别再拿着大模型当“百科问答机”用了。“/teach 互动学习法”听起来像某个大招教程里的神秘命令但拆开看它本质是一套把普通 AI 对话变成“互动教练”的提示词工作流。核心逻辑很简单不直接让 AI 给答案而是让它提问、引导、出题、纠错、复盘逼着你把知识过一遍脑子。这个方法当前最值得关注的几个点不挑模型Chat 服务、本地大模型、API 接口都能用核心是一份可复用的指令模板。不需要额外装插件把/teach指令写进对话或系统提示词里就能切换学习模式。支持“分步教学 即时反馈 反复训练”比一次性给结论更适合学技能、啃文档、备考知识点。适合做知识问答、编程练习、产品学习、职场技能训练、语言学习、文档解读等场景。如果接上 API还能把“出题 → 答题 → 评分”做成自动化批量练习不依赖长时间人工干预。今天这篇文章我会先讲清楚/teach互动学习法的底层设计再给出一套可以直接复制粘贴的提示词模板最后演示如何接 API 做批量练习任务并整理一份常见问题排查清单。读完你就能把它落地到自己的学习或工作流程里。1. 核心能力速览能力项说明项目类型提示词工作流 / 互动学习指令模板不依赖特定平台主要功能把 AI 从“直接答答案”切换到“提问引导式教学”支持分步讲解、练习、纠错、复盘输入学习主题、目标、当前水平、练习数量、偏好风格等参数输出学习计划、互动问答、练习题、错误分析、复盘总结运行环境支持 Web 对话、API 调用、本地大模型部署是否支持 API支持可把教学流程封装成接口服务是否支持批量任务支持按主题列表批量生成练习或批量出题是否需要 GPU不需要。如果是纯提示词方案普通 CPU 环境也能跑本地大模型部署则按模型要求评估适合场景技术学习、备考训练、语言练习、新员工培训、知识体系梳理使用边界不替代真实实践输出内容需要人工校验涉及版权和隐私内容要获得授权从这张表可以看出来这套方法最大的价值不在技术复杂度而在于“交互设计”。它把 AI 的能力从一个被动的回答器变成了一条有节奏的学习链路。2. 适用场景与使用边界先说适合谁。如果你是开发者在学一门新语言把官网文档丢给 AI同时开启/teach模式它会从“这个语言解决了什么问题”开始提问再逐步带你看语法、跑代码、解决报错。这个过程比直接复制粘贴示例代码要扎实许多。如果你是团队里负责培训的人给新员工定制一套“产品知识互动问答”每人每次打开对话都能得到一组不同顺序、不同角度的题目能减少培训课的枯燥感。如果你是学生或备考者可以把教材章节拆成若干知识点用/teach模式让 AI 扮演考官从概念解释、举例、判断题、简答题到场景应用题逐层考你。答错之后它会先不给答案而是给提示再让你重答一次。不适合什么场景不适合需要绝对权威答案的场合。模型生成的知识点可能有偏差尤其是法律、医疗、财务等专业领域必须人工复核。不适合连基础概念都没人带的情况。/teach是辅助工具不能替代真实项目练习和老师反馈。不适合拿来做考试作弊。绕过考核、代写论文、伪造学习记录是违规行为这类用途别碰。另外凡是涉及个人隐私数据、公司内部文档、未公开的产品信息都要先确认有没有授权再决定是否交给外部 AI 服务处理。如果是把课程资料导入模型训练或构建知识库要确认版权范围。3. 原理拆解为什么“先提问”比“先给答案”更有效这套方法的核心不是某个神秘命令而是“引导式学习循环”。它把一次学习过程拆成五层。3.1 目标设定层AI 先不讲课而是问你三个问题你想学什么你现在的水平是什么你打算用多少时间希望达到什么程度这一步是为了校准后续内容的难度和节奏。没有目标设定AI 默认给出来的往往是平衡到“谁都看不懂”或者“谁都嫌啰嗦”的答案。明确目标后它会把内容压缩到适合当前阶段的颗粒度。3.2 知识探测层AI 先抛出 3 到 5 道探测题不直接告诉你“这是重点”而是通过题目把已有知识情况摸清楚。这很像调试程序时的“先定位再修复”。如果探测显示你完全知道某块概念后面的内容就会快速跳过如果探测发现某个概念混淆AI 会把解释落在这个概念上。3.3 交互讲解层讲新知识点时AI 会把一个大主题拆成“小节 问答 小练习”的结构每讲一段就停下来让你回答问题。回答正确才进入下一节回答错误就给出提示并让你重试。这个设计避免了一次性灌入太多内容。上下文窗口再大人的短期记忆也有限。3.4 应用实践层学完概念后AI 会给你场景题让你用刚学的知识解决问题。如果是编程题就要求你写出代码如果是业务场景就要求你输出方案。这一步的重点是把“听懂了”转换成“能用了”。模型在这里做的是“作业布置者”不是“答案提供者”。3.5 复盘总结层结束时AI 会根据整个对话生成一份学习报告内容包括答对的知识点。混淆的概念。容易忘记的边界条件。下阶段建议练习方向。这相当于给学习过程加了一个“错误日志”后面可以照着做第二轮强化。理解这五层之后你会发现/teach真正改变的不是模型能力而是人和模型之间的交互节奏。它用“问题”把学习过程切成了有反馈的任务片段而不是一次性的信息输出。4. 环境准备与接入方式因为/teach是一套提示词工作流不依赖固定运行环境所以准备工作非常轻。