成一阶谓词公式。答案写作：
∀x(Student(x) → Likes(x, AI))
这里要解释清楚：Student(x)是谓词“x 是学生”，Likes(x, AI)是谓词“x 喜欢人工智能”，蕴含符号→对应“所有……都……”的量词范围。如果题目改成“有的学生不喜欢人工智能”，就要把全称量词改成存在量词，并把蕴含换成合取，这里面有经典的“量词与逻辑连接词搭配”的坑。我见过一份参考答案在“存在”命题里用了蕴含，这在语义上会变成“存在一个人，如果他是学生则他喜欢 AI”，而不是“存在一个不喜欢 AI 的学生”，两句话完全不同。
语义网络的答法也有固定模板：画有向图，节点表示概念或个体，带箭头的边表示关系。关键是罗列关系类型，isa表示“属于”，instance表示“实例”，part-of表示“部分组成”。答题时先把节点列全，再补关系边，最后用一句话说明网络要表达的核心事实，这样给分点才完整。
4.3 机器学习与神经网络：计算题的给分点
机器学习这章，计算题最常见的三类是决策树、朴素贝叶斯和神经网络的反向传播。习题答案文档里，这三类题最容易“过程不完整”。
决策树题，用 ID3 算法计算信息增益时，标准步骤是：先算数据集总熵H(D)，再对每个特征按取值划分子集，计算条件熵H(D|A)，最后信息增益Gain = H(D) - H(D|A)。答案里每一步的中间数值都要写，不要只给最后的增益值。我在批改过程中遇到最多的情况是——学生算对了熵但忘了写 log 的底数，考试时通常默认底数为 2，但如果你在答案里写清楚“以下 log 均以 2 为底”，就可以避免不必要的丢分。
朴素贝叶斯题，必考拉普拉斯平滑。如果训练集中某个特征取值没有出现，直接用频率计算就会得到概率为 0，导致整个连乘结果为 0。标准答案是引入平滑参数 α，通常取 1。答题时先写贝叶斯公式P(C|X) = P(X|C)P(C) / P(X)，说明因为分母对所有类别一样所以只比较分子，再进入计数过程。这个“分母可以忽略”的说明，是很多参考答案漏掉但老师看重的点。
反向传播题难度高一些。一份能拿分的答案要先画网络结构图，标清输入层、隐藏层、输出层的节点数和激活函数；再写损失函数，一般用均方误差；然后依次对输出层权重和隐藏层权重求梯度，写出权重更新公式w = w - η * ∂L/∂w。答题时把学习率 η 是什么值、动量项有没有加都写清楚。这部分的调参在你做人工智能大作业时也是玄学重灾区——同样一组公式，不同学习率收敛速度天差地别。答案文档里如果只有最终权重没有梯度推导，那这份文档质量就要打折扣。
4.4 论述题和人工智能大作业：如何把“空话”答成“方案”
论述题是 Word 版习题答案里最“水”的部分，但也最值得用模板去套。比如题目问“谈谈你对人工智能偏见问题的理解”，很多答案会写“人工智能为生活带来便利，但也存在偏见，我们应该重视并解决”，这句话相当于没答。
我的答题框架是四段式：概念界定 -> 成因分析 -> 技术方案 -> 落地挑战。
概念界定要写“偏见指模型对某一群体的系统性误差，通常在数据采集或标注阶段埋下”。成因分析要列举两到三个来源：训练数据不平衡、标注者主观偏差、评估指标不全面。技术方案要落得具体，比如“在数据采样阶段做重加权，在损失函数中加入公平性约束，在评估阶段按性别、地域分组计算准确率差异”。落地挑战写真实约束：数据隐私限制、业务对误报率容忍度低、模型上线后监测指标缺失。
这套框架同样适用于“人工智能应用与安全工程师”这类面向职业场景的题，换成安全主题时，把“偏见”换成“对抗攻击”“数据泄露”就行。大作业选题如果相关，比如“AI 训练师”相关话题，框架依旧成立，只是技术方案部分要考虑模型迭代效率、标注质量和人机协同比例。
写论述题答案时，还有一个被低估的技巧：回归课堂术语。人工智能导论课程里讲过的监督学习、无监督学习、强化学习、知识表示等概念，尽量在论述里点名用到。评卷老师看见你在一道伦理题里能合理调用“监督信号偏差”这个词，比看见“我们要注意科技伦理”这类套话印象分高得多。
5. Word 版习题答案避坑手册：五个最多人翻车的现场
5.1 公式全部乱码或显示成“MathType 域”
现象：打开 Word 后，公式位置显示一串灰色代码，比如{EMBED Equation.DSMT4}，或者显示成方框加问号。
原因：文档里的公式是用 MathType 或 AxMath 插入的，本质是域代码。你的电脑没装对应插件，或者 Word 的域代码显示选项开着，就会原形毕露。有些公式用 AxMath 插入后，如果你在 Word 里点了“切换域代码”，它甚至会直接跳成 Math 语法，看起来像乱码。
解决：先按Alt+F9切换域代码显示，看乱码是否变成正常公式。如果还不行，检查电脑里有没有 MathType 字体，装好字体后重启 Word。更稳妥的办法是找原文档的 PDF 版对照。如果你是自己生成答案，后续一律走 Word 原生公式，不要再插入 MathType 域，从源头避开这个坑。
5.2 Word 提示宏安全警告，或者打开直接闪退
现象：文档打开时提示“已禁止此文档中的宏”，点击启用后没反应；有些旧.doc文件一打开就闪退。
原因：旧版.doc格式允许内嵌宏，部分课程群流转的文档会被杀毒软件标记，或者文件本身在多次改名后结构损坏。它不一定是病毒，但值得警惕。
