要去大学讲课，我让豆包工作帮我备了两天课（PPT+视频制作）。

沉默王二约 2620 字大约 9 分钟

大家好，我是二哥呀。

老领导喊我去大学讲两天的课，我一开始是拒绝的，因为我从来没有上过台，更没有讲过课，怕误人子弟。

但老领导一直劝我，说我现在取得的成绩，多少人羡慕，是多少人不曾达到的高度，于是我的胆就肥了，准备去挑战一下自己。

（果然戴高帽子是有用的，哈哈）

那具体讲什么呢？怎么讲？怎么样才能给大家提供一点点帮助呢？

我也是咨询了很多 AI，咨询了很多朋友，今天重点说说豆包工作给我的帮助。其余 AI 的功劳，我后面再找机会。

先给大家看看它帮我制作的一个技术科普视频，关于 RRF 的，也是为了方便第一次看到的同学很快就能接收这些技术信号。

【视频 1】

是不是很丝滑？

01、梳理杂志风PPT

备课的起点是让豆包工作帮我梳理一份 PPT，作为这两天讲课的总大纲。脚本 luoyang-lit-ai-bootcamp.md 是我提前在本地写好的，操作的时候只需要在豆包工作的输入框里用斜杠加载一下内置的 PPT Skill，提示词很简单。

帮我按照 docs/src/sidebar/itwanger/ai/luoyang-lit-ai-bootcamp.md 这个制作一份 PPT，杂志风。

豆包工作在读取完本地的文稿和配图后，做了一套 15 页的杂志风讲义。整套课件按独立杂志的版式设计，原稿里的 11 张真实截图也全部按原比例嵌入到了页面里，没有任何生硬的裁剪。

这套 PPT 把我提前准备好的五块内容串成了清晰的课程主线。

①、晒一些能让大家信服的成绩，比如说改过 1000 多份简历，覆盖全国所有的 985/211 名校，不完全统计的 offer 喜报（互联网大厂+银行央国企），《二哥的 Java 进阶之路》在 GitHub 上有 17.8k star，短视频近一个月有 122.66 万播放等等。

②、建立信任之后，重头戏是两个能直接写进简历的实战项目。先是派聪明 RAG 知识库，涵盖大文件分片上传、基于本地消息表与 Kafka 的异步解析，以及双路混合检索。重点讲 search_knowledge 是怎么先注入组织标签做权限过滤，再并行发起 Elasticsearch 的 BM25 关键词检索与 KNN 向量余弦检索，经倒数排名融合算法与重排序模型筛选后扩展为完整父分块，最终通过 ReAct 输出带页码引用的流式回答。

③、接着是终端 Agent 项目 PaiCLI，主要讲 Checkpoint、Sandbox、测评集、ReAct、Memory 机制等。

④、带大家用派简历生成一份可以直接拿去投递的一页 PDF 简历。

⑤、最后是对大家的人生与求职困惑做开放式解答，劝每位同学手头至少准备一个趁手的 Agent 工具。

02、定制排课表

有了 PPT 大纲，接下来要解决每节课具体讲什么。每天要上八节课，早上 8 点开始，下午 2 点半上课，一节课 40 分钟。直接让豆包工作帮我排课。

我每天要上八节课，早上 8 点开始，下午 2 点半上课，一节课大概 40 分钟，不需要每一分钟都在讲话，这时候应该怎么合理安排每一节课，帮我出一个排课表。

我细致看了一下，整体节奏把控非常到位。

每节课具体应该讲什么、怎么和同学们互动，排课表里也写得一清二楚。

有了这些，我心里基本上就不慌了，再加上我可以随时随地让豆包工作根据课堂的反馈进行迭代升级。

比如说同学们喜欢听什么，对什么感兴趣，我都可以第一时间调整。

加上我这些年的经验积累，毕竟派聪明 RAG 和 PaiCLI 终端 Agent 这两个项目也都非常成熟，以及我对 AI 前沿知识的理解，我觉得完全可以给大家呈现出来一种比较有收获的课堂知识。

03、生成科普视频

讲课过程中难免会遇到一些同学们没听过的专业名词，比如 ReAct、RRF、RAG、CLI、Harness 等等。

光靠口头解释很容易枯燥，我干脆让豆包工作帮我整理了一个名叫 One Minute Remotion 的本地 Skill，用来把单个技术概念直接生成文稿和一分钟科普视频。

直接拿混合检索里的 RRF（倒数排名融合）来做测试，先在豆包工作里选中该技能，让它只出文案。

帮我给第一次接触 RRF 的同学写一分钟口播稿，先只出文案。

不到半分钟，口播稿就出来了，把为什么不能直接加原始分数、RRF 公式怎么算以及适用边界讲得很明白。

当知识库同时使用关键词检索和向量检索时，两路各自返回了一份排名，怎么把它们合并成一份最终榜单？

直接把原始分数相加是行不通的。向量检索的分数通常在 0 到 1 之间，而关键词检索的分数没有固定上限，直接相加会让总分被关键词检索主导。

解决办法是 RRF，全称 Reciprocal Rank Fusion，中文叫倒数排名融合。它不看原始分数，只看名次。一篇文档在某一路排第 rank 名，名次从 1 开始算，就拿到 1 除以 k 加 rank 的分数，常数 k 通常取 60；如果这一路没有命中，就记 0 分。

来看一组示例排名。关键词检索的前三名是文档 A、文档 B、文档 C；向量检索的前两名是文档 B、文档 C，文档 A 没有命中。

文档 A 只在关键词检索排第 1 名，得分是 1 除以 61 加 0，约为 0.0164。文档 B 在两路分别排第 2 名和第 1 名，得分是 1 除以 62 加 1 除以 61，约为 0.0325。文档 C 两路相加约为 0.0320。

最终，被两路共同认可的文档 B 和文档 C 升到前两名，单路第一的文档 A 退到第 3 名。不过 RRF 只看名次、不读正文内容，通常用来做多路检索的快速粗排。

把文字稿保存到本地后，我们继续推进，让豆包工作把文字稿变成二哥声音的完整配音，检查有没有漏字、重复或术语读错，并测出实际时长。

文字稿已经保存到 docs/src/ai/one-minute/rrf.md，下一步。

配音很快完成，豆包工作调用我本机的二哥音色按 1.1 倍速合成了音频，8 段旁白实测总时长 66.1 秒，每段的精确时长都列在了表格里。

同时它把生成的 voiceover.wav 和 voiceover.mp3 音频卡片交给我试听，并主动停在当前阶段等待确认。

试听确认读音和节奏都没问题后，我回复“下一步”进入分镜设计。

分镜的主要工作是根据脚本和实测音频的 1984 帧时间轴，把画面主体、连续动作和镜头设定好，生成 OUTLINE.md 分镜文档。

豆包工作把整条视频划分为开场问题、原始分数尺度对比、RRF 定义、倒数计分公式、示例排名、文档 A 得分、文档 B 与 C 得分以及最终结果边界共 8 个叙事单元，沿用暖米色底板搭配铁锈橙、蓝色与深色正文，让文档 A、B、C 的代表颜色和排名换位动画逐帧对应，同时标明教学示例排名，避免被误认为真实模型输出。