论文
三天从50%到精通：基于Shadow-RAG的研究生级AI导师本地化低资源SOP
From 50% to Mastery in 3 Days: A Low-Resource SOP for Localizing Graduate-Level AI Tutors via Shadow-RAG
摘要
在学校部署高保真AI导师常常受制于资源诅咒——即对昂贵云端GPU和大规模数据工程的需求。在这份实践者报告中，我们提出一套可复制的标准作业程序（SOP）来打破这一障碍。借助视觉语言模型数据清洗策略和一种新颖的Shadow-RAG架构，我们仅用3个非专家人日的劳动以及可部署在单张消费级GPU上的开放权重32B模型，完成了一个研究生级应用数学导师的本地化。我们在一整份研究生级期末考试上的试点研究揭示了一个显著的涌现现象：零样本基线和标准检索在各代模型上均停滞于50-60%的准确率，而提供结构化推理引导的Shadow Agent在较新的32B模型上触发了大幅能力跃升，将性能从74%（Naive RAG）提升至精通水平（90%）。相比之下，较旧的模型仅获得有限提升（约10%）。这表明此类引导是释放现代小语言模型潜力的关键。这项工作为普及AI教育提供了一套高性价比、有科学依据的蓝图。