4.1 基础准备清单检查项建议模型服务可用的 Chat API、本地部署模型或普通 Web 对话工具联网环境使用 API 或 Web 服务时需要网络连接本地运行纯提示词方案不需要 GPU不需要特定操作系统数据准备准备学习主题、知识文档、练习范围清单调用记录建议保留对话日志便于分析学习效果如果只是想快速体验直接在任意 AI 对话窗口里输入下面的模板就能开始。4.2 一键进入/teach模式的提示词模板# 身份 你是一位耐心的互动学习教练擅长用提问引导帮助用户理解知识。 # 任务 请按照“目标设定 → 知识探测 → 交互讲解 → 应用实践 → 复盘总结”五个阶段 对用户进行互动式教学。 # 规则 1. 先提问不要直接给出完整答案。 2. 每讲一个知识点后出一道小题让用户回答。 3. 用户答错时不直接给答案而先给出提示并让用户再试一次。 4. 当用户要求“给答案”时先从提示开始最多提示 2 次。 5. 最后一次重试依然错误时再展示参考解答并给出错误原因分析。 6. 整体节奏要符合用户当前水平不要一次性讲太多。 # 当前学习主题 请询问用户具体想学什么、当前水平、可用时间。这套模板可以直接发给模型也可以放在系统提示词里固定生效。当你想退出互动模式、回到普通问答时发一句“退出 teach 模式”即可。5. 编写一份可复用的/teach学习计划如果只是临时对话上面模板够用。但如果要复用到多个知识点建议把参数结构化做成一份“学习计划模板”。这样既能保证每次输出的行为一致也方便后续批量自动化。5.1 结构化学习参数示例{ mode: /teach, subject: Python 异步编程, level: intermediate, objectives: [ 理解 async/await 的执行机制, 掌握 asyncio 常用 API, 能够解决简单的并发任务问题 ], session_length: 5, question_style: code_debugging, feedback_mode: hint_first, output_language: zh-CN }把这段 JSON 放在提示词的“当前学习参数”区域模型就会根据这些字段来组织互动过程。不同模型对 JSON 的解析能力有差异使用时如果发现它忽略某些字段可以把字段用自然语言再描述一遍。5.2 多知识点学习计划模板请为本轮学习生成一份互动计划知识点清单如下 - Python 装饰器 - with 上下文管理器 - 生成器与协程 要求 1. 每个知识点独立开启一轮 teach 互动。 2. 每个知识点结束后给出一道综合应用题。 3. 最后输出一张学习总结表标记掌握程度。这样/teach就从“单节对话”扩展成“多节课程编排”。对个人用户来说比较实用对团队培训来说也方便统一口径。5.3 写提示词时最容易踩的坑提示词只说“教我 Python”太模糊。模型不知道你要学语法还是数据结构后面容易走偏。没限制“每个知识点只问 1 题”如果模型判断你有基础可能连续追问 5 题导致节奏拖沓。没告诉模型“答错后先给提示”遇到难一点的问题它会直接给你完整代码互动感就消失了。没设置结束标志模型可能一直在“教学互动的空转”中循环。需要明确告诉它“用户说结束就进入复盘总结”。6. 功能测试与效果验证把模板接好之后不要直接拿正式内容学先用测试场景跑一遍验证行为是否符合预期。6.1 测试用例一目标设定是否生效测试输入我想学 Docker目前只用过基本镜像命令能用 30 分钟快速过一遍主要概念吗预期结果模型先询问你的目标细节接着用探测题确认你的 Docker 知识边界而不是直接甩一份“Docker 入门文档”。失败情况模型一上来就是一大段概念解释完全没有提问这说明模板中的“先提问”规则没有被严格遵循。此时可以补充一句“你只能一次问一个问题不能连续输出解释性长文。”6.2 测试用例二答错时是否先给提示测试输入我不确定 LXC 和 Docker 容器的区别你能考考我吗预期结果模型出一道对比题并等你回答。答错后它先给提示不会立刻把标准答案完整展示。判断标准消息中是否出现“再试一次”“提示一下”“你的答案里还缺了……”这样的反馈而不是“答案是 XXX”这种一句带过的结尾。6.3 测试用例三结束后的复盘总结测试输入结束本轮学习帮我输出复盘。预期结果模型按“掌握较好的知识点 / 容易混淆的概念 / 建议下一步练习”输出结构化总结。如果模型没有总结而是继续提问说明结束标志没有被识别。可以更明确地给出现在切换为复盘模式请忽略新的问题只总结本次对话中的学习结果。6.4 测试用例四连续多轮稳定性在一轮对话里完成“提问 → 回答 → 提示 → 再回答 → 新知识点”五次循环观察模型是否出现重复相同题目。忘记之前答错的内容。突然从“提问引导”切换成“长篇大论”。上下文太长后逻辑混乱。遇到这些问题最简单的方法是减少单轮知识量或者把多知识点拆成多次独立任务。7. 接入 API 与批量自动化练习/teach方法不只能用在聊天窗口也可以封装成自己的“互动学习服务”。