DaChe OpenAI(通用智能体)
将以下提示词粘贴到你的 AI 对话框中:
请根据 https://skillhub.cn/install/skillhub.md,安装 @user_1f8013e3/ai-literacy-expert-v8。
技能介绍
要解决的问题
教育类 AI 工作流最容易翻车的不是「模型答得好不好」,而是两类后段事故:
- 生成的 p5.js 课件或游戏,控件在 DOM 里都在,但按钮没绑回调、滑块不回传值、Canvas 拖拽链断了。人眼抽查几页没发现,课堂演示当场出问题。
- 为了让一个简单推理跑通,把学生作业、试卷答案、家长信息整包塞进云端。成本、延迟和隐私风险一起出现。
换句话说:交互正确性和数据边界,过去都靠人肉验收,这个技能把它们改成可自动执行的门控。
核心能力与关键步骤
端侧重计算 + 云端轻决策。 OCR、ASR、TTS 和 1.5B 文本推理放在本地跑,零上传、零外泄;跨学科编排、教学策略这类需要创意的决策交给云端 LLM。分工不是口号:
- 跑完任何一次工作(
pipeline/exchange/analyze/select/compose),scripts/work_summary.py自动输出一份本地 OpenVINO 1.5B vs 云端 LLM 的对比报告,写清成本、延迟、隐私和降级等级,两端各自贡献了多少一目了然。 - 缓存链路分三段:
llm_cache7 天 TTL、cost_monitor三级告警做熔断、work_summary保留历史记录,方便事后复盘哪一环节在烧钱或掉速。
交互控件必须真的可用,而不只是存在。 V8.1-AIPC 在这一层做了完整覆盖:
tests/test_p5js_buttons.py执行 9 项按钮硬约束(B1–B9):DOM 存在、非disabled、已挂click监听、点击后状态变量按预期变化、连点三次不崩、键盘与触屏桥等价、游戏难度生效链和状态机闭环。tests/test_p5js_interactive.py把门控扩展到 8 类共 27 项:button/slider/select/input/canvas/key/touch/drag,拖拽还要求mousedown → mousemove → mouseup整条链路不打滑。- 每份产出的 HTML 必须带
[BUTTON_REGISTRY]或[INTERACTIVE_REGISTRY]注释,测试脚本据此解析控件清单,失败信息精确到 id、检查项编号、期望值与实际值,任一项不过就不交付。
门控之外还有一道教学大纲守卫 lesson_plan_guard(G001–G008),以及 references/ 下 7 份实际存在的文档索引(edge-cloud-architecture.md、zero-upload-privacy.md、npu-scheduling-guide.md、edge-cloud-protocol.md 等),架构协议和 NPU 三级调度都有落点,不是停留在概念层。
适用边界与注意点
- 门控只覆盖 p5.js 生成的 HTML,不校验 Flash 时代遗留件或纯静态 PPT;交互正确性以外的教学内容质量仍需人工审查。
- 端云分工是启发式规则,不等于「本地一定省钱」:小批推理的固定开销可能高于一次云端调用,看
work_summary的实际数字再调开关。 - 端侧跑 1.5B 模型依赖 Intel Core Ultra 的 NPU 与 OpenVINO 运行时;硬件不具备时会降级到 CPU/iGPU,延迟和功耗表现要重新评估。
- 隐私承诺写在本地推理链路和 PII 脱敏规则上,但合规结论仍取决于部署方自身的数据治理流程。
使用场景
- 中小学老师做 p5.js 课件上线前,用按钮门控检查 click、键盘与触屏是否可用。
- 老师生成拖拽或点击小游戏时,用全互动控件门控验证滑块、canvas 等 27 项。
- 开发者跑边云工作流后,对 body 与 cache 资源做驻留判断并输出 audit 报告。
- 课程团队处理含答案与家长信息的资料时,做本地 PII 脱敏与零上传证明。
适合人员
- 做课件的游戏和前端工程师,需要证明按钮、滑块和画布交互真的可用。
- K12 教研和老师,要生成课件、练习题与评估并快速定位内容问题。
- AIPC 和端侧推理工程师,要在 NPU/CPU/iGPU 之间分配任务并压成本与延迟。
- 安全和合规负责人,想确认学生与家长数据留在本地并符合隐私规则。