← 返回目录

第 8 讲　填制：数据 × 模板 × 映射

【可执行状态】现在就能做

【本讲对应资产】doc-filler 引擎（5 个工具），本讲主讲填制的通用原理，第 10—13 讲分场景实操

【本讲原理来源】L3 第 20 课《Function Calling 深度解析》（工具的描述与参数）、L3 第 19 课（能力的封装）

引子：一件三百年没有变的事

每个学期开学前，总有那么几天，教务办公室的灯亮到很晚。

桌上摊着一叠学校发下来的表格：《课程教学大纲（2026版）》《教学进度表》《教案》《结课作业封面》。

表格长得一模一样，只有里面的字不一样——课程名不一样、教师名不一样、学时不一样、学生姓名不一样。

老师们做的事，说穿了只有一件：把已经知道的信息，一格一格搬到固定的位置上。

这件事，看上去简单，做起来费时，而且极易出错——错一个学时，退回来重填；

漏一个学生，整份名单对不上。它不产生任何新知识，却吃掉了教师最宝贵的整块时间。

有意思的是，这件事的形式，三百年来几乎没变过。

十七世纪欧洲的抄写员，把同一封信的内容誊抄到不同的呈文模板上；

二十世纪八十年代的机关文书，用刻好格式的蜡纸油印；

九十年代有了电脑，财务人员学会了邮件合并——一份名单加一个模板，批量生成邀请函。

到了今天，学校发的仍然是 Word 模板，教师做的仍然是“复制、粘贴、改一改”。

形式没变，但今天这件事可以有另一种做法：

把“这一格填什么”讲清楚一次，之后所有的格子都由机器去填。

这一讲的公式，就是讲清楚“怎么把这件事讲清楚”。

一、场景：两种做法，两种下班时间

先说两位老师的同一个下午。

王老师（化名）的做法，是绝大多数老师的做法。

下午两点，她打开教务处发来的大纲模板，另存为“我的大纲”。

接着打开去年的那份，把年份改掉；再打开教务系统，查这学期的学分和学时；

再翻到教师信息表，把自己的工号和职称抄过来。

一门课改了十几处，花了四十分钟。

第二门课如法炮制——又是四十分钟。第三门课改到一半，隔壁同事来问事，回来接着改，

把“48 学时”错抄成了“42 学时”。这份大纲在教研室检查时被打回，重做一遍，又一个下午。

晚上八点，她带着两大杯咖啡离开办公室，心里想的是：“这种活，什么时候能不用人干？”