常见做法是调用兼容接口给模型传一个带/teach模板的系统提示词然后传入不同主题循环得到练习内容。7.1 调用一个兼容接口的通用示例import requests API_URL http://127.0.0.1:8000/v1/chat/completions API_KEY your-api-key SYSTEM_PROMPT 你是一位互动学习教练。 规则 1. 不要直接给答案先提问。 2. 一次只问一个问题。 3. 用户答错时先提示最多提示两次。 4. 当用户说结束时输出复盘总结。 def teach_session(user_message: str, history: list): messages [{role: system, content: SYSTEM_PROMPT}] history messages.append({role: user, content: user_message}) payload { model: your-model-name, messages: messages, temperature: 0.4, stream: False } headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } response requests.post(API_URL, jsonpayload, headersheaders, timeout120) response.raise_for_status() return response.json()[choices][0][message][content]这里的API_URL、API_KEY、model都要按你实际使用的服务来替换。如果用的是本地模型取地址通常是http://127.0.0.1:8000/v1这类格式具体需要看启动参数。7.2 批量生成练习任务的示例topics [ Git 分支合并冲突处理, Python 列表推导式, SQL 索引失效场景 ] history [] for topic in topics: question f开始新知识点{topic}。请先问我一个关于该主题的探测问题。 reply teach_session(question, history) print(f主题{topic}\nAI{reply}\n) history.append({role: user, content: question}) history.append({role: assistant, content: reply})注意批量任务里如果继续把上一轮的history留下模型会记住前面所有内容上下文变长后会出现速度变慢、费用升高、回答偏差增大。更稳妥的做法是“一个主题一轮独立上下文”按主题隔离。7.3 批量任务目录设计典型目录结构teach-workflow/ ├── prompts/ │ ├── teach_system.md │ └── review_system.md ├── data/ │ ├── topics.xlsx │ └── syllabus.pdf ├── scripts/ │ ├── run_session.py │ └── generate_report.py ├── logs/ │ └── session_2025.log └── outputs/ ├── transcript/ └── reports/把提示词文件、输入主题、输出记录分目录管理方便后续复跑和排查问题。7.4 接口稳定性建议对每个请求设置超时时间建议 60 到 120 秒避免长时间等待。批量任务增加失败重试但最多重试 2 次防止死循环。调用频率过高时按服务端限制做退避等待。响应内容做一次简单校验例如是否为空、是否包含异常占位符。对话记录写日志方便定位是哪一轮会话导致输出异常。8. 资源占用与性能观察因为这不是传统意义的 GPU 推理项目性能观察的重心要从“显存占用”转移到“Token 消耗、响应时延、上下文长度”三个指标上。8.1 Token 消耗一次/teach互动会话会消耗大量 Token原因是模型不仅要输出内容还要生成题目、提示、反馈和总结。如果主题多、轮次长Token 消耗会明显增长。控制方式有几种限制每个主题的问答轮数比如“每个知识点最多 3 道题”。让模型输出精简格式比如“提示只写一句话不要展开背景”。关闭冗长的欢迎语直接进入提问环节。批量任务中每个主题使用独立上下文结束后及时释放。8.2 响应时延观察纯提示词方案下模型输出长度直接决定等待时间。需要观察探测问题大约输出多少字。交互讲解阶段输出是否过长。复盘总结是否一次性生成一大段内容。如果模型输出明显变慢优先检查上下文长度。长时间会话挂得越久历史消息越多单次请求等待就越长。此时可以定期压缩历史把早期对话改写为“已掌握xxx曾答错yyy最终结论zzz”。8.3 本地模型部署时的资源观察如果不在线调用而是把/teach模板用到本地模型上性能观察回到常规指标GPU 显存占用会随上下文长度和输入输出 Token 数增加。