/teach互动学习法：用提示词工程让AI成为苏格拉底式导师

这次我们来看一个不需要装显卡驱动、不需要下载模型却能明显提升学习效率的方法/teach 互动学习法。准确说/teach 不是一个开源项目也不是某个特定框架而是一套可以放进主流 AI 对话工具的提示词交互协议。你在对话框里输入 /teachAI 就进入苏格拉底式导师模式不再直接给答案而是通过提问、拆解、反馈和难度调节逼着你自己把知识点推出来。这个方法特别适合两类人。一类是学编程、读论文、啃框架时经常“看得懂但记不住”的开发者另一类是想用 AI 做系统化学习但不知道提示词该怎么设计的用户。它的核心价值不是让 AI 当百科而是让 AI 当教练。教练不替你跑步但会告诉你哪里发力不对。下面我会把这套方法完整拆开prompt 模板、交互流程、验证标准、批量学习任务和 API 接入思路。无论你用云端助手还是本地部署模型都能照着搭一套。先看它到底解决什么问题。1. /teach 互动学习法是什么传统教程的典型节奏是“概念 - 示例 - 练习”信息单向输出。读者真正开始思考往往要等到练习环节。问题在于很多人卡在概念阶段就放弃了因为概念是抽象的没有上下文、没有反馈、不知道哪里不懂。/teach 互动学习法把顺序颠倒过来。它先让你暴露问题再通过连环提问定位知识缺口最后只补你缺的那一块。整个学习过程是对话式的AI 每次只做三件事提问、等待、反馈。提问用来测试你是否理解等待留给你思考反馈则判断你的回答是否准确并据此调整下一题的难度。这种设计参考了主动回忆和间隔重复的原理。主动回忆强调“提取记忆”比“重复阅读”更有效间隔重复则要求在不同时间点反复测试。/teach 把这两件事变成了默认交互规则不需要你额外学习任何复习软件。所以/teach 的本质是一段结构化的系统提示词外加一套交互约定。它不绑定任何厂商也没有固定格式。只要你的 AI 工具支持较长上下文就可以使用。2. 核心能力速览下表是一份通用能力清单具体表现取决于你使用的 AI 平台和模型版本。能力项说明项目类型提示词交互协议非独立软件输入方式对话框中输入 /teach或粘贴完整提示词核心功能苏格拉底式提问、逐级反馈、自适应难度、学习总结适用平台云端 AI 助手、本地大模型、支持 Chat Completions 的 API 服务硬件门槛使用云端服务时无需独立显卡本地部署时按模型要求配置显存占用不确定需按本地模型版本和量化方式测试是否支持 API取决于所选平台是否开放接口是否支持批量任务可以把模板参数化成脚本后批量执行输出形式对话流、章节总结、测试题、错题回顾适合场景学编程语言、读论文、准备面试、学习新框架需要强调的是/teach 本身并不神秘。它之所以有效是因为它把有效的教学原则写进了提示词。离开这些原则单纯输入 /teach 三个字母并不会产生魔法效果。这也是后面章节要给出完整模板的原因。3. 适用场景与使用边界先说适合的场景。第一个场景是学习编程语言。比如你刚接触 Python不想从头看一遍教程可以输入 /teach让 AI 从你的目标反推需要掌握的知识点。你答错一道题它就把相关概念拆开讲。第二个场景是读论文。你把自己对某个方法三句话的理解发过去AI 会指出哪里不严谨再追问你“这个公式的假设条件是什么”“为什么用负对数似然而不是交叉熵”。这类问题能逼你真正读懂论文。第三个场景是模拟面试。输入 /teach 后要求 AI 按“系统设计 - 深挖细节 - 连环追问”的节奏出题效果接近一次高强度技术面试。面试前用这种方式练习比只看面经要扎实得多。再说不适合的场景。第一需要权威溯源时不适合。AI 仍然可能产生幻觉尤其涉及具体论文、数据、法规和版本号时它给出的结论必须用原始资料核实。第二它不能替代动手实验。你会用 AI 解释概念但部署、调试、故障排查还是要自己上手。第三如果是为了交作业或应付考试而让 AI 提供标准答案这种做法既不合规也达不到学习目的。使用边界方面需要注意隐私和版权。不要在企业内网数据上随意使用外部 AI 服务不要把涉及用户隐私的对话内容直接上传到未经授权的平台。生成内容若涉及第三方版权资料只建议用于个人学习不得随意商用或二次传播。4. 环境准备与前置条件/teach 的环境准备非常简单重点是选一个可靠的对话平台。如果你偏向云端工具常见的选择有 ChatGPT、Claude、Kimi、豆包等。