李老师（化名）的做法不一样。

她把两条课程信息写成一个清单（课程名、课程代码、学分、学时、课程性质、适用专业），

再把自己这门课通用的信息写在一起（学期、日期、学院），然后在入口里说了一句话。

三分钟后，返回来两份文件：数智分析与应用-教学大纲-任渝.docx、

跨境电商大数据统计与分析-教学大纲-任渝.docx。

她做的是同一件事——只是把“抄哪一格”这件事，从手上搬到了配置里。

下午剩下的时间，她去听了两节课，回来改了一份学生的竞赛方案。

同一件事，一个下午，一个三分钟。差别不在打字快慢，也不在谁更用电脑，

而在有没有把这件事拆成三样可以交给机器的东西。

二、原理：把重复劳动拆成三样东西

2.1 一句定义先行：填制是什么

先把概念说清楚。本书说的填制，指的是这样一件事：

把一份已经知道的数据，按照一套固定规则，填进一份固定格式的文件里，得到一份成品文件——

数据可以换，格式和规则通常不变。

举两个例子就明白了。例如，期末要给全班发结课作业，学生的姓名学号在教务系统里（信息早就有），

作业封面的版式教务处已经定好（位置早定好）；再比如，每学期要报的课程教学大纲，

课程名、学分、学时都是现成的，只有格式要求每学期重发一遍。

它有两个特点，决定了它天生适合交给机器：

一是信息早就有了（学分、学时、学生姓名都不是新知识，只是散落在各处）；

二是位置早就定好了（模板上哪一格填什么，教务处已经规定死了）。

举个日常的例子：就像搬家。累的不是把东西放进箱子，而是决定“这个东西该放哪个箱子”、

放完还要检查一遍有没有落下的。——找到那个信息在哪、

找到它该填在哪一格、填完之后再核对一遍。而这三次“找”，恰好都可以变成机器做的事。

2.2 这道公式：数据 × 模板 × 映射

把上面的“填、找、核对”翻译成工程语言，就是这一讲的标题，它是一条可以背下来的公式：

填制 = 数据 × 模板 × 映射规则

三样东西各司其职，缺一不可：

用生活里的例子打比方：这三样，就像食堂打饭的三件事——

打什么菜（数据）、用哪个餐盘（模板）、每样菜打在哪一格（映射）。

你想换菜单，不用换餐盘；换了新餐盘，也不用重学打菜的手艺。

三样分开，是为了换一样的时候，别的两样不用动。

现在关键的一点来了。这三样里，只有“数据”是每学期都在变的：

模板教务处三年才换一次版式；映射规则一旦配好，可以一直用。

所以这道公式真正的含义是：

一次配置，长期使用——每学期你只动数据那一项。

2.3 为什么这么拆：一次“分工”的老道理

“把一件事拆成若干可重复的标准动作，然后交给不同的人（或机器）去做”——

这个道理，经济学里讲过两百多年了。

一七七六年，亚当·斯密在《国富论》里写过一个制针工厂的例子：

一个工人独自做针，一天做不出二十枚；但把做针分成抽丝、拉直、切断、削尖、打磨等十八道工序，

十个人分工协作，一天能做出四万八千枚——每人平均四千八百枚[1]。

他没有多雇人、没有换材料，只是换了一种组织方式，产量提升了两百多倍。

再比如今天的医院：不是一位医生从头到尾包办检查到开药，而是挂号、化验、看诊、取药各管一段——

每一段的动作都标准化，整条流水线的效率就上去了。

一九一三年，福特把同样的道理搬到了汽车厂：

不是让每个工人造一辆车，而是让车在流水线上移动，每个工位只做一个标准动作。

T 型车的装配时间从十二小时缩短到九十三分钟。

这两个例子，说明的是同一件事：效率的提升，主要不来自人干得更快，而来自事情被拆得更清楚。

填制这件事的拆分方式，就是上面那三样——数据、模板、映射。

把它们分开之后，数据可以由教务系统导出、模板由教务处统一维护、映射由技术上一次配好，

教师本人只做她唯一不可替代的那一件事：确认数据对不对。

2.4 两层信息：为什么有的信息要写四十遍

第一次用填制引擎的人，几乎都会在同一个地方停一下：

生成四十份结课作业，学生姓名和学号当然是一人一份，

可是“学期”“学院”“任课教师”这些信息，四十份里完全不重复，难道要写四十遍？

这个疑问非常关键，因为它正好指出了数据其实有两层：

• 一人一份的信息（记录级）：学生姓名、学号、专业——每个人不一样，必须逐条给
• 大家共用的信息（班级级）：学期、学院、课程名、任课教师——四十个学生共享同一份，只给一次

例如：四十份结课作业里，学号和姓名各不相同（一层），而“2026学年春季学期”“智能金融学院”