并发请求时显存占用会成倍上升。量化版模型通常占用更少显存但输出质量会有一定折损。如果只在 CPU 上运行小参数模型性能差距会很明显建议先测一轮对话的响应时间。具体显存数值要看模型版本和量化方式没有统一结论。最稳妥的方式是在部署后用nvidia-smi或任务管理器观察一次完整对话过程中的峰值占用。9. 常见问题与排查方法问题现象可能原因排查方式解决方案启动后第一轮就输出长篇介绍模板中的“先提问”规则没被模型严格遵循检查系统提示词是否被后续用户输入覆盖在提示词末尾加“你只允许提问禁止输出解释性长文”用户答错后直接给完整答案反馈模式描述不清晰回看提示词中的“feedback_mode”字段改为“答错后只输出提示语不展示参考答案”课程中途忘记用户答错背景上下文过长或模型遗忘查看历史消息是否包含早期对话定期压缩上下文或者提前生成“学习进度摘要”字段批量任务后输出重复题目每个主题没有充分隔离开检查是否所有主题共用同一段历史上下文每个主题使用独立上下文结束后清空API 请求超时输入过长或服务端负载高查看日志中的请求耗时缩短提示词模板增加超时时间降低并发服务返回内容为空模型端或请求格式问题检查响应状态与日志先测试简单请求确认接口能通再恢复复杂模板输出语言不统一模板未约定语言检查“output_language”参数在系统提示词中强制“所有输出使用中文”模型不进入复盘阶段结束标志不明确确认用户发的是“结束”还是“下一题”增加独立指令“结束并输出复盘总结”费用消耗明显偏高长历史记录和详细输出叠加查看单次请求的 Token 数精简提示词限制输出长度缩短对话轮次多人同时使用同一套 API 时互相干扰无独立会话隔离检查会话 ID 传递逻辑每个用户分配独立会话 ID或独立请求上下文排查问题时尽量“先复现最小场景”。把提示词简化到最短只测试一个主题确认输出正常后再逐步加参数。不要一上来就处理几十个主题的批量任务否则问题点会被很多变量掩盖。10. 最佳实践与使用建议把/teach落进日常流程后有几个工程化建议值得参考。10.1 第一次先小范围验证不要直接拿整本教材做互动学习。先选 2 到 3 个知识点跑完一轮完整流程确认模型提问质量、反馈节奏和复盘格式都能接受再扩展到更多内容。10.2 保留最小可运行模板把文章开头提供的基础模板单独存成teach_system.md并标注“稳定可用版本”。每次调整提示词前先复制一个副本不要直接覆盖稳定版。这样可以随时回滚到能用的配置。10.3 输出结果按目录管理建议把原始的问答记录、出错的题目、复盘总结分开存放。后续如果要整理成自己的知识库可以直接从这些记录中提取有价值的内容不用再翻聊天记录。10.4 批量任务要加日志和重试批量生成练习任务时每执行一个主题就写一条日志记录主题名、请求时间、返回状态、Token 数和失败原因。失败的任务单独隔离重试时不要污染成功的会话记录。10.5 接口服务要控制访问范围如果把/teach封装成内部接口建议限制访问 IP、加鉴权、设置单用户请求频率。特别是在公司内部使用时避免接口被外部未授权调用也避免某个用户占用过多资源。10.6 涉及人脸、声音、版权素材时注意合规如果/teach被用于教育培训内容生产且涉及他人肖像、声音、课程视频截帧等素材必须确认授权范围。AI 生成的学习资料也可能涉及版权问题商用前要人工核对来源与引用是否符合平台规范。不要在未授权的情况下用模型生成误导性内容或伪造学习记录。10.7 发布或商用前做效果复核AI 在互动教学中可能给出错误结论尤其是逻辑推理、技术方案和计算类内容。发布前建议由领域专家复核一轮确保问答内容没有事实性错误。对于初学者来说错误解释的杀伤力比“答案不完整”更大。11. 总结与下一步/teach互动学习法最值得尝试的一点是它把大模型从“一次性答案生成器”改成了“可循环的教练系统”。你不需要换工具不需要配显卡只需要按目标设定、知识探测、交互讲解、应用实践、复盘总结这条链路重写你的提问方式。最先应该验证的功能是“答错后是否先给提示”。这一条直接决定互动质量。如果你发现模型仍然直接甩答案说明规则不够强硬需要补充一句“未经用户回答禁止直接展示参考答案”。最容易踩的坑是“提示词写得太完整上下文太长”这会导致 Token 消耗高、响应变慢、输出偏离。建议第一版模板尽量精简只保留角色、任务、三条核心规则和结束标志。下一步可以试这几个方向把一段已有的技术文档拆成多节互动课程观察学习效率变化。用 API 批量生成一套领域练习题库然后人工筛选入库。将/teach模板接入自己的学习记录系统自动沉淀错误笔记。针对不同领域做定制化教学风格例如编程调试风格、面试问答风格、项目复盘风格。这套方法不需要大规模算力也不需要复杂的依赖安装上手成本比较低。建议先收藏本篇文章选一个自己最近想学但一直没动过的主题用模板跑一次完整互动再根据实际体验调整节奏。实际效果如何从你第一次“被问住”的时候就能感觉到了。 用/teach互动学习法把大模型变成专属AI教练的提示词工作流
