大家好，我是讯享网，很高兴认识大家。这里提供最前沿的Ai技术和互联网信息。



IT之家 8 月 7 日消息，谷歌的 Gemini AI 推出了一项名为“引导式学习”（Guided Learning）的新功能，旨在帮助用户真正理解他们所学习的问题，而不仅仅是直接给出答案。谷歌首席执行官桑达尔・皮查伊（Sundar Pichai）在其博客文章中表示，这种“引导式学习”模式充当了“学习伴侣”，通过“提问和逐步指导”来引导用户。

“引导式学习”模式提供的答案形式丰富多样，包括图片、视频和互动式小测验等。谷歌与学生、教育工作者、研究人员以及学习专家合作，确保该模式“有助于理解新概念，且有学习科学理论作为支撑”。

AI 公司越来越多地涉足教育领域，这一趋势或许也与 AI 工具被指责帮助学生作弊有关。像 Gemini 的“引导式学习”模式和 ChatGPT 上周宣布的类似的“学习模式”，理论上有助于实际学习，但关键在于学生是否会愿意使用这些模式，而不是仅把人工智能聊天机器人当作获取简单答案的工具。

作为本周三宣布的计划的一部分，谷歌现面向美国、日本、印度尼西亚、韩国和巴西的 18 岁及以上学生推出一项福利：只要在 10 月 6 日之前注册，即可免费获得 12 个月的谷歌 AI Pro 计划。此外，谷歌还承诺在未来三年内投入 10 亿美元（IT之家注：现汇率约合 71.88 亿元人民币）资金，用于“美国教育，包括 AI 素养项目、研究资助和云计算资源”。

广告声明：文内含有的对外跳转链接（包括不限于超链接、二维码、口令等形式），用于传递更多信息，节省甄选时间，结果仅供参考，IT之家所有文章均包含本声明。

 
谷歌 Gemini AI 推出“引导式学习”功能，还为多国学生送福利 

简单回答下这个问题。

谷歌宣布推出全新AI工具套件Gemini for Education，基于其最新一代Gemini2.5Pro模型，为全球师生提供免费、强大且高效的学习与教学支持。这一举措旨在通过AI技术赋能教育工作者和学生，打造更加个性化和高效的学习体验。Gemini for Education是谷歌专为教育社区量身定制的AI工具，集成于Google Workspace for Education平台，面向所有使用该平台的学校免费开放。

大家注意，实际这个引导式学习仍然是基于emini2.5Pro大模型，只是内部做了一个基于提问者问题的启发式提问，引导，交互式学习的调教。

怎么讲呢？

就是AI不是一次性的把所有问题答案全部抛给你，而是基于知识本身的学习曲线，基于你已有的历史知识储备，一步一步的引导你从理解基本的概念开始，然后准备给出具体完整的回答。我前面谈到通过秘塔AI提供的今天学点啥进行交互式学习。

但是秘塔AI提供的今天学点还不是完整意义上的引导式学习，比如很简单，如果将要学习的内容分为六个章节，秘塔AI的当前实现逻辑并不会说根据第1章学习情况动态的去优化和调整后续章节的学习内容。但是引导式学习不一样，这个完全会基于前面的交互对话内容，对后续学习内容动态调整。简单来说：

AI给你讲一个当前知识，如果发现你这个知识无法理解，那么AI就超前追溯这个知识的前导知识，前导知识还不理解，那么就继续朝前追溯前前导知识，直到你理解了所有内容后，再从当前知识开始讲后续的扩展知识，一步步的讲解。

而这种引导式学习方式正是我们需要的知识学习方式，AI比人有耐心，AI也不会说你是一个笨蛋，你按照AI的引导一步步的展开学习就可以了。我在想如果你所有学习都是这种方式AI辅助完成了，那么AI可以做到完全了解你，绘制出你个性化的知识脉络地图。并在后续新知识学习和对话中，快速的给出最适合你的学习路线。

这个东西做好了，完全是一张AI下的学习的革命。

我们来看一个完整的简单例子，比如我现在想学习跨数据参考Cube的基础知识。

下面是Gemini输出内容

1. 先搞清楚 Cube 的两个核心“主角”：维度（Dimensions）和度量（Measures）。
2. 然后，我们用一个销售数据的例子，直观地看看 Cube 和你熟悉的数据库表有什么不一样。
3. 最后，我们再聊聊怎么像玩魔方一样“操作”这个数据立方体（比如切片、下钻等分析动作）。

下面是Gemini输出内容

• 维度 (Dimension)：就是你提到的那些“描述销售”的方面，它们是我们观察和分析数据的角度。比如：
  
• 时间维度 ️ (购买时间)
• 地理维度 (购买城市)
• 商品维度 ️ (商品名称)
• 客户维度 (购买客户)
• 度量 (Measure)：就是你提到的那些“衡量销售”的数值，它们是我们关注的具体业务指标。比如：
  