“财经公文写作”“任渝”这四项，四十份一字不差（另一层）。

用打比方讲清楚这两层的区别：这两种信息，就像一份班级名册和一枚公章。

名册上每个人的名字都不一样（记录级），公章却只有一个，盖在每一份上都是同一个（班级级）。

你不会因为要盖四十份，就刻四十个一模一样的章。

填制引擎把这两层分开处理，正是为了让你不必重复劳动。

在我们的引擎里，这两层各有各的位置：一人一份的放进“数据”里（列表，一条一个学生），

大家共用的放进“公共信息”里（一份，所有记录共享）。

这也是新手最容易漏的一步——漏了公共信息，交出来的四十份文件里，

“学期”“任课教师”这些位置就会空着（第 13 讲专门讲怎么发现这种漏）。

2.5 有人会问：为什么不直接让 AI 写？

讲到这里，一定有人要问这个问题：既然有大模型了，为什么不干脆把数据“喂”给它，

让它把整份大纲写出来？还要模板、还要映射，这不是多此一举吗？

这个问题问得很对，值得认真回答，因为它划出了本书反复要讲的一条界线。

先看一个数字。吴恩达在 2024 年 3 月梳理过多个研究团队的结果，给出这样一组对照：

在同一个编程基准测试上，让模型直接生成答案，正确率是 48.1%（早期模型）到 67.0%（新模型）；

而把这同一个稍早的模型包在一套迭代流程里（先写、再查、再改），最好成绩达到 95.1%[2]。

也就是说：流程带来的提升，压过了换一个更强模型的提升。

把这个结论搬到填制上，道理是相通的：

让大模型“直接写一份大纲”，它写的是一份像大纲的东西——

平均而言很合理，偶尔会发挥，你没法保证它每一格都对。

而“数据 × 模板 × 映射”的引擎，它做的是把已经确认过的数据，搬到确认过的位置——

不发挥，也不会发挥失常。就像打印机套打——它不会因为打了一百份就“发挥创意”换个位置，

每一份都和第一份一模一样。

一句话概括两者的分工：

大模型擅长“像”，引擎擅长“对”。

凡是要求“每一格都对、每一次都一样、改一处到处都对”的活，用它；凡是要求“想个新点子”的活，才交给它。

这不是说大模型不重要——恰恰相反，本书第 6 讲（课件）、第 17 讲（研究报告）里，

它承担的是“理解需求、组织内容”的部分。填制和生成，是两种活，各找各的工具。

（顺带说一句技术上的话，只讲到能听懂为止：引擎在系统里是以“工具”的形式存在的，

而大模型要调用工具，靠的是一份工具说明书——它先读说明书，判断该不该用这个工具，

再照着说明书准备参数。所以“说明书”写得好不好，直接决定它调得准不准。

这也是为什么本书每一讲都要告诉读者工具的真名：有了名字，才有说明书可言。

更细的机制见参考资料。[3]）

2.6 三变三不变：这道公式对你能用多久

最后把这道公式的价值讲透。它看起来只是“填表”，实际上规定了三样东西各自的稳定程度：

打个比方：这就像办了一张图书馆借书证，以后每次借书只报书名就行，不用重新办证。

也就是说：第一次用要多花二十分钟把数据整理清楚，之后每个学期只需要换数据那一层。

第一门课两门课如此，第十门课第二十门课还是如此——因为变的是数据，不是流程。

那么模板从哪来？ 这恰恰是老师最先问的问题——

“你们这个模板跟我们学校发的不一样吧？”。

下一讲（第 9 讲）专门回答它：学校发的那份表，交出来就能用，

不需要老师自己标任何记号。这里只要先记住一句：模板可以是别人给的，

也可以是你手上那份现成的。

这就是这一讲要带走的东西：不是“学会了用某个按钮”，而是手里有了一道公式，

以后遇到任何“把已有信息填进固定格式”的活，你都先问一句：

数据是哪一层？模板在哪？映射怎么定？三个问题一答完，这件事就该交给引擎了。

三、动手三件套

一句话指令

先看引擎里有哪几类活可以填（这一步叫“选场景”）：

教学资料能自动填哪几类？用 filler_scenarios 列给我。

再看你选的那一类，需要准备什么数据（这一步叫“看契约”）：

「课程教学资料」这类要准备什么数据？用 filler_help 给我骨架。

然后出件：

按这个模板出【2】门课的教学大纲，用 filler_batch。数据是这两条课程记录，公共信息是学期【2026-2027学年第一学期】、日期【2026年9月17日】。