别再拿着大模型当“百科问答机”用了。“/teach 互动学习法”听起来像某个大招教程里的神秘命令但拆开看它本质是一套把普通 AI 对话变成“互动教练”的提示词工作流。核心逻辑很简单不直接让 AI 给答案而是让它提问、引导、出题、纠错、复盘逼着你把知识过一遍脑子。这个方法当前最值得关注的几个点不挑模型Chat 服务、本地大模型、API 接口都能用核心是一份可复用的指令模板。不需要额外装插件把/teach指令写进对话或系统提示词里就能切换学习模式。支持“分步教学 即时反馈 反复训练”比一次性给结论更适合学技能、啃文档、备考知识点。适合做知识问答、编程练习、产品学习、职场技能训练、语言学习、文档解读等场景。如果接上 API还能把“出题 → 答题 → 评分”做成自动化批量练习不依赖长时间人工干预。今天这篇文章我会先讲清楚/teach互动学习法的底层设计再给出一套可以直接复制粘贴的提示词模板最后演示如何接 API 做批量练习任务并整理一份常见问题排查清单。读完你就能把它落地到自己的学习或工作流程里。1. 核心能力速览能力项说明项目类型提示词工作流 / 互动学习指令模板不依赖特定平台主要功能把 AI 从“直接答答案”切换到“提问引导式教学”支持分步讲解、练习、纠错、复盘输入学习主题、目标、当前水平、练习数量、偏好风格等参数输出学习计划、互动问答、练习题、错误分析、复盘总结运行环境支持 Web 对话、API 调用、本地大模型部署是否支持 API支持可把教学流程封装成接口服务是否支持批量任务支持按主题列表批量生成练习或批量出题是否需要 GPU不需要。如果是纯提示词方案普通 CPU 环境也能跑本地大模型部署则按模型要求评估适合场景技术学习、备考训练、语言练习、新员工培训、知识体系梳理使用边界不替代真实实践输出内容需要人工校验涉及版权和隐私内容要获得授权从这张表可以看出来这套方法最大的价值不在技术复杂度而在于“交互设计”。它把 AI 的能力从一个被动的回答器变成了一条有节奏的学习链路。2. 适用场景与使用边界先说适合谁。如果你是开发者在学一门新语言把官网文档丢给 AI同时开启/teach模式它会从“这个语言解决了什么问题”开始提问再逐步带你看语法、跑代码、解决报错。这个过程比直接复制粘贴示例代码要扎实许多。如果你是团队里负责培训的人给新员工定制一套“产品知识互动问答”每人每次打开对话都能得到一组不同顺序、不同角度的题目能减少培训课的枯燥感。如果你是学生或备考者可以把教材章节拆成若干知识点用/teach模式让 AI 扮演考官从概念解释、举例、判断题、简答题到场景应用题逐层考你。答错之后它会先不给答案而是给提示再让你重答一次。不适合什么场景不适合需要绝对权威答案的场合。模型生成的知识点可能有偏差尤其是法律、医疗、财务等专业领域必须人工复核。不适合连基础概念都没人带的情况。/teach是辅助工具不能替代真实项目练习和老师反馈。不适合拿来做考试作弊。绕过考核、代写论文、伪造学习记录是违规行为这类用途别碰。另外凡是涉及个人隐私数据、公司内部文档、未公开的产品信息都要先确认有没有授权再决定是否交给外部 AI 服务处理。如果是把课程资料导入模型训练或构建知识库要确认版权范围。3. 原理拆解为什么“先提问”比“先给答案”更有效这套方法的核心不是某个神秘命令而是“引导式学习循环”。它把一次学习过程拆成五层。3.1 目标设定层AI 先不讲课而是问你三个问题你想学什么你现在的水平是什么你打算用多少时间希望达到什么程度这一步是为了校准后续内容的难度和节奏。没有目标设定AI 默认给出来的往往是平衡到“谁都看不懂”或者“谁都嫌啰嗦”的答案。明确目标后它会把内容压缩到适合当前阶段的颗粒度。3.2 知识探测层AI 先抛出 3 到 5 道探测题不直接告诉你“这是重点”而是通过题目把已有知识情况摸清楚。这很像调试程序时的“先定位再修复”。如果探测显示你完全知道某块概念后面的内容就会快速跳过如果探测发现某个概念混淆AI 会把解释落在这个概念上。3.3 交互讲解层讲新知识点时AI 会把一个大主题拆成“小节 问答 小练习”的结构每讲一段就停下来让你回答问题。回答正确才进入下一节回答错误就给出提示并让你重试。这个设计避免了一次性灌入太多内容。上下文窗口再大人的短期记忆也有限。3.4 应用实践层学完概念后AI 会给你场景题让你用刚学的知识解决问题。如果是编程题就要求你写出代码如果是业务场景就要求你输出方案。这一步的重点是把“听懂了”转换成“能用了”。模型在这里做的是“作业布置者”不是“答案提供者”。3.5 复盘总结层结束时AI 会根据整个对话生成一份学习报告内容包括答对的知识点。混淆的概念。容易忘记的边界条件。下阶段建议练习方向。这相当于给学习过程加了一个“错误日志”后面可以照着做第二轮强化。理解这五层之后你会发现/teach真正改变的不是模型能力而是人和模型之间的交互节奏。它用“问题”把学习过程切成了有反馈的任务片段而不是一次性的信息输出。4. 环境准备与接入方式因为/teach是一套提示词工作流不依赖固定运行环境所以准备工作非常轻。