只做第一步也可以
安装并启动 JupyterLab，故意制造一次乱序执行，再记录它如何产生错误输出
保留真实输出或卡点，带到课堂；不要求一次完成全部。W10 · DATA COMPUTING
可复现笔记本Kernel State · Reactive DAG · Parameters
Notebook 适合探索，但隐藏状态会制造「只在作者电脑上成立」的结果。JupyterLab 用于探索，marimo 用显式依赖和响应式执行把分析收束为可交付应用。
0 / 0 已完成
01
知识范围 · 交互图谱
Know the map before details学完后大致能做到
解释 kernel、cell、执行顺序与隐藏状态
做到 Restart Kernel + Run All 仍可得到同一结果
理解 marimo 的依赖图与响应式执行
把一个分析参数化并导出可分享结果
02
零基础起步
Start small · bring real progress不要等到「全部学会」才开始
先完成最小动作。哪怕没有成功复现，也请保留报错、截图和尝试过程；课堂可以展示卡点、旁听提问，并继续获得积分。
做出核心结果
把 W09 的一张分析图先在 JupyterLab 中做到 Restart + Run All，再用 marimo 重写关键部分并加入资产/窗口参数。
成功复现可获得「复现 +1」，并具备展示资格。想多做再继续
导出静态 HTML 结果并比较限制
有拓展 +1，多拓展 +2；不影响零基础起步。实验目标
把 W09 的一张分析图先在 JupyterLab 中做到 Restart + Run All，再用 marimo 重写关键部分并加入资产/窗口参数。
复用 market_returns.csv完整复现步骤
安装并启动 JupyterLab，故意制造一次乱序执行，再记录它如何产生错误输出
整理导入、读数、变换、绘图顺序，执行 Restart Kernel + Run All
创建 marimo app，把数据、参数、统计与图形拆成显式依赖单元
加入资产选择或滚动窗口控件，改变参数后观察下游重算
从一个全新终端运行 marimo app，并在 README 写唯一启动命令
Shell · 两种笔记本环境
uv add jupyterlab marimo pandas matplotlib uv run jupyter lab # 完成并关闭 Jupyter 后： uv run marimo edit analysis_app.py # 验收时从新终端运行： uv run marimo run analysis_app.py
展示时可拿出的证据
- 隐藏状态失败案例与修复
- Run All 成功的完整输出
- marimo 依赖关系解释与参数控件
- 新终端一键启动命令
本机自查清单
03
让 AI 一步一步带你做
Copy this starter prompt循环方式
- 告诉 AI：我是零基础、使用什么系统、当前做到哪一步
- 一次只要一个步骤，先看预期结果再执行
- 把真实输出或报错贴回 AI，不要只说「不行」
- 把验证过的步骤整理回飞书实验报告
- 重复：问 → 做 → 报错 → 修正 → 再做
给 AI 的起步提示词
我是金融学院硕士生，计算机零基础。我正在学习《金融编程与计算》W10，本周目标是：实验 08 · 从探索 Notebook 到响应式分析 App。 请把我当作第一次接触这些工具的人，并遵守： 1. 一次只给我一个步骤，不要一次倾倒完整答案。 2. 每一步先用日常语言解释目的，再给可复制的命令或代码。 3. 告诉我正常情况下应该看到什么，以及最常见的一个错误。 4. 如果不知道我的操作系统、目录或安装状态，先问我，不要假设。 5. 等我贴回真实输出或报错后，再判断下一步。 现在只带我完成第一步：安装并启动 JupyterLab，故意制造一次乱序执行，再记录它如何产生错误输出
04
问题驱动
这些问题不是课前考试。遇到不懂就问 AI；最后只需能结合自己的操作，说清其中一部分。
为什么从上到下看起来正确的 Notebook 仍可能无法复现？
Restart + Run All 是在检验什么？
marimo 为什么限制同名变量重复定义？
参数化如何减少复制粘贴？
Notebook 输出应不应该直接提交到 Git？
05
只交一份实验报告
The learning process is the deliverable建议结构
- 本周目标：我想完成什么，以及最后做到哪一步
- 环境：操作系统、软件版本、安装方式与必要依赖
- 操作步骤：按真实执行顺序写出可复制的命令或代码
- 结果：关键输出、截图及我如何判断它是否正确
- 踩坑与克服：现象 → 可能原因 → 实际排查 → 解决办法
- 结论：本周学会了什么，仍有什么没有解决
- 诚实标注：哪些来自 AI 建议，哪些已由本人亲自验证
本周常见坑
- 只提交 .ipynb，不提交数据与依赖
- 单元格依赖环境中偶然存在的变量
- 绝对路径绑定自己的用户名
- marimo 单元形成循环依赖或重复定义变量
不另交 AI 使用记录
只需在实验报告中诚实标注：哪些步骤来自 AI 建议，哪些已经本人验证，哪些仍未验证。学习过程写好，报告就自然产生。
06
课堂时间全部用于验收
No new lecture · public verification两次考勤
上课提前 5 分钟点名，下课前 5 分钟再次点名。
自愿共享屏幕
用本人笔记本打开实验报告，展示真实操作、结果或卡点。
现场复现与双分
作者现场运行；同学也可仅凭该文档复现，作者与复现者都加分。
随机拷问与好问题
教师判断掌握程度；旁听同学可提出被采纳的好问题。
本周可能被问
- kernel 与 Notebook 文件有什么区别？
- 隐藏状态怎样产生？
- DAG 中为什么不能有环？
- 响应式执行的代价是什么？
- 参数与魔法数字有何区别？
07
本周课堂积分
Same rules every week考勤
上课提前 5 分钟点名，下课前 5 分钟再点名
出勤 +3迟到 +2早退 +2请假 +1旷课 +0
复现
使用 AI 自学，按照教学大纲完成了每周实验任务
成功复现 +1未能复现 +0
拓展
按照教学大纲完成一项或多项拓展任务
多拓展 +2有拓展 +1无拓展 +0
展示
主动共享屏幕展示复现过程，接受核验与拷问
课堂自愿共享屏幕展示 +3无课堂展示 +0
首讲
每节课堂最先自愿开讲的前 3 人
前 3 人 +1
提问
认真旁听并提出被采纳的好问题
被采纳 +0.5
拷问
面对面随机拷问 · 反空心化闸门
空心代工 −1一知半解 +1融会贯通 +2
双分
仅凭文档课堂现场复现
作者与复现者 都 +1
精选
本周最佳文档
知识库 + 席位 + 署名 + 积分 +3
做一点，也算一点
没有完成全部实验，也可以凭考勤、展示卡点、认真提问和真实回答获得积分；做得越扎实，展示、拓展、拷问、双分和精选带来的激励越多。飞书应用展示过去 30 天积分榜与总积分榜。
08
自由拓展与参考资源
拓展挑战
- 导出静态 HTML 结果并比较限制
- 为数据路径和窗口添加输入校验
- 比较 Jupyter、marimo 与普通 .py 脚本的适用场景