预期产物

以实测为例：两条课程记录 + 一份公共信息，得到两份 docx：

数智分析与应用-教学大纲-任渝.docx
跨境电商大数据统计与分析-教学大纲-任渝.docx

文件名就是识别符——课程名和教师名进了文件名，所以不用打开就能核对是哪一份。

校验点

出件之后必须核三件事（这一条是本书的纪律，不是可选项）：

1. 份数对不对：数据里有几条记录，就该出几份文件。少一份就是漏了。
2. 校验报告过没过：引擎会返回一份校验报告，verdict 必须显示

「校验通过（未替换 0 / 缺失 0）」。不是这个结论，就不算交付。

比如上次就有一位老师把“48 学时”填成了“42 学时”，文件生成得漂漂亮亮，

数字却是错的——引擎不会替你发现这类错误，但它会如实告诉你哪些格没填上。

1. 打开抽查四项：随便打开一份，核对课程名称、学分、学时、适用专业——

这四项是容易被换错的（尤其“48 学时”写成“42 学时”这种）。

四、常见错误与排错

错误一：只给记录，不给公共信息。

表现是文件出来了，但“学期”“任课教师”那几格空着。

原因：公共信息没传进去（就是 2.4 节讲的两层信息）。

排错：把班级级的几项写进公共信息里，重跑。

错误二：让引擎“自己想”数据。

表现是希望用一句话就生成完整大纲，包括课程目标、学时分配这些内容。

原因：把“填制”和“生成”混在了一起。填制只负责搬运已经确认的信息；

课程目标这一类需要判断的内容，得你自己先写好（或者由第 6 讲、

第 16 讲讲的生成类工具先产出，再交填制）。

排错：先把内容定下来，再交给填制——填制是最后一公里，不是第一步。

错误三：模板换了版式，映射没跟上。

表现是教务处换了新版大纲模板，填出来的文件里出现奇怪的空白，或者内容挤在一处。

原因：映射是按占位符配的，新模板的占位符变了。

排错：让引擎先读一遍新模板（filler_help 会列出模板里的占位符与映射关系），

对不上的补进映射，再重跑。

错误四：把“份数多”当成“工作量大”。

表现是四十几份作业，觉得必须要人工核对很久。

原因：没做名单对账。正确做法是拿产物文件名与名单对一遍：

应交几份、实交几份、缺谁——这件事让机器做，比人眼快得多，且不会漏。

（第 12 讲有完整做法。）

错误五：改完了不回看。

表现是看到“生成完成”就交上去。

原因：把“引擎说做完了”当成了“做完了”。

排错：见第 13 讲。校验是交付的一部分，不是额外工作。

五、边界与红线

• 学生信息不进公网。姓名、学号这类信息，只在必要范围内使用；

做名单类填制时，只带这次任务需要的最小字段（姓名、学号足够，不要带身份证号、

家庭住址、成绩）。用完的产物及时归档，不要散放在公共目录里。

• 填制不产生判断。它不判断你的教学目标写得好不好、学时分配是否合规、

考核比例是否合理——这些是教师的专业判断，工具的活是把格式和重复劳动干掉。

• 模板是学校的，不要自己改。要改版式，先走教务处的正式渠道；

引擎这一侧只接受“换模板文件”，不擅自修改模板。

• 凡引用必标来源。教研材料里说明用了什么工具，要写全名

（如“使用 doc-filler 引擎的 filler_batch 批量填制”），不要只写“用了 AI”。

六、拓展与学科迁移

• 跨场景迁移：同一道公式，换数据换模板就是新的活。

电子商务专业可以填选品报告、财务管理专业可以填预算说明与对账表、

国际经济与贸易专业可以填报关单据与合同封面——引擎不变，三样里的两样换掉。

• 跨角色迁移：教学秘书的活里，例如“通知套打”（一份通知 × 一份名单）、

“材料归档封面”（同一批材料 × 同一个封面格式）、“迎检台账”（同一套指标 × 同一张表），

都是同一类问题（已有信息 + 固定格式），同样用这道公式解决。

• 往上延伸：把每一次填制的产物和校验报告留档，一个学期下来就是一套

可复核的教学过程材料——这比“事后补材料”省力得多，也更经得起检查。

带走一句话

填制不是让 AI 替你写，是让规则替你跑；你只负责一件事——把数据确认对。

背后的引擎（本讲速查）

本讲要点（速记）

• 一句定义：填制＝把已知数据按固定规则填进固定格式，数据可换、格式与规则不变
• 一条公式：填制 = 数据 × 模板 × 映射；三样分开，换一样不动另两样
• 两层信息：一人一份（记录级）＋大家共用（班级级）——漏了第二层，文件里就留空
• 一句分工：大模型擅长“像”，引擎擅长“对”；要“每一格都对”的活用引擎
• 一条纪律：份数对账 + 校验报告通过 + 抽查四项，三样齐了才算交付

参考文献

[1] 亚当·斯密. 国民财富的性质和原因的研究（上卷）[M]. 郭大力, 王亚南, 译. 北京: 商务印书馆, 1972.（原著初版 1776 年；制针工厂分工实例见第一卷第一章）

[2] Ng A. Agentic AI（智能体式人工智能）[EB/OL]. DeepLearning.AI, 2024.（该数据为作者梳理多个研究团队结果所得，非单一官方基准；本书引用时按“梳理”表述）

[3] OpenAI. Function calling[EB/OL]. https://platform.openai.com/docs/guides/function-calling.

数据与平台：本章实测数据来自 zhenyuonline.cn 的 doc-filler 引擎（2026-09-17 实跑）：

teaching 场景 13 个占位符，两条课程记录出件 2 份，校验结果「未替换 0 / 缺失 0」。