• 销售数量 (购买的数量)
• 销售总额 (购买的总金额)

---

订单ID	购买时间	城市	商品	数量	销售额
1001	2023-01-15	北京	牛奶	2	12.00
1002	2023-01-15	上海	面包	1	8.50
1003	2023-01-16	北京	面包	1	8.50
1004	2023-01-16	北京	牛奶	3	18.00
1005	2023-01-16	上海	牛奶	1	6.00

这张表非常清晰，记录了每一笔交易。但如果你的老板想问一个问题：“一月份，牛奶和面包在北京和上海的总销售额分别是多少？”
用这张表，你当然可以通过 SQL 查询（比如用 GROUP BY）来回答。但如果老板接下来又问了十几个类似的问题，每次都去查原始表就会很慢，效率也不高。
而 Cube，就是为了解决这个问题而生的。它会预先把数据按照维度和度量组织好，就像下面这样：
想象一个二维表格，行是商品维度（牛奶、面包），列是地理维度（北京、上海）。表格的每个单元格里填的就是度量（总销售额）。

	北京	上海
牛奶	30.00	6.00
面包	8.50	8.50

下面是Gemini输出内容

• X轴 (横向)：地理维度 (北京, 上海)
• Y轴 (纵向)：商品维度 (牛奶, 面包)
• Z轴 (深度)：时间维度 (1月15日, 1月16日)

立方体里每一个看不见的小方块，都存着一个度量值（总销售额）。比如，坐标为 (北京, 牛奶, 2023-01-16) 的小方块里，存的数值就是 18.00。
你看，Cube 把杂乱的流水账数据，变成了一个结构清晰、可以即时查询的模型。这就是它的核心价值。

---

好了，现在我们进入最有意思的第三步：怎么像玩魔方一样“操作”这个立方体。这些操作在数据分析里统称为 OLAP (联机分析处理) 操作。
最常见的操作之一叫做 切片 (Slice)。
这个动作就像切蛋糕或切面包一样，我们沿着一个维度切下固定的一片来观察。比如，老板只想看 “1月16日” 这一天的所有销售情况。
如果我们对这个立方体，沿着“时间维度”切下“1月16日”这一片，你觉得我们看到的结果会是什么样子的？

下面是Gemini输出内容

• 动作: 选择一个维度，并为该维度挑选一个特定的值。
• 例子: 时间 = “1月16日”
• 结果:
  | | 北京 | 上海 |
  | :— | :— | :— |
  | 牛奶 | 18.00 | 6.00 |
  | 面包 | 8.50 | 0.00 |
  (注意：1月16日上海没有卖面包，所以销售额是0)
  
  
  
  
  
  
  
  
  
  
  
  
  
  

---

好，切片我们掌握了。接下来是另一个很像的操作，叫做 切块 (Dice)。
如果说“切片”是切下一整片面包，那么“切块”就是从面包上切下一小块。它允许我们对多个维度进行筛选。
比如，老板现在更关心具体的细节，他想看：“1月份，北京地区的牛奶” 的销售情况。
这个操作会同时在两个维度上进行筛选：

1. 地理 = “北京”
2. 商品 = “牛奶”

如果我们对这个立方体进行这样的“切块”操作，最后得到的结果会是什么样子的？它还剩下几个维度？

下面是Gemini输出内容

• 动作: 选择多个维度，并为这些维度挑选特定的值。
• 例子: 地理 = “北京” 并且 商品 = “牛奶”
• 结果:
  因为只剩下一个“时间”维度，所以结果不再是一个面，而是一条线，或者说一个列表：
  
  
  
  
• 1月15日: 12.00
• 1月16日: 18.00

---

非常好！我们已经学会了如何在立方体上切片和切块。最后，我们再来看一对非常有用的孪生操作：下钻 (Drill-Down) 和 上卷 (Roll-Up)。
这两个操作不改变维度的数量，而是在同一个维度的不同层级之间切换。
下钻 (Drill-Down)
这个操作就像使用放大镜，让我们能看到一个维度内部更精细、更具体的数据。
比如，我们的“时间”维度可以有不同的层级：年 -> 季度 -> 月 -> 日。
假设我们一开始只看到了“2023年1月”的总销售额。现在我们想看得更细，想知道 “1月15日”和“1月16日” 分别卖了多少。这个从“月”的层级深入到“日”的层级的动作，就叫做“下钻”。
这个从“月份”看到“具体日期”的操作，就像用放大镜看数据一样。你觉得反过来的操作应该叫什么？比如，我们看完了每天的数据，想把它们汇总起来看“整个月份”的总数据。

下面是Gemini输出内容

Bingo! Exactly right. 它就叫做 上卷 (Roll-Up) 。<br/>操作：上卷 (Roll-Up)