解决：先不双击打开。用 LibreOffice 打开该文档，若 LibreOffice 能正常读，把它另存为.docx，再在 Word 里关闭宏后打开。操作路径是“文件 -> 选项 -> 信任中心 -> 宏设置 -> 禁用所有宏”。打开后如果正文正常，再用“另存为”生成一份干净副本。
5.3 表格跨页断裂、列宽错乱、表头不重复
现象：Word 里一张“算法对比表”从中间被截断到下一页，表头不回显，列宽忽宽忽窄。用 POI 在 Java 里生成 Word 表格时，设置了列宽但打开后失效。
原因：Word 表格有两套宽度逻辑：自动调整和固定列宽。如果表格属性里勾选了“自动调整以适应内容”，长文字会把列宽顶开；跨页断行设置不对，表格就会被硬生生截断。POI 设置单元格宽度时，只设置了width而没有设置表格布局类型，Word 会用默认自动布局覆盖掉这个值。
解决：Word 里右键表格 -> 表格属性 -> 选项，关闭“自动调整尺寸”，然后把“允许跨页断行”按需求关掉。有表头时，选中首行，右键 -> 表格属性 -> 行，勾选“在各页顶部以标题行形式重复出现”。POI 场景下，设置完单元格宽度后，还要调用tbl.getTblPr().setTblLayout()设置为固定布局，再设置tblW和每个单元格的tcW，一套配齐，列宽才不会丢。
5.4 PDF 转 Word 后版面全乱，公式变成图片
现象：你手里只有一份人工智能习题答案 PDF，想用转换工具转成 Word 再编辑。转完发现公式变成图片，段落错位，代码缩进丢失。
原因：PDF 里的公式本质上是图形或特殊字体编码，自动转换工具做不到“还原成可编辑公式”，只能按图形或按字符猜测。扫描版 PDF 更不用说，转出来整页都是图片。
解决：转换之后不要直接使用。先检查三处：目录是否可单击、公式是否可选中、字母和数字有没有被识别成同类形字符。如果公式数量多，接受“公式保持图片”的现实，用 OCR 截图识别成 LaTeX 再局部替换是更可行路线。我通常的做法是：PDF 转 Word 只用于提取文字题面和框架，计算题和公式题一律人工核对并重排。
5.5 答案与课程教材版本不匹配
现象：同一道“简述 A* 算法的特点”，你的 Word 答案跟老师课件里的表述完全对不上，甚至结论相反。
原因：人工智能教材版本很多，同一概念在不同教材里的定义存在措辞差异。比如“智能”的定义，有“问题求解能力说”和“感知与行动说”；A* 的最优性讨论，有的教材只讨论树搜索，有的教材还要求图搜索的一致性条件。学生整理的答案来源不一，套用到你的教材上就出现水土不服。
解决：拿到答案文档后，先看引用来源。文档目录或页脚标明了教材版本答案基本可靠；没标明的一律先跟课程课件核对。把 Word 答案里跟课件冲突的表述单独建一个“待修正”列表，一条条改，不要因为答案看起来通顺就照着背。
6. 把 Word 答案变成个人题库：验证、整理和维护的习惯
6.1 建一个三层目录，别把所有 Word 堆在一个文件夹
你的电脑里不要只有一份“完整word版人工智能习题答案(1).doc”。按我个人的习惯，习题答案要分层管理，目录结构类似这样：
ai_qa/ 00_原始资料/ 人工智能习题答案_教材版.docx 01_题解/ 01_搜索.md 02_知识表示.md 02_考点卡/ 过拟合_三种问法.md原始资料目录存放从课程群、网盘收集到的 Word 和 PDF，文件名带上来源信息，比如“人工智能导论第3版_习题答案.docx”，避免下次下载了同名文件不知道哪个版本旧。题解目录放你自己写的 Markdown 答案，这是你的主力文件。考点卡目录放高频考点的一页纸笔记。三层结构的好处是：原始资料只是原材料，你的题解才真正属于你。
6.2 用大模型当校对，而不是当标准答案
我在整理人工智能习题答案时，会拿其中的计算题和论述题去问大模型，请它给出另一份解法。这个动作的目的不是让它替我做题，而是交叉验证我的计算步骤。比如我算完决策树信息增益，让模型算一遍，若数值不同，我再去核对是它算错还是我写错了公式。像 DeepSeek 这类对话模型输出的答案组织成 Markdown 很方便，复制到题解目录的.md文件里，跑一遍第 3 章的 Pandoc 命令就能导成 Word。但切记：大模型的答案同样会胡说八道，必须拿教材、课件和作业评分标准做最终裁判，别把模型输出当标准答案。
6.3 交付时怎么选格式：要给人改就 docx，要防改动就 PDF
如果答案要交给老师批改，或者跟同学互相校对，用 docx，因为别人要加批注、改错别字。如果只是自己存档，或者发到群里防止别人篡改，转成 PDF 更稳。Word 文档在不同电脑上打开，字体缺失、公式渲染、表格布局都可能变形，PDF 就不会。我用 Pandoc 生成 docx 后，还会用 LibreOffice 批量转一次 PDF：
soffice --headless --convert-to pdf ai_answers.docx --outdir output/最后说一个改不掉的习惯：我不再在文件名里写“完整”“最终版”这类词，因为每次改完都会被自己打脸。我现在都用日期后缀命名，比如人工智能习题答案_2025-01-15.docx，然后保留对应的 Markdown 源文件。下次复习时直接搜索 Markdown 里的关键词，需要交 Word 就重新导出，几秒钟的事。这个习惯帮我少走了很多“改了答案找不到文件”的弯路，希望帮到你。
本文还有配套的精品资源，点击获取
