本文作者：meng shao（@shao__meng）。版权归作者所有，未经授权禁止转载。
MIT 6.S950《Agency with AI》课程
6.S950: Agency with AI — Effective AI Use in Applied Machine-Learning Projects，MIT EECS 2026 秋季新开的本科课程（12 学分，Course 6 选修），由讲师 Shen Shen 开设。她是 MIT 资深教学讲师，长年主讲 6.390（机器学习导论），拿过 Kolokotrones 教育奖等多个 MIT 教学奖项。先修要求严格：6.390（机器学习）、6.101（编程）、6.121（算法），它默认你已具备扎实的 ML 与计算机科学基础，不教基础，只教 “如何在真实 ML 工程中正确地使用 AI”。
核心理念：课程名中的 "Agency" 才是主角
这门课教的不是“怎么用 AI 工具”，是一种判断力。官网的定义值得原样引述：
Agency, the judgment about what to delegate, what to verify, and what to keep for oneself to do. （代理权——关于什么该委托出去、什么该验证、什么该留给自己亲手做的判断。）
围绕这个核心，课程有一条清晰的学习目标递进链：会用工具 → 知道它为何有效 → 知道它为何“天生会失败”（fail by construction） → 能对每项工作做出委托/验证/重定向/保留的决策并说明理由。
方法论上，课程对每一个 AI 概念和实践都坚持问四个问题：
1.它解决了什么问题？（motivation）
2.提出的方案是什么？（solution）
3.哪些更老的 ideas 能解释它？（old idea）
4.它真正新在哪里？（delta）
这是一种“增量思维”（delta thinking），把 AI 工具放回计算机科学的思想谱系里审视，而不是把它当魔法。课程明确承诺：每个概念都锚定一个已有的 EECS 原理。
课程结构：沿一个真实 ML 项目的生命周期展开
12 讲分四个模块，对应应用 ML 项目（如 UROP、MEng 论文）的四个阶段：
| 模块 | 讲次 | 回答的问题 |
| --- | --- | --- |
| 一、定框与阅读 | 什么是本课 / 阅读为何重要 | AI 时代如何读文献 |
| 二、构建与 Harness | 为何仍要亲手构建 / spec 先于 prompt / git 带来差异 / 编程的抽象阶梯 | 如何与 agent 协作写代码 |
| 三、数据与评测 | 外包的数据 / vanilla transformer 之外的机器 / 评测即实验设计 / 审计制品与裁判 | 如何信任数据和结果 |
| 四、反思与写作 | 人类曾拥有什么 / 结案陈词 | 如何保住作者性 |讲题起名很见功力，比如 "specs before prompts"（先写规格说明、再写提示词）、"evals as experimental design"（把评测当实验设计来做）、"auditing the artifact and the judge"（不仅审计产出物，还要审计评判者本身，包括 LLM-as-judge 和你自己）。
12 讲课程按模块划分
模块一：定框与阅读
Lec 1 · What this course is（9/15）
内容概述：课程立宪。定义核心概念 agency：对“什么委托、什么验证、什么留给自己”的判断力；确立贯穿全课的方法论：对每个 AI 概念问四问（解决什么问题 / 方案是什么 / 哪些老思想能解释它 / 真正新在哪）；铺陈课程主线——沿一个真实 ML 项目走完阅读、构建、数据评测、写作四个阶段；宣布评分契约：AI 使用被默认，但无法说明理由的工作不得分。
解读：这一讲的本质是把一门工程课改写成一门“决策可辩护性”课程。它先立规则再教内容：先声明“我不考核你用不用 AI，只考核你能否为每个决定负责”，后续所有 Lab 的设计（先预测、再实测、留证据、答辩）都是这个契约的执行。四问法是全课的思维骨架：把 AI 现象还原进 EECS 思想谱系，消解新奇感，换取分析力。