• 动作: 将数据从一个精细的层级汇总到一个更粗略的层级。
• 例子: 将“日”层级的数据汇总到“月”层级。
• 结果:
  
• 我们把“牛奶”在北京1月15日 (12.00) 和1月16日 (18.00) 的销售额数据，汇总起来，就得到了1月份的总销售额 (30.00)。

---

1. 核心元素: 我们知道了 Cube 由维度（观察数据的角度，如时间、地点）和度量（被观察的数值，如销售额）组成。
2. 核心结构: 我们明白了 Cube 是一个多维结构 ，它预先计算和存储了数据，让我们能极快地从不同角度进行查询，远比在原始数据库表中用 GROUP BY 要快。
3. 核心操作: 我们还学会了像玩魔方一样分析数据：
   

• 切片 (Slice) : 看一个维度的一个面。
• 切块 (Dice) : 看多个维度交叉下的一个小方块。
• 下钻 (Drill-Down) : 深入到更细的层级看细节。
• 上卷 (Roll-Up) : 汇总到更粗的层级看概况。

这四个操作是数据分析师最常用的基本功，可以让你像侦探一样，在海量数据中快速定位问题和发现规律。这个从数据库表到交互式数据立方体的过程，你觉得清晰吗？有没有哪个环节想重新回顾一下？如果你对这部分已经很有信心了，我们下一步就可以聊聊：在数据库层面，我们是如何设计表结构（比如星型模型 Star Schema）来支撑这个 Cube 的。这也正好能把你已有的 SQL 知识和数据仓库连接起来。

以上即对Gemini for Education的简单测试，右边是我的回复，文字是AI一步步引导我输出的内容。我只能说相当强大。这个完全就是我们需要的学习方式。类似很多如何看懂财务报表，如何看懂K线图，如何理解*？这些书感觉没有出版的必要了。

一个公式，解锁全能 AI 助理！

Google 的这个免费 AI 工具。可以自动帮你整理电脑上混乱的文件、自动根据图片内容给图片取名、批量转换文件类型、下载B站视频、制作 GIF、制作小游戏、部署网站等等。

但是绝大部分普通人却不懂驾驭它！今天我们一起解锁。

日常生活中，我们经常遇到一些特别繁琐重复的任务。比如我们电脑上有非常多杂乱的文件，图片、视频、音频都混在一起，现在要分类管理！

能不能让一个 AI Agent 帮忙处理？当然可以！

Gemini Cli 就是你给 Agent 下达指令的聊天窗口。

https://github.com/google-gemini/gemini-cli

下载安装好 Gemini Cli 后，我们可以进入对应的文件夹。

下达指令：

现在需要对 file-classfied 这个文件夹下的所有文件进行分类，你应该创建不同类型的文件夹进行管理。

然后你会看到 AI 开始努力给你打工，几十秒后 AI 告诉我们已经分好类了！

打开看看，太赞了！这是整理前的混乱目录：

AI 自动帮我们把图片、音频、视频归类到不同的文件夹，分类整理好了！

听到这里，你应该有个大概的认识了！Gemini Cli 看起来像是我们和电脑之间的一个超级助理！以前我们直接操作电脑，现在可以把繁琐重复的任务委托给 Gemini Cli，让它帮你执行。

当你理解了这一点之后，我们可以展开想象力！

你可以让它批量帮你转换文件，比如我们这个文件夹有大量的 png 图片文件，需要批量转换为 jpg 格式。

现在 @png 文件夹里有多个图片，你需要将它们都转换为 jpg 图片。并放到和 png 文件夹同级的 jpg 目录下。

Gemini Cli 开始工作，中间会让你授权一些操作。几十秒后，完成了！

我们看看结果，果然出现了 jpg 文件夹，文件夹下所有图片都转换好了！当你有成千上万张图片需要整理，你将会节省大量的时间！

下达指令：

现在你需要对 @jpg/ 目录下的所有文件进行重命名，你应该根据图片内容进行重命名。

我那些海量的 img01、img02 文件，有救了！

如果你认为一切就到此为止了，那我要告诉你，刚刚讲的只是最基础的用法。

掌握下面这个超能公式，你将真正解锁一个全能 AI 助理！

Gemini Cli + 传统 Cli 工具 + MCP Server = 全能 AI 助理

怎么理解？举个简单的例子，ffmpeg cli 是个非常强大的音视频处理工具。如果你要将多个图片合并成 gif 动图。

你可以这样下指令：

使用 ffmpeg 将 @gif-maker 下的所有图片合并成一个 gif。然后 AI 就会给你制作一个 gif。

太多太多例子了，能不能做到，取决于你的认知！讲到这里，其实我只讲了公式的一部分。如果你还了解 MCP Server，海量的 MCP Server 组合，将帮你打开新世界的大门！