使用前先确认两点第一是否支持斜杠命令第二上下文长度是否足够因为 /teach 模板本身会占用一定 token加上交互过程建议选择至少支持数千 token 上下文的服务。如果你偏向编程场景可以使用支持 Agent 能力的编程工具例如 Cursor、Codex CLI 等。这类工具的好处是 AI 不仅可以对话还能读取你本地的代码仓库直接针对代码提问。比如让 AI 扮演导师对着你刚写的模块连续追问设计理由这种反馈比空泛的代码审查更深入。如果你偏向本地部署可以用 Ollama 或 vLLM 运行开源模型。硬件要求完全取决于模型版本。以 7B 级别量化模型为例一张 6G 显存的显卡通常可以运行但推理速度和中长文本质量要实测。如果显存不足可以改用 CPU 推理但速度会明显变慢。通用检查清单如下一个可用的 AI 对话客户端或一个可访问的模型 API足够的上下文长度建议支持 4K 以上 token支持多轮对话避免每轮都丢失上下文本地部署时确认模型支持指令跟随不建议使用过于古老的基座模型网络或代理策略符合你所在企业和地区的合规要求检查完列表就可以开始设计提示词模板了。5. /teach 核心提示词模板设计/teach 的核心是提示词模板。下面给出一套可以在多数 AI 对话工具中使用的通用模板。它不是某个平台专属的配置文件而是可以直接复制到对话框中的文本。/teach 你现在是一位苏格拉底式互动导师目标不是直接告诉我答案而是通过提问和反馈让我自己推导出结论。 学习规则 1. 每次只问一个问题不要一次性抛出多个问题。 2. 当我回答正确时先确认正确再进入下一步。 3. 当我回答错误时不要立刻给答案先指出矛盾点给出提示让我再试一次。 4. 根据我的回答动态调整难度。如果连续答对 3 次提高难度如果连续答错 2 次降低难度。 5. 每完成一个知识点用不超过 5 句话做一次小结。 6. 当我输入 /done 时输出本次学习总结掌握的知识点、薄弱点、下一步建议。 当前学习主题{在这里填写主题} 我的当前水平{初级 / 中级 / 高级} 学习目标{在这里填写目标例如能独立完成一个 Python 爬虫}这个模板里有几个字段需要替换学习主题、当前水平、学习目标。替换完成后直接把全文发给 AI。如果你使用的平台不支持斜杠命令也没有关系。你不需要让 AI 真正识别一个“命令”只需要把 /teach 当作文本提示词的起始标记。AI 会根据后面的角色设定自动进入导师模式。换句话说斜杠只是标记真正起作用的是角色约束和交互规则。有些平台支持自定义系统提示词可以把上面的规则放到系统提示词中再把 /teach 作为用户消息的触发词。这样可以在不污染对话历史的前提下保持稳定的角色。如果你想在不同场景下复用可以把模板参数化。比如用 JSON 定义学习任务{ teach_session: { topic: Python 异步编程, level: 中级, goal: 理解 asyncio 的事件循环机制, rules: [ 每次只问一个问题, 答错后先给提示再解释, 连续答对 3 次提高难度 ] } }把这段 JSON 发到模型里再追加一句“请按 JSON 配置开始教学”效果和直接输入 /teach 一致但更方便批量生成和管理。6. /teach 功能测试与效果验证模板设计完成后不要直接开始大规模学习。先跑几组测试确认 AI 真的进入了导师模式而不是变成普通的问答机器人。6.1 测试一启动后是否先提问把模板发出后等待 AI 的首次响应。判断标准AI 不应该给出大段教程而应该先确认学习主题然后抛出第一个问题。如果 AI 一上来就把整体框架全讲一遍说明角色约束没有生效需要检查平台是否削弱了用户消息或系统提示词中的指令。6.2 测试二答错后是否反馈故意答错一个概念性问题。比如主题是 Python 装饰器AI 问“装饰器执行的时机是什么”你回答“在函数定义之后调用函数时执行”。这是部分正确但不严谨的回答。判断标准AI 应该指出不完整之处并给出一条提示让你重新思考。如果 AI 直接给出完整解释说明它没有遵守“先提示再解释”的规则。6.3 测试三连续答错后是否降难度连续答错两次同一个难度的题目观察 AI 是否主动降低难度换一个更基础的切入点。自适应难度是 /teach 区别于普通问答的关键特征。如果 AI 始终保持同一难度可以在对话中补充一句“请降低难度”然后继续测试。