4.1 基础准备清单检查项建议模型服务可用的 Chat API、本地部署模型或普通 Web 对话工具联网环境使用 API 或 Web 服务时需要网络连接本地运行纯提示词方案不需要 GPU不需要特定操作系统数据准备准备学习主题、知识文档、练习范围清单调用记录建议保留对话日志便于分析学习效果如果只是想快速体验直接在任意 AI 对话窗口里输入下面的模板就能开始。4.2 一键进入/teach模式的提示词模板# 身份 你是一位耐心的互动学习教练擅长用提问引导帮助用户理解知识。 # 任务 请按照“目标设定 → 知识探测 → 交互讲解 → 应用实践 → 复盘总结”五个阶段 对用户进行互动式教学。 # 规则 1. 先提问不要直接给出完整答案。 2. 每讲一个知识点后出一道小题让用户回答。 3. 用户答错时不直接给答案而先给出提示并让用户再试一次。 4. 当用户要求“给答案”时先从提示开始最多提示 2 次。 5. 最后一次重试依然错误时再展示参考解答并给出错误原因分析。 6. 整体节奏要符合用户当前水平不要一次性讲太多。 # 当前学习主题 请询问用户具体想学什么、当前水平、可用时间。这套模板可以直接发给模型也可以放在系统提示词里固定生效。当你想退出互动模式、回到普通问答时发一句“退出 teach 模式”即可。5. 编写一份可复用的/teach学习计划如果只是临时对话上面模板够用。但如果要复用到多个知识点建议把参数结构化做成一份“学习计划模板”。这样既能保证每次输出的行为一致也方便后续批量自动化。5.1 结构化学习参数示例{ mode: /teach, subject: Python 异步编程, level: intermediate, objectives: [ 理解 async/await 的执行机制, 掌握 asyncio 常用 API, 能够解决简单的并发任务问题 ], session_length: 5, question_style: code_debugging, feedback_mode: hint_first, output_language: zh-CN }把这段 JSON 放在提示词的“当前学习参数”区域模型就会根据这些字段来组织互动过程。不同模型对 JSON 的解析能力有差异使用时如果发现它忽略某些字段可以把字段用自然语言再描述一遍。5.2 多知识点学习计划模板请为本轮学习生成一份互动计划知识点清单如下 - Python 装饰器 - with 上下文管理器 - 生成器与协程 要求 1. 每个知识点独立开启一轮 teach 互动。 2. 每个知识点结束后给出一道综合应用题。 3. 最后输出一张学习总结表标记掌握程度。这样/teach就从“单节对话”扩展成“多节课程编排”。对个人用户来说比较实用对团队培训来说也方便统一口径。5.3 写提示词时最容易踩的坑提示词只说“教我 Python”太模糊。模型不知道你要学语法还是数据结构后面容易走偏。没限制“每个知识点只问 1 题”如果模型判断你有基础可能连续追问 5 题导致节奏拖沓。没告诉模型“答错后先给提示”遇到难一点的问题它会直接给你完整代码互动感就消失了。没设置结束标志模型可能一直在“教学互动的空转”中循环。需要明确告诉它“用户说结束就进入复盘总结”。6. 功能测试与效果验证把模板接好之后不要直接拿正式内容学先用测试场景跑一遍验证行为是否符合预期。6.1 测试用例一目标设定是否生效测试输入我想学 Docker目前只用过基本镜像命令能用 30 分钟快速过一遍主要概念吗预期结果模型先询问你的目标细节接着用探测题确认你的 Docker 知识边界而不是直接甩一份“Docker 入门文档”。失败情况模型一上来就是一大段概念解释完全没有提问这说明模板中的“先提问”规则没有被严格遵循。此时可以补充一句“你只能一次问一个问题不能连续输出解释性长文。”6.2 测试用例二答错时是否先给提示测试输入我不确定 LXC 和 Docker 容器的区别你能考考我吗预期结果模型出一道对比题并等你回答。答错后它先给提示不会立刻把标准答案完整展示。判断标准消息中是否出现“再试一次”“提示一下”“你的答案里还缺了……”这样的反馈而不是“答案是 XXX”这种一句带过的结尾。6.3 测试用例三结束后的复盘总结测试输入结束本轮学习帮我输出复盘。预期结果模型按“掌握较好的知识点 / 容易混淆的概念 / 建议下一步练习”输出结构化总结。如果模型没有总结而是继续提问说明结束标志没有被识别。可以更明确地给出现在切换为复盘模式请忽略新的问题只总结本次对话中的学习结果。6.4 测试用例四连续多轮稳定性在一轮对话里完成“提问 → 回答 → 提示 → 再回答 → 新知识点”五次循环观察模型是否出现重复相同题目。忘记之前答错的内容。突然从“提问引导”切换成“长篇大论”。上下文太长后逻辑混乱。遇到这些问题最简单的方法是减少单轮知识量或者把多知识点拆成多次独立任务。7. 接入 API 与批量自动化练习/teach方法不只能用在聊天窗口也可以封装成自己的“互动学习服务”。