Lec 2 · Reading matters（9/22）
内容概述：AI 时代的文献阅读。教四问阅读法如何用于论文：motivation / solution / old idea / delta；展示 AI 辅助阅读的典型失败，看似流畅实则错误的摘要、无法溯源的论断；教如何对照原文验证 AI 的说法（支持 / 矛盾 / 无法判定三种裁决）；以及如何把多次 AI 辅助阅读汇编成一张领域地图（field map，学期项目的第一项交付物）。Lab 2 是它的直接实操：先无 AI 粗读留下困惑点，让 Claude 挑战你的理解，挑一个论断回原文验证，再精读对比三方答案。
解读：这一讲处理的是 AI 对研究者最直接的冲击，“读论文”这项技能是否还需要。课程的答案很明确：需要，但重心转移了。阅读的价值从“提取信息”变成“建立可验证的心智模型”，AI 能给你答案，但只有你自己读过原文，才有资格裁决 AI 对不对。Lab 2 里最精妙的设计是 3.3 步：对比自己粗读、精读、Claude 三方的答案，找出自己粗读错得最多的一问，把“AI 辅助阅读”从口号变成了可复盘的对照实验。
模块二：构建与 Harness（以下为基于课程框架的推断解读）
Lec 3 · Why still build（9/29）
推断内容：模块二的哲学开篇。AI 能生成代码，为什么还要亲手构建？预期论点：验证以理解为前提，你看不懂的代码就无法检查；Lab 1 的“close enough”问题在此升华：预测一致不等于行为等价；亲手构建培养的是调试与判断能力，委托会切断这条能力供应链；在 UROP/MEng 语境下，项目是你的，责任无法委托。
解读：“why still build”是整个 agency 问题最尖锐的形式。课程没有站在“AI 禁止”或“AI 万能”任一边，是要给出一个经济学的答案：构建的目的从产出代码转移到了产出验证能力。Lab 1 里那个细节是伏笔，让你先写下“预计 AI 会犯什么错、你是否会犯同样的错”，就是在训练对自己不可委托部分的自知。
Lec 4 · Specs before prompts（10/6）
推断内容：spec 驱动开发。写提示词之前先写规格说明：输入输出、边界条件、验收标准。对应的老思想是软件工程中的需求工程与形式化规格。论点：prompt 本质是一份欠规格的 spec，欠规格导致无法验证；有了 spec，agent 的产出才可检查，人也才能把“想要什么”和“怎么实现”解耦。Lab 1 已埋下伏笔，任务的规格就是 code/README.md，你的自检标准要在见到 AI 代码之前定好。
解读：这是全课最“工程正统”的一讲，也是把 agent 纳入软件工程传统的关键一步。它把“提示词工程”降格为“规格说明的口语化翻译”，你与 agent 的关系不是施法者与魔法，是甲方与承包商，而甲方最重要的文件永远是合同。标题的次序本身就是论点。
Lec 5 · Git makes a diff（10/20）
推断内容：版本控制作为人机协作的基础设施。git diff 让 AI 的每一步改动可审查、可回滚；provenance（出处）与版本历史让 AI 参与的工作保持可检查，这是大纲明列的学习目标；预计还会讲 git bisect 定位 AI 引入的 bug、用提交边界隔离“我写的”与“AI 写的”。
解读：标题是双关（“git 带来差异”/“git 生成 diff”）。在 AI 协作场景里，git 的角色从“备份工具”升级为问责工具，它回答的正是 agency 问题的证据侧：“你说这部分是你验证过的，证据呢？”当产出物由人和 AI 混合写成，版本历史就是责任划分的账本。这也是为什么它紧排在 specs 之后：spec 定义对错，diff 记录过程。
Lec 6 · The abstraction ladder (of programming)（10/27）
推断内容：编程的抽象阶梯，从晶体管、指令集、汇编、高级语言、库、框架，一直到今天的 LLM/agent。预计论点：agent 和 harness（脚手架工程：上下文管理、工具调用、技能封装）是阶梯上的新一层；每一层都靠隐藏下层复杂性换取效率，但 debugging 永远需要下探；上下文管理是这一层的“内存管理”。对应课程声明的主题 context management 与 harness engineering。
