很多人看到/teach这个写法第一反应是某个 AI 平台是不是藏着一条官方指令。试过一次后有人发现AI 只是换了一种语气把原本十分钟的教程又讲了一遍于是很快放弃。其实真正的问题在于teach这个动作没有结构化。同样一次对话想让 AI 从“复读教程”变成“互动导师”关键不在于命令本身而在于你如何把教学流程拆成可执行的指令。我接下来要讲的/teach互动学习法会把学习过程重构成一条可复用的提示词模板再配合主动回忆和即时反馈解决“一看就会、一练就废”的普遍问题。文章会从机制讲起给出一套可以直接复制到主流 AI 对话窗口的模板再通过一个 Java 编程例子跑通完整闭环最后补充几个高频翻车场景和长期学习方案。这套方法既适合个人自学编程也可以在此基础上改造成团队培训或教育类应用的提示词体系。1. 先弄明白“教程枯燥”到底卡在哪一环1.1 教程不是没有信息量而是缺少学习者输出传统教程的信息结构是线性的作者按章节组织知识读者从头看到尾。问题在于阅读这个动作本身只完成了“接收”没有完成“提取”。大脑在被动接收文字时很少主动调用已有经验也很少让学习者把刚看懂的东西用自己的话表达一遍。于是常见的记忆曲线是刚合上教程时觉得自己懂了第二天遇到实际项目时连关键 API 的名字都想不起来。这种“教程看懂了代码写不出”的现象根源是认知心理学里的加工深度问题。学习者只是把文字扫了一遍并没有对信息做精细加工。精细加工要求你把新知识与旧知识连接要求你给例子、找反例、修改细节要求你用新的语言重新表达。教程如果只是单方面输出即使信息密度很高也很难制造这种加工机会。/teach互动学习法要解决的就是这个缺口。它假设学习者不是