“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
达特茅斯课程实证：新型AI辅导员实现0.71-1.30个标准差的学习效果提升
在达特茅斯学院一门真实课程中，基于大语言模型的AI辅导员将学生考试成绩提升了0.71至1.30个标准差，效果远超传统辅导。
一、研究背景：为什么我们需要更好的AI辅导员？
教育领域长期面临一个核心矛盾：个性化辅导被公认为最有效的教学方式之一，但优质人力辅导的成本极高，难以大规模推广。传统的一对一辅导虽然效果显著（效应量通常在0.2-0.6个标准差之间），但受限于师资数量和经济成本，绝大多数学生无法获得持续、高质量的个性化辅导。
近年来，随着大语言模型（LLM）的快速发展，利用AI提供个性化教育支持的尝试日益增多。然而，早期AI辅导系统存在两个突出问题：
- 直接给出答案：早期的AI辅导系统倾向于直接告诉学生正确答案，而不是引导学生自己思考。这种方式虽然能帮助学生完成作业，但对深层学习理解帮助有限。
- 缺乏教学策略：许多AI系统只是简单地回答问题，没有采用经过验证的教学方法，如苏格拉底式提问、逐步引导、错误诊断等。
这篇论文的研究团队来自达特茅斯学院（Dartmouth College），他们开发了一种名为Tutor CoPilot的新型AI辅导员系统，并在真实课程环境中进行了严格的随机对照实验。
二、Tutor CoPilot 系统设计：不只是另一个AI聊天机器人
2.1 核心设计理念
Tutor CoPilot 的设计基于一个关键洞察：AI不应该直接辅导学生，而应该辅导人类辅导员。具体来说，系统在人类辅导员（通常是教学助理或高年级学生）与学生互动时，实时为辅导员提供教学建议，而不是直接与学生对话。
这种设计的优势在于：
- 保留人类教师的判断力：辅导员可以根据自己的判断决定是否采纳AI建议，以及如何调整建议以适应具体学生
- 降低AI幻觉风险：AI的建议经过人类辅导员过滤，减少了错误信息直接传递给学生的可能性
- 提升辅导员能力：长期使用可以帮助辅导员学习更好的教学策略
2.2 技术架构
Tutor CoPilot 基于GPT-4构建，通过精心设计的提示词（prompt）来生成教学建议。系统的工作流程如下：
- 上下文捕获：系统实时监听辅导员与学生的对话，包括学生提出的问题、辅导员的回应
- 教学意图识别：分析当前教学情境，识别学生的学习困难类型（概念理解、计算错误、应用问题等）
- 策略生成：基于教育学原理，生成3-5个教学建议，包括：
- 苏格拉底式引导问题
- 概念类比和示例
- 错误诊断和纠正策略
- 知识迁移练习
- 优先级排序：根据学生当前的理解水平和学习目标，对建议进行排序
- 呈现给辅导员：在界面上以简洁、可操作的方式呈现建议
2.3 关键创新点
与之前的AI辅导系统相比，Tutor CoPilot 有三个关键创新：
- 人机协作模式：不是替代人类辅导员，而是增强他们的能力
- 实时教学策略支持：在对话进行中提供即时的、情境化的教学建议
- 基于教育学理论：建议生成遵循认知负荷理论、脚手架理论、主动学习等教育心理学原则
三、实验设计：严格的随机对照试验
3.1 实验环境
研究在达特茅斯学院的一门统计学入门课程中进行，这门课程是典型的大学通识教育课程，学生来自不同专业背景，数学基础差异较大。课程持续一个学期，共有约300名学生参与。
3.2 参与者分组
实验采用随机对照设计（Randomized Controlled Trial, RCT），这是教育研究中因果推断的黄金标准：
- 实验组：学生在与辅导员互动时，辅导员使用Tutor CoPilot系统获取教学建议
- 对照组：学生接受相同辅导员的标准辅导，辅导员不使用AI辅助工具
为了确保实验的公正性，研究人员采用了分层随机化方法，根据学生的基线成绩（入学考试成绩）将学生分配到实验组或对照组，确保两组学生在学术能力上没有显著差异。
3.3 辅导过程
辅导以线上方式进行，每次辅导持续30-60分钟。辅导员是经过培训的本科生教学助理，他们：
- 在实验组中，可以看到Tutor CoPilot生成的实时教学建议
- 可以自由选择是否采纳建议，以及如何调整建议
- 对照组中，使用标准的辅导流程，没有任何AI辅助
3.4 评估指标
研究使用以下指标评估Tutor CoPilot的效果：
- 主要指标：期末考试得分（标准化为Z分数）
- 次要指标：
- 期中考试成绩
- 作业完成质量
- 课程通过率
- 学生满意度调查
- 效应量计算：使用Cohen's d衡量实验组和对照组的标准化均值差异
四、实验结果：令人瞩目的效果
4.1 核心发现
Tutor CoPilot 在期末考试中产生了0.71到1.30个标准差的效应量（effect size）。这个数字意味着什么？
- 0.71 SD：这是整个实验组的平均效应量
- 1.30 SD：这是当辅导员高频率采纳AI建议时的效应量
为了理解这个数字的规模，我们可以参考教育干预研究的元分析：
| 干预类型 | 典型效应量 |
|---|---|
| 缩小班级规模（从25人降到15人） | 0.10-0.20 SD |
| 增加教学时间（每天多1小时） | 0.15-0.25 SD |
| 高质量一对一辅导 | 0.20-0.60 SD |
| Tutor CoPilot（本研究） | 0.71-1.30 SD |
0.71 SD的效果意味着： 如果一个学生在对照组中处于第50百分位（中位数），使用Tutor CoPilot后，该学生将提升到第76百分位。而1.30 SD的效果则意味着提升到第90百分位以上。
4.2 亚组分析
研究进一步分析了不同学生群体的效果差异：
- 基线水平差异：效果对低水平学生最为显著。初始成绩在后25%的学生，效应量达到1.50 SD以上
- 学科领域差异：在概率论和统计推断等概念性较强的章节，效果优于描述性统计等计算性章节
- 采纳率影响：辅导员采纳AI建议的频率与学生学习效果呈正相关。高采纳率（>70%的建议被采纳）组的效果显著优于低采纳率组
4.3 长期效果追踪
研究还进行了为期一个学期的追踪调查，发现：
- 实验组学生在后续课程中的表现仍然优于对照组
- 学生报告说，他们从AI辅助辅导中学到的学习策略和思维方式具有持续性价值
- 辅导员本人的教学能力也得到了提升，即使在没有AI辅助的情况下
五、深度分析：为什么Tutor CoPilot如此有效？
5.1 教学策略的智能生成
Tutor CoPilot 的效果来源不仅仅是AI的