解读：这是全课最有历史纵深的一讲。把 LLM 放上抽象阶梯，是一个降维式的祛魅动作：它和编译器、操作系统一样，是“用可控的不透明换取生产力”的又一轮循环，而计算机科学六十年来应对不透明层的整套方法（分层调试、契约式设计、在层边界设检查点）全部可以直接迁移到 agent 上。学会了这讲，你就知道为什么前五讲的 spec、git、验证缺一不可。
模块三：数据与评测
Lec 7 · Outsourced data（11/3）
推断内容：审查外包数据。你不是数据的采集者时，如何信任它：来源与许可、采集协议、合成数据与污染（contamination）、分布漂移、标注质量。对应学期项目明列的组件“vetting of outsourced datasets”，也呼应 Lab 1 的剧情，两家公司合并后，对方的分类器输出能不能用？
解读：ML 课程传统上教“怎么用数据”，这一讲教“怎么不信数据”。在 agent 时代这个问题被放大了三倍：AI 能批量生成数据和标注，成本趋零意味着污染风险趋无穷。老原理是 garbage in, garbage out，但课程会指出新变化：以前垃圾是意外混入的，现在垃圾可以是自动化生产的。
Lec 8 · The machinery beyond vanilla transformers（11/10）
推断内容：全课技术含量最高的一讲。6.390 教的是 vanilla transformer，而现代 LLM 在其上叠加了大量机器：后训练（RLHF）、专家混合、长上下文、检索增强、工具调用、推理模型。预计逐层拆解这些机制，并论证每个机制如何在构造上（by construction）导致特定失败模式，对应学习目标“知道它们为何天生会失败”。
解读：这一讲是整门课的科础。它兑现课程的核心承诺：只有懂机制，才能预测失败，而不是靠玄学口诀。这也是先修要求卡死 6.390 的原因，不懂 attention 就无法理解长上下文的“中间迷失”，不懂优化就无法理解后训练的目标错位。"fail by construction"这个措辞很精确：失败不是 bug，是设计权衡的必然代价，知道机制你才知道代价清单。
Lec 9 · Evals as experimental design（11/17）
推断内容：把评测还原为实验设计。假设、对照、混淆变量、统计功效；基准设计的经典陷阱，过拟合基准、数据污染、Goodhart 定律（指标一旦成为目标就失效）。教如何为第 8 讲学到的失败模式设计能测出它们的评测。
解读：标题的括号里藏着立场：eval 不是“跑个 benchmark”，是统计学里做了百年的实验设计。LLM 评测的乱象（刷榜、模型见过考题）在心理测量学和 A/B 测试里都有百年前的对应物。课程在这里完成一次示范性的“delta 思维”：评测 LLM 这件看似全新的事，九成是实验设计原理的重新应用，真正新的只有一成，而那一成恰好是第 8 讲的机制决定的。
Lec 10 · Auditing the artifact and the judge（11/24）
推断内容：双重审计。审计制品（artifact）：模型输出、代码、数据集的系统性检查；审计裁判（judge）：当 LLM-as-judge 被用来评 LLM，裁判本身有偏，自我偏好、位置偏差、长度偏差；更深一层，人也是裁判，人审同样有偏。对应项目组件“auditing of artifacts and judges”。
解读：这是模块三的逻辑闭环，也是全课最认识论的一讲。第 9 讲教你怎么评，第 10 讲提醒你：你用来评的那个东西本身也需要被评。递归在这里出现，AI 生成、AI 评审、AI 仲裁的链条里，任何一环的偏差都会被下游放大。而把“人类判断”也放进被审计之列，是这门课一贯的诚实：它不把人设为金标准。
模块四：反思与写作
Lec 11 · What the human had（12/1）
推断内容：回顾 AI 之前人类研究者拥有什么：作者性、署名与责任、品味与问题意识、默会知识（tacit knowledge）、对错误的直觉。追问哪些可以委托、哪些委托了就会消失。
