我在做一件有点固执的事：让 AI 不要急着把答案递给人，而是先把人带到答案附近。
I build tools for the moment when “I have the answer” is not the same as “I understand it.”
我是一名计算机专业学生，主要做 AI 应用、编程教育工具和 Agent 工作流。最近的项目都围绕同一个问题展开：当 AI 参与学习和工作时，怎样让它真的帮上忙，同时保留过程、边界和可以复查的证据。
I am a computer science student building AI-assisted products for learning and work. I care about the part after the demo: tool calls, permissions, failure cases, handoffs, and whether another person can actually run what I built.
late 2024 Cursor
“AI 能不能让我更快写出东西？”
2025 CodeSense
“如果 AI 直接给答案，学生还剩下什么？”
2026 Agents / MCP / OpenClaw / Feishu workflows
“工具真的执行过了吗？过程能不能留下来？”
我没有把这些问题想成一套漂亮的方法论。很多时候，它们是在一次次部署失败、答辩追问、学生反馈和活动现场的“怎么又报错了”里长出来的。现在我更相信可运行的证据，也更愿意把失败记录下来。
CodeSense 是一个面向高校编程教学的代码评测与学习平台。
普通 OJ 很擅长告诉学生程序通过了没有。问题是，学生看到 WA 之后，往往仍然不知道自己错在算法、实现、边界条件，还是根本没有理解题目。CodeSense 把代码提交、受限执行、AI 辅导、分阶段练习和教师学情视图放进同一条流程里。
一次练习会经过三站：
- 学生先用自然语言描述思路。
- 再逐步组装程序步骤并提交代码。
- 最后尝试用自己的话解释程序，接受追问，再回去修改。
系统记录的不只是最后得了几分，也包括编译错误、运行结果、提示请求和学习过程。教师可以查看作业、班级、提交记录和知识点趋势。AI 仍然会犯错，所以最终判断回到程序评测和教师反馈。
学生：描述思路 → 组装步骤 → 解释代码 → 再提交
教师：布置作业 → 查看提交 → 观察知识点 → 找到共性问题
系统：编译运行 → 保存证据 → 给出提示 → 把人送回思考现场
→ GitHub · 在线体验 · 中文 README · English README
Caifusi 是一个面向大学生的 AI 财商教练。
我对它感兴趣，是因为财商教育经常被讲成表格和结论，但真实的选择往往夹着犹豫、冲动和“我知道这样不太好，可是……”这类时刻。项目正在探索对话式学习、知识库、风险提醒和行动计划，让建议更接近一个人下一步真的能做的事。
Fair-Fed-CI 是一条关于联邦学习、公平性和可解释性的研究实践线。
它尝试讨论一个不太舒服的问题：如果模型要预测学生表现，怎样让不同学院的模型表现不要只看平均分，同时还让人知道模型为什么这样判断。当前仓库是单机顺序模拟，不是已经部署的跨机构生产系统；结果也严格区分验证集和正式留出测试集。
最近一次正式结果汇总是 2 个数据集 × 7 种方法 × 5 个随机种子 = 70 个运行组合。它给我的结论不是“某个方法赢麻了”，而是平均性能和最差客户端表现经常由不同方法拿到：
- 在 OULAD 上，Ditto 的 pooled RMSE 为
0.1146 ± 0.0013；FedPer 的 worst-client RMSE 为0.2042 ± 0.0046，而 FedAvg 基线分别为0.1478 ± 0.0026和0.2918 ± 0.0046。 - 在 Private 数据集上，APFL 的 pooled RMSE 最低，为
0.0919 ± 0.0018；FedProx 的 worst-client RMSE 最低，为0.3900 ± 0.0281，但与 FedAvg 的0.3914 ± 0.0275差距很小。 - 所以现在更准确的说法是：个性化方法在异质数据上很有价值，但“总体更准”和“最差学校不掉队”不是同一个目标，也还没有一个方法在所有指标上统治全场。
研究流程也已经从单一模型实验扩展到：学业轨迹时间切分 → EnhancedNet 特征建模 → 客户端本地训练 → 学院级聚合 → 客户端本地诊断输出。
- 把聊天里的模糊想法整理成 PRD、技术方案和验收条件。
- 让 AI 参与代码工作，但把工具调用、权限、日志和回滚点留清楚。
- 把一次活动里遇到的故障，变成下一版教程里的检查项。
- 让新成员先写一份项目理解 PR，再开始改代码。
- 把“已经实现”“外部服务”“准备以后做”分开写。
项目协作大致长这样：
问题 → 需求 → 可运行的小路径 → 测试与证据 → PR → 部署 → 复盘
这条链听上去不酷，但它能在项目交接、比赛答辩和现场救火时少制造一点惊喜。
我也参与沈阳和沈航相关的 AI 校园活动、AI+X 高校行以及 OpenClaw/QClaw 活动的组织和助教工作。现场最有价值的时刻通常不是讲师顺利讲完，而是有人卡在安装、网络或配置上，大家一起把问题拆开，最后让 demo 跑起来。
我还保留了不少 CodeSense 的 bug 截图和问题记录。它们看起来有点狼狈，却比“体验很好，后续优化”更能帮助下一次设计。
AI 教学工具、Agent 工程、MCP、代码评测、联邦学习、公平与可解释机器学习、校园技术社区，以及如何把一个想法从聊天窗口拖进真正能运行的项目里。
如果你也在做类似的东西，欢迎直接发仓库或失败日志。一个能运行但不完美的 demo，通常比一份宏大规划更适合开始聊天。
CodeSense · Caifusi · Fair-Fed-CI
Still learning. Still shipping. Still keeping the weird bug screenshots.