常见做法是调用兼容接口给模型传一个带/teach模板的系统提示词然后传入不同主题循环得到练习内容。7.1 调用一个兼容接口的通用示例import requests API_URL http://127.0.0.1:8000/v1/chat/completions API_KEY your-api-key SYSTEM_PROMPT 你是一位互动学习教练。 规则 1. 不要直接给答案先提问。 2. 一次只问一个问题。 3. 用户答错时先提示最多提示两次。 4. 当用户说结束时输出复盘总结。 def teach_session(user_message: str, history: list): messages [{role: system, content: SYSTEM_PROMPT}] history messages.append({role: user, content: user_message}) payload { model: your-model-name, messages: messages, temperature: 0.4, stream: False } headers { Authorization: fBearer {API_KEY}, Content-Type: application/json } response requests.post(API_URL, jsonpayload, headersheaders, timeout120) response.raise_for_status() return response.json()[choices][0][message][content]这里的API_URL、API_KEY、model都要按你实际使用的服务来替换。如果用的是本地模型取地址通常是http://127.0.0.1:8000/v1这类格式具体需要看启动参数。7.2 批量生成练习任务的示例topics [ Git 分支合并冲突处理, Python 列表推导式, SQL 索引失效场景 ] history [] for topic in topics: question f开始新知识点{topic}。请先问我一个关于该主题的探测问题。 reply teach_session(question, history) print(f主题{topic}\nAI{reply}\n) history.append({role: user, content: question}) history.append({role: assistant, content: reply})注意批量任务里如果继续把上一轮的history留下模型会记住前面所有内容上下文变长后会出现速度变慢、费用升高、回答偏差增大。更稳妥的做法是“一个主题一轮独立上下文”按主题隔离。7.3 批量任务目录设计典型目录结构teach-workflow/ ├── prompts/ │ ├── teach_system.md │ └── review_system.md ├── data/ │ ├── topics.xlsx │ └── syllabus.pdf ├── scripts/ │ ├── run_session.py │ └── generate_report.py ├── logs/ │ └── session_2025.log └── outputs/ ├── transcript/ └── reports/把提示词文件、输入主题、输出记录分目录管理方便后续复跑和排查问题。7.4 接口稳定性建议对每个请求设置超时时间建议 60 到 120 秒避免长时间等待。批量任务增加失败重试但最多重试 2 次防止死循环。调用频率过高时按服务端限制做退避等待。响应内容做一次简单校验例如是否为空、是否包含异常占位符。对话记录写日志方便定位是哪一轮会话导致输出异常。8. 资源占用与性能观察因为这不是传统意义的 GPU 推理项目性能观察的重心要从“显存占用”转移到“Token 消耗、响应时延、上下文长度”三个指标上。8.1 Token 消耗一次/teach互动会话会消耗大量 Token原因是模型不仅要输出内容还要生成题目、提示、反馈和总结。如果主题多、轮次长Token 消耗会明显增长。控制方式有几种限制每个主题的问答轮数比如“每个知识点最多 3 道题”。让模型输出精简格式比如“提示只写一句话不要展开背景”。关闭冗长的欢迎语直接进入提问环节。批量任务中每个主题使用独立上下文结束后及时释放。8.2 响应时延观察纯提示词方案下模型输出长度直接决定等待时间。需要观察探测问题大约输出多少字。交互讲解阶段输出是否过长。复盘总结是否一次性生成一大段内容。如果模型输出明显变慢优先检查上下文长度。长时间会话挂得越久历史消息越多单次请求等待就越长。此时可以定期压缩历史把早期对话改写为“已掌握xxx曾答错yyy最终结论zzz”。