解读：这是全课的情感与哲学重心，标题用过去时 "had" 而非 "have"，本身就是一个尖锐的判断。它不做怀旧演讲，是接着第 1 讲的 agency 问题给出最终账目：委托的隐性成本是能力的萎缩，你委托掉的每一种实践，都是你在放弃成为的那种人。对一门以“有效使用 AI”命名的课来说，这讲的存在说明它清楚自己在教一把双刃剑。
Lec 12 · Closing arguments（12/8）
推断内容：结课。预计包含：学生为自己的委托/验证/保留决策做总结辩护（呼应“closing arguments”的法庭隐喻）；一页纸摘要（claim / evidence / limits）作为学术写作的终型；对课程自身论断的回顾，哪些被学生自己的实践支持、哪些被质疑（portfolio 要求的第三个组件正是“三个支持或挑战课程论断的 AI 使用案例”）。
解读：标题选得极好。整门课的评分哲学就是“可辩护性”，那么结课自然是一场结案陈词，你不是来交作业的，是来为自己一学期的每个决策当庭陈述的。而它要求学生的案例可以反驳课程自己，这是教学设计里罕见的自我怀疑条款，与第 10 讲“审计裁判”形成首尾呼应：连这门课自己的论断，也在被审计之列。
Lab 设计：这门课最精彩的部分
已发布的两个 Lab 展示了独特的教学法：每个环节都精确控制 AI 在场与否。
Lab 1 "Close Enough?"：实现一个 kNN 分类器。第一步禁用 AI，先写下你的时间预估、AI 首次实现正确率的预估、预期它会犯什么错、你会用什么检查来判定“通过”；第二步才允许用 Claude 实现，跑自己的检查，导出对话作为证据；第三步对比另一家公司的现成实现，预测结果相同是否等于可互相替换？Checkoff 时必须不借助 AI、凭自己的笔记向助教答辩。这个 Lab 的巧妙之处：它把“委托决策”变成了实验对象本身，你先预测 AI 的行为，再实测，再复盘。
Lab 2 "Connect Four"：用四问法精读论文对（如 Batch Norm → Layer Norm，或 Prompt-to-Prompt → InstructPix2Pix）。流程是：无 AI 粗读并留下困惑点 → 让 Claude 挑战你的理解、讲解卡壳处 → 挑出 Claude 的一个论断，回到原文验证（支持/矛盾/无法判定）→ 无 AI 精读两篇原文 → 三方对比（粗读 vs 精读 vs Claude 的答案），找出自己粗读错得最多的地方 → 带着改进策略去读第三篇论文。这本质上是把“AI 辅助阅读”变成可复盘、可迭代的实验。
考核：评分标准本身就是课程宣言
• 30% Lab checkoff：答辩制，必须能解释自己的工作；
• 40% 学期项目：可复用现有 UROP/MEng 项目，按“一页摘要（claim / evidence / limits）+ 代码仓库”评分；
• 30% 个人资产库（portfolio）：从自己工作流中提炼的三份 SKILL.md（可复用的 AI 工作流），加上三个自己实际使用 AI 的案例，且案例需支持或质疑课程中的某个论断。
最重要的一条政策：AI 使用被默认且不按数量评分，但任何你无法说明理由的工作，无论多精美，都不得分。
我对这门课的感受
这门课的意义在于它是 MIT 对“AI 时代工程教育”的一次系统回答，有三个鲜明立场：
1. 不是又一门工具课，是判断力课。 它把教学的重心从“产出”移到“决策的可辩护性”，每个环节都要求你留下证据链（导出的对话、版本历史、原文引用、时间预估 vs 实测），让 AI 参与的工作保持可检查（inspectable）。
2. 技术深度没有被牺牲。 第 8 讲直接进入 transformer 之后的机制层面去解释 LLM 的失败模式，Lab 2 要求真的读懂 Batch Norm 的 batch 依赖性这类细节。它的立场是：只有懂机制，才能预测失败，这正好呼应先修要求里的 6.390。
3.把“人性化的部分”课程化了。 第 11 讲 "what the human had"（人类曾拥有什么）和写作模块明确处理作者性、署名与责任这些多数工程课程回避的问题。