6.4 测试四输出学习总结学习几个知识点后输入 /done。判断标准AI 应该输出结构化总结包括掌握的知识点、薄弱点和下一步建议。如果只输出一句话“好的再见”说明模板结尾部分没有被完整执行。6.5 测试五跨会话保存如果你想把学习进度保留到下次对话需要借助平台的会话历史和记忆功能。有些平台支持 Project、自定义指令或记忆功能。你可以在 /done 总结中复制一份知识点清单存成本地 Markdown 文件下次启动新会话时粘贴给 AI。这样即使平台不支持长期记忆也能自己维护进度。把上面五组测试的结果记下来。如果至少三项通过说明这套模板在你的平台上可用。如果大部分失败优先检查模型版本和系统提示词权限。7. 接口 API 与批量学习任务/teach 除了手动输入还可以通过 API 批量执行。比如你有一批知识点要整理成问答题或者要为一个学习小组生成模拟面试题目手动一轮轮提问太慢了。这时候可以把提示词模板写进脚本循环调用模型接口。下面是一个通用的 Python 调用示例。它假设你访问的是一个兼容 Chat Completions 格式的接口例如 OpenAI、DeepSeek、本地 vLLM 服务等。实际使用时需要替换接口地址、Key 和模型名。import requests API_URL https://api.example.com/v1/chat/completions API_KEY your_api_key_here MODEL_NAME your-model-name system_prompt 你是一位苏格拉底式互动导师。每次只问一个问题根据回答动态调整难度。 当用户答对时确认正确答错时先给提示而不是直接给答案。 当用户输入 /done 时输出结构化学习总结。 def teach(topic, level, goal, user_input): user_prompt f/teach\n学习主题{topic}\n当前水平{level}\n学习目标{goal}\n\n本次输入{user_input} payload { model: MODEL_NAME, messages: [ {role: system, content: system_prompt}, {role: user, content: user_prompt} ], temperature: 0.4 } 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] # 调用示例 print(teach(Python 装饰器, 初级, 能独立给函数写一个装饰器, 我先学第一个概念))注意这个示例只适合模型支持单轮长上下文的场景。如果要多轮交互你需要自己维护 messages 列表把每轮的历史都传回去。批量任务的设计思路是把“学习主题清单”变成配置文件逐条生成测试题。topics [ {topic: Python 装饰器, level: 初级, goal: 理解装饰器语法}, {topic: asyncio, level: 中级, goal: 理解事件循环}, {topic: FastAPI 依赖注入, level: 中级, goal: 写出可测试的接口} ] for item in topics: result teach(item[topic], item[level], item[goal], 请开始) save_to_markdown(item[topic], result)批量执行时要加日志和失败重试。接口可能因为限流、超时、网络波动而失败不能假设一次请求一定成功。建议对每个任务记录开始时间、结束时间、返回码和耗时失败任务单独重试。需要提醒的是不同平台的 API 路径、鉴权方式、计费规则差异很大。上面的代码是模板不是某个平台的官方示例。一定要拿到对应服务的接口文档后再改。8. 资源占用与性能观察使用云端 API 时主要观察三个指标token 消耗、响应延迟和单次请求费用。token 消耗取决于上下文长度和输出长度。/teach 模板本身约 300 到 500 token加上多轮历史长会话很容易超过 5000 token。如果你用的模型按 token 计费建议定期清理历史只保留最近几轮加上模型生成的阶段性小结。如果你本地部署模型重点观察显存占用、内存占用和生成速度。