0–5 分钟：artifact inventory
识别 notebook、PR、data source、dependency file 和 written explanation。
成功标准Reviewer 能看到改了什么、应该 review 什么。
学习 Review Checklist · 更新 2026-06-27
Notebook Learning Review Checklist：如何证明 AI 与数据课程进度，而不是只运行 Cells
面向使用 notebooks、course repos、AI curricula 和 project labs 的学习者与团队：避免把已执行 cells 误认为真正理解。
Notebook-based learning 很强，因为代码、解释、数据、输出和实验记录可以放在一起。但它也很脆弱：学习者可以跑完每个 cell、接受每个输出，却仍然无法解释模型、修 bug，或把概念迁移到新项目。
这篇指南给 nn-zero-to-hero、Microsoft AI for Beginners、AI Engineering From Scratch、Full Stack Open、freeCodeCamp 和 The Odin Project 提供一个具体 review loop：把课程进度转成证据，包括修改过的代码、书面解释、可复现环境、小实验和 reviewer feedback。
RepoDaily 判断
不要把运行完 notebook 或课程模块视为完成。只有学习者修改了东西、解释了为什么变化、记录了环境、写下一个失败，并提交可被他人 review 的小 artifact，才算真正进展。Execution 不是证据；reviewed modification 才是证据。
快速矩阵
| 证据类型 | 要求什么 | 好信号 | 弱信号 |
|---|---|---|---|
| 修改代码 | 改变 model、dataset、parameter、prompt、API call 或 test | 学习者能预测并解释影响 | 只重新运行原始 cells |
| 书面解释 | 用自己的话解释一个概念、bug 或 tradeoff | Reviewer 能看到独立推理 | 复制课程文本或 AI 输出 |
| 可复现性 | 记录依赖、版本、seed 或环境 notes | 另一个 reviewer 能重跑核心结果 | 只能在学习者电脑上工作 |
| 失败记录 | 记录一次失败运行和 debugging step | 学习者理解第一次尝试为什么失败 | 从 notebook 中删除失败 |
| 小型 capstone | 把想法应用到新 dataset、feature 或 project | 概念能离开 tutorial 迁移 | 输出仍绑定复制的 sample data |
| Review trace | 保留 PR、comments、rubric 和最终决定 | 反馈改善 artifact | 完成状态全靠自报 |
Notebook Review 评分卡
评分 artifact，而不是课程品牌。小而被 review 的 notebook 胜过巨大但无人 review 的 playlist。
| Review 维度 | 0 分 | 1 分 | 2 分 | Reviewer 问题 |
|---|---|---|---|---|
| 代码修改 | 没有实质修改 | 轻微参数调整 | 修改测试了真实 hypothesis | 你改了什么，为什么？ |
| 解释 | 没有解释 | 复述 lesson | 用自己的话解释 behavior | 你能教给队友吗？ |
| 复现 | 未 pin 且不清楚 | 有部分 setup notes | 有 clean setup 和 rerun path | 我能复现核心输出吗？ |
| 失败处理 | 没有记录失败 | 提到失败 | 诊断并修复失败 | 什么坏了，你学到了什么？ |
| 迁移 | 只有 tutorial sample | 小变化 | 新数据或新项目上下文 | 这个想法还能用在哪里？ |
| 安全/数据卫生 | 数据来源未知 | 有一些 notes | license/privacy/source 已记录 | 数据和输出适合分享吗？ |
30 分钟 Notebook Review 测试计划
在接受课程进度前，用它 review 一个 learner artifact。
5–10 分钟：reproduction check
阅读 setup notes，并重跑或检查核心输出路径。
成功标准核心结果可复现，或缺失 setup 被明确写出。
10–18 分钟：change explanation
问学习者改了什么、预期什么、实际发生了什么。
成功标准学习者不依赖课程文本或 AI summary 也能回答。
18–24 分钟：failure review
检查一次失败、意外输出或 debugging note。
成功标准学习者能描述原因、修复方式或下一步实验。
24–30 分钟：transfer decision
决定学习者应该重复、进入下一课，还是构建小 capstone。
成功标准下一步基于证据，而不是完成感。
Review 流程
- 先识别 learning artifact：notebook、PR、deployed app、concept map 或 experiment report。
- 要求学习者改变一个真正有意义的东西：dataset、model size、prompt、API boundary、test、component 或 evaluation rule。
- 运行前写 prediction，运行后写 explanation。
- 记录环境细节：dependency manager、package versions、Python/Node version、必要时记录 seed 和 data source。
- Review 一个失败或意外结果。如果没有失败，要求学习者跑一个 controlled variation。
- 只有 artifact 可重跑、可 review、可迁移到一个小新任务时，才批准完成。
场景表
| 学习路径 | Notebook/review artifact | 最低通过信号 |
|---|---|---|
| nn-zero-to-hero | 修改 micrograd 或 makemore notebook + debugging note | 能解释 gradients、loss change、sampling behavior 和一次失败运行 |
