当招生页把“AI 调教师”“大模型微调”“论文产出”放在一起，家长很容易得出一个结论：孩子会亲手训练模型，结营时还能带走一篇论文。
这个推断往往太快了。从现有公开材料看，“AI 调教师”并没有统一的岗位边界。它可以指提示词设计和输出校验，也可以涉及智能体适配、数据标注、红队测试。课程究竟教到哪一步，只能看学生实际完成的任务。
同一个“调教师”，可能是几种工作
知乎专栏《智能体调教师》把这一角色描述为优化和适配 AI 智能体，提示词调优只是其中一种手段。百度开发者文章《AI调教师视角：TypeChat与ChatGPT形式化输出的深度解析》则将 Prompt Engineer 的工作重点归纳为输入设计、输出校验和场景适配。
腾讯新闻一篇关于 AI 训练师的报道，提到的工作还包括录制日常对话、标记 AI 回答和进行红队测试。它与中学生暑期营里常见的“写 Prompt”显然不是同一层工作。
所以，看到“调教师”三个字，先别急着判断课程深浅。更有效的问题是：学生改的是提示词、工作流、数据集，还是训练配置和模型权重？
Prompt 课可以上，标签要说清
对第一次接触生成式 AI 的中学生来说，学习 System Prompt、示例设计、输出格式和失败分析，并非没有价值。一门认真设计的 Prompt 课程，也应该准备固定测试题，记录不同版本的指令，并解释模型为什么会答错。
如果结营成果只有聊天截图、生成图片和一份 PPT，课程更接近工具体验。它可以是入门课，但不宜包装成模型训练或科研项目。
课程若声称包含“大模型微调”，至少应说清几个操作环节：使用什么基础模型，训练数据从哪里来，学生如何清洗和整理数据，是否采用 LoRA 等方法，怎样保存训练配置与日志，又用什么标准比较微调前后的结果。
RAG 也一样。学生应接触文档处理、切分、检索和测试中的关键步骤。只在现成界面里上传文件，再点击一次“生成知识库”，很难证明他们理解了系统如何工作。
“论文产出”先拆成几个问题
现有素材不足以证明某个具体暑期营已经稳定产出论文，因此不适合直接点名推荐。面对招生页上的“论文”承诺，家长可以把问题问得更细：
- 所谓论文，是课程报告、公开预印本、投稿中的稿件，还是已经被正式接收的文章？
- 研究问题由谁提出？数据清洗、代码编写、实验和文字整理分别由谁完成？
- 学生能否说明自己的具体贡献，而不只是出现在作者名单里？
- 机构能否提供题目、摘要、方法、实验记录或其他可核验材料？
- 结营后由谁继续修改，导师如何指导，署名规则是否提前说明？
一份排版完整、篇幅很长的 PDF，不一定等于科研成果。如果主要内容仍是聊天截图和概念介绍，缺少研究问题、对照实验与结果分析，它更像课程作业。
真实研究也可能得不到预期结果。若机构保证每名学员都能在很短的时间内“拿到论文”，却不解释研究流程和成果状态，家长需要格外谨慎。
结营作品最好能被别人复现
判断课程含金量，不必只盯着“有没有 GitHub”。公开仓库当然方便核验，私有仓库、现场演示和完整实验记录也可以提供证据。关键在于，第三方能否看懂学生做了什么。
一份相对扎实的 Prompt 项目，应该留下提示词版本、测试问题、输出约束和失败案例。
工程类项目可以提供代码仓库、README、依赖说明、数据格式、运行脚本和评估结果。若使用 Hugging Face，也应说明上传的是模型、数据集还是演示页面。
研究型项目还要多几层：明确的问题、可比较的基线、实验变量、结果分析和局限。用了 PyTorch、LoRA、RAG 等术语，只能说明课程涉及这些工具，不能自动证明项目有研究深度。
算力和导师，要问到操作层
微调模型需要计算资源，但 GPU 型号昂贵、机房照片气派，并不能直接证明教学质量。家长更该了解学生能否查看训练配置和日志，运行失败后由谁排查，数据是否可以带走，结营后项目还能不能复现。
对时间有限的暑期营，Docker、JupyterLab 等预置环境能减少安装和配置消耗。不过，预置环境不等于全程一键操作。学生至少应知道输入了什么数据、执行了什么代码、输出结果如何判断。
师资页面上的学校或公司名称，信息量也有限。可以直接询问：谁负责讲课，谁负责代码审阅和故障排查；导师是否做过与课程技术栈相关的项目；学生卡在数据、环境或评估环节时，能得到什么形式的指导。
报名前，把这些问题发给机构
- 每天的具体任务是什么？能否提供一节完整课程的样例？
- 学生将使用哪个模型、平台和开发环境？
- 数据由机构准备，还是需要学生自己采集和清洗？
- 哪些代码由学生编写，哪些部分已经封装？
- 结营成果是截图、PPT、代码仓库、模型、演示系统，还是研究稿件？
- 项目如何评估？是否有固定测试集、对照结果和失败分析？
- “论文产出”对应哪一种状态？能否查看往期可核验样例？
- 课程对 Python、数学和英语阅读有什么前置要求？
- 学生数据、账号和作品如何保存，结营后是否还能访问？
Prompt 适合作为 AI 学习的入口。问题出在课程把简单体验包装成模型训练，又把课程报告包装成论文。选择标准可以很朴素：招生页承诺了什么，学生实际操作了什么，最后留下的成果能否验证。三者对得上，课程才值得继续考虑。
资料说明：文中概念辨析参考知乎专栏《智能体调教师》、百度开发者文章《AI调教师视角：TypeChat与ChatGPT形式化输出的深度解析》及腾讯新闻相关报道。素材中的两条链接与文章主题、摘要明显不匹配，且含垃圾信息，未作为论据。现有材料也无法核验具体学校项目、课程价格、市场占比和算力利用率，因此未采用相关说法。