8.3 本地模型部署时的资源观察如果不在线调用而是把/teach模板用到本地模型上性能观察回到常规指标GPU 显存占用会随上下文长度和输入输出 Token 数增加。并发请求时显存占用会成倍上升。量化版模型通常占用更少显存但输出质量会有一定折损。如果只在 CPU 上运行小参数模型性能差距会很明显建议先测一轮对话的响应时间。具体显存数值要看模型版本和量化方式没有统一结论。最稳妥的方式是在部署后用nvidia-smi或任务管理器观察一次完整对话过程中的峰值占用。9. 常见问题与排查方法问题现象可能原因排查方式解决方案启动后第一轮就输出长篇介绍模板中的“先提问”规则没被模型严格遵循检查系统提示词是否被后续用户输入覆盖在提示词末尾加“你只允许提问禁止输出解释性长文”用户答错后直接给完整答案反馈模式描述不清晰回看提示词中的“feedback_mode”字段改为“答错后只输出提示语不展示参考答案”课程中途忘记用户答错背景上下文过长或模型遗忘查看历史消息是否包含早期对话定期压缩上下文或者提前生成“学习进度摘要”字段批量任务后输出重复题目每个主题没有充分隔离开检查是否所有主题共用同一段历史上下文每个主题使用独立上下文结束后清空API 请求超时输入过长或服务端负载高查看日志中的请求耗时缩短提示词模板增加超时时间降低并发服务返回内容为空模型端或请求格式问题检查响应状态与日志先测试简单请求确认接口能通再恢复复杂模板输出语言不统一模板未约定语言检查“output_language”参数在系统提示词中强制“所有输出使用中文”模型不进入复盘阶段结束标志不明确确认用户发的是“结束”还是“下一题”增加独立指令“结束并输出复盘总结”费用消耗明显偏高长历史记录和详细输出叠加查看单次请求的 Token 数精简提示词限制输出长度缩短对话轮次多人同时使用同一套 API 时互相干扰无独立会话隔离检查会话 ID 传递逻辑每个用户分配独立会话 ID或独立请求上下文排查问题时尽量“先复现最小场景”。把提示词简化到最短只测试一个主题确认输出正常后再逐步加参数。不要一上来就处理几十个主题的批量任务否则问题点会被很多变量掩盖。10. 最佳实践与使用建议把/teach落进日常流程后有几个工程化建议值得参考。10.1 第一次先小范围验证不要直接拿整本教材做互动学习。先选 2 到 3 个知识点跑完一轮完整流程确认模型提问质量、反馈节奏和复盘格式都能接受再扩展到更多内容。10.2 保留最小可运行模板把文章开头提供的基础模板单独存成teach_system.md并标注“稳定可用版本”。每次调整提示词前先复制一个副本不要直接覆盖稳定版。这样可以随时回滚到能用的配置。10.3 输出结果按目录管理建议把原始的问答记录、出错的题目、复盘总结分开存放。后续如果要整理成自己的知识库可以直接从这些记录中提取有价值的内容不用再翻聊天记录。10.4 批量任务要加日志和重试批量生成练习任务时每执行一个主题就写一条日志记录主题名、请求时间、返回状态、Token 数和失败原因。失败的任务单独隔离重试时不要污染成功的会话记录。10.5 接口服务要控制访问范围如果把/teach封装成内部接口建议限制访问 IP、加鉴权、设置单用户请求频率。特别是在公司内部使用时避免接口被外部未授权调用也避免某个用户占用过多资源。10.6 涉及人脸、声音、版权素材时注意合规如果/teach被用于教育培训内容生产且涉及他人肖像、声音、课程视频截帧等素材必须确认授权范围。AI 生成的学习资料也可能涉及版权问题商用前要人工核对来源与引用是否符合平台规范。不要在未授权的情况下用模型生成误导性内容或伪造学习记录。10.7 发布或商用前做效果复核AI 在互动教学中可能给出错误结论尤其是逻辑推理、技术方案和计算类内容。发布前建议由领域专家复核一轮确保问答内容没有事实性错误。对于初学者来说错误解释的杀伤力比“答案不完整”更大。11. 总结与下一步/teach互动学习法最值得尝试的一点是它把大模型从“一次性答案生成器”改成了“可循环的教练系统”。你不需要换工具不需要配显卡只需要按目标设定、知识探测、交互讲解、应用实践、复盘总结这条链路重写你的提问方式。最先应该验证的功能是“答错后是否先给提示”。这一条直接决定互动质量。如果你发现模型仍然直接甩答案说明规则不够强硬需要补充一句“未经用户回答禁止直接展示参考答案”。最容易踩的坑是“提示词写得太完整上下文太长”这会导致 Token 消耗高、响应变慢、输出偏离。建议第一版模板尽量精简只保留角色、任务、三条核心规则和结束标志。下一步可以试这几个方向把一段已有的技术文档拆成多节互动课程观察学习效率变化。用 API 批量生成一套领域练习题库然后人工筛选入库。将/teach模板接入自己的学习记录系统自动沉淀错误笔记。针对不同领域做定制化教学风格例如编程调试风格、面试问答风格、项目复盘风格。这套方法不需要大规模算力也不需要复杂的依赖安装上手成本比较低。建议先收藏本篇文章选一个自己最近想学但一直没动过的主题用模板跑一次完整互动再根据实际体验调整节奏。实际效果如何从你第一次“被问住”的时候就能感觉到了。