| Microsoft AI for Beginners | Concept map、quiz 和一个 adapted assignment | 能把广义 AI vocabulary 连接到具体 follow-on path |
| AI Engineering From Scratch | 小型 AI system lab，含 model/data/evaluation notes | 能说明 evaluation、data assumptions 和 inference tradeoffs |
| Full Stack Open | 带 tests 和 API/data explanation 的 full-stack exercise | 能解释 frontend/backend/test interaction 并复现 setup |
| freeCodeCamp | Project 或 certification milestone + modification note | 能把项目改到 exact tutorial 说明之外 |
| The Odin Project | 带 README、commits 和 review comments 的 portfolio project PR | 能查文档、解释决策，并响应 code review |
| Team onboarding | Internal capstone repo + rubric | Reviewer 能按团队标准比较输出并安排下一路径 |
风险清单
Run-cell illusion
Notebook 可能全是绿色输出，但学习者仍无法解释代码。必须要求 prediction、modification 和 explanation。
AI-written explanations
学习者可以粘贴模型生成摘要。用追问和个人 debugging note 检查理解。
Environment drift
未 pin 的 notebook 会不可复现。记录 package manager、versions、data source 和必要时的 seed。
Hidden data risk
Notebook experiments 可能泄露 private datasets 或复制的 course data。要求写明 data source 和 sharing status。
No reviewer
自报完成是弱证据。Peer 或 mentor 应用 rubric review artifact。
Overbuilt capstone
Capstone 应该小到能 review。巨大项目会隐藏误解并拖延反馈。
Review 模式
Prediction → run → explanation
运行前写预期效果，运行后解释实际结果和变化。
One meaningful mutation
每个 lesson 都要做一个有意义改变：data、model、prompt、component、test 或 evaluation rule。
Notebook as PR
通过 pull requests review notebooks，保存 diffs、comments 和最终决定。
Failure requirement
要求一次失败运行或意外输出。debugging 证据通常比干净结果更强。
Small capstone
用一个很小的新 dataset、feature 或 project context 证明迁移，不制造 review 负担。
Rubric over vibe
用 0–2 分评分 code change、explanation、reproduction、failure handling、transfer 和 safety。
常见问题
给 review notebook 和课程进度的团队提供简短答案。
运行所有 notebook cells 足以算进度吗？
不够。可 review 的 notebook 应包含有意义的修改、解释、可复现 notes，以及至少一个 debugging 或迁移信号。
学习者应该修改多少？
小也可以，只要测试了真实想法：dataset swap、model size change、loss comparison、prompt variation、API boundary 或 new test。
团队是否应该要求 notebooks 走 pull request？
团队训练建议这样做。PR 能保留 diffs、comments、reviewer decisions 和 follow-up tasks。
如何防止 AI 掩盖理解不足？
要求学习者预测结果、回答 reviewer 追问，并解释一次失败，不能只提交生成文本。
相关雷达
相关 RepoDaily 解读
Neural Networks: Zero to Hero 解读：面向想理解机制的 Builder 的 From-Scratch 深度学习 Labskarpathy/nn-zero-to-hero · Learning / CurriculumMicrosoft AI for Beginners 解读：深入 From-Scratch 实现前的广覆盖 AI 入门课程microsoft/AI-For-Beginners · Learning / CurriculumAI Engineering from Scratch 解读：从零构建的 AI 工程课程rohitg00/ai-engineering-from-scratch · Learning / CurriculumFull Stack Open 解读：覆盖 React、Node、GraphQL、TypeScript 的大学支持现代 Web 开发课程fullstack-hy2020/fullstack-hy2020.github.io · Learning / CurriculumfreeCodeCamp 解读：开源课程也是开发者基础设施freeCodeCamp/freeCodeCamp · Learning / CurriculumThe Odin Project 解读：面向全栈 Web 开发者的 Project-First 开源课程TheOdinProject/curriculum · Learning / Curriculum
来源
Feedback
这页是否帮助你做出决定？
匿名反馈只用于判断内容是否真正有用。