显存占用可以用 nvidia-smi 观察nvidia-smi查看“Memory-Usage”一栏即可。在 Linux 服务器上如果模型已经加载但显存占用异常先检查是否有多个进程同时加载了模型nvidia-smi --query-compute-appspid,used_memory --formatcsvCPU 推理时模型加载到内存主要由 CPU 执行计算。速度会比 GPU 慢很多但好处是部署门槛低。如果你只是偶尔用 /teach 学点东西CPU 推理完全可以接受只要你对延迟有耐心。影响性能的主要因素包括上下文长度、输出长度、并发请求数、量化等级。上下文越长显存和延迟越高输出越长单次请求耗时越大。想要降低压力可以限制 AI 每次回答不超过 200 字或者只保留最近四轮对话历史。9. 常见问题与排查方法下表整理了使用 /teach 时最容易碰到的问题和排查思路。问题现象可能原因排查方式解决方案输入 /teach 后没有变化平台未识别斜杠命令看平台是否把 /teach 当普通文本直接粘贴完整提示词不依赖命令识别AI 仍然直接给答案模型版本较弱或提示词被截断检查完整模板是否发送换成指令跟随更强的模型或把规则重复一遍一句话回答太短temperature 太低或模型保守调整 temperature 到 0.4-0.7增加“每次回答至少 3 句话”的规则答错后 AI 过度解释规则配置不严格检查规则中“先给提示再解释”是否被忽略在用户消息中重申“请不要直接给答案”token 消耗过快上下文历史过长查看每次请求的 usage 字段定期清理历史只保留最近几轮本地部署显存不足模型大于显存容量运行 nvidia-smi 查看占用换量化模型或降低上下文长度API 调用超时网络或服务端负载高查看日志和返回码增加超时时间重试失败请求批量任务卡住单条请求异常打印每条任务的耗时加异常捕获和失败重试机制学习总结不完整/done 未被模型理解检查输入是否拼写正确在规则中明确写出 /done 的触发条件如果一个平台反复出现规则失效问题不要硬抗。换一个模型或者换一个前端工具可能直接解决。同样的模板在指令跟随能力强的模型上表现会好很多。10. 最佳实践与使用建议第一第一次使用不要设定太宏大的目标。挑一个小知识点比如“Python 列表推导式”完整跑一轮 /teach。先验证模板在你的工具里能不能工作再扩大学习范围。直接拿它啃整本技术书容易因为频繁失败而放弃。第二建立自己的提示词模板库。不同场景对导师风格要求不一样。学编程时希望你严格追问读论文时希望它更多解释公式背景准备面试时希望它模拟高压追问。把每个场景的模板单独存成文件定期优化比每次现场编写要高效得多。第三把学习结论沉淀成文件。每次 /teach 结束时要求 AI 输出小结然后你复制到本地 Markdown 文件。这个文件不只是笔记更是跨会话的上下文。下次开启新会话时直接把这个文件发给 AI它就可以接着上次的进度继续教学。第四涉及版权和敏感数据时要谨慎。不要把公司内部代码、客户数据或个人隐私直接粘贴到外部 AI 服务。如果必须使用请选择企业内网部署的模型并遵守公司的数据安全规定。生成内容若包含第三方代码或教材片段只用于个人学习不要随意商用。第五不要把 AI 当唯一答案源。它可能在某些知识点上给出错误解释。涉及命令参数、版本号、框架 API 时一定要用官方文档核对。把 AI 的输出当成“可用线索”而不是最终结论。11. 总结与下一步这套 /teach 互动学习法最值得尝试的点是把 AI 从“答案提供者”变成了“提问引导者”。它不需要额外购买硬件也不需要复杂的部署流程只要有一段结构清晰的提示词和一套交互原则就能在很多 AI 工具上跑起来。最先应该验证的功能是答错后的反馈机制。如果 AI 能忍住不直接给答案而是通过提示让你自己修正说明这套方法真正生效了。最容易踩的坑是平台不支持斜杠命令导致 /teach 只是普通文本。解决办法很简单不依赖命令识别把完整提示词粘贴过去。后续可以从三个方向扩展一是把这套模板接入 API做批量知识点生成二是结合本地代码仓库让 AI 针对你的真实项目提问三是把每次学习产生的总结文件做成个人知识库配合向量检索实现长期记忆。建议把上面第 5 节的模板复制一份修改成自己的学习主题今天就跑一轮。跑通之后再考虑批量化和接口化不必一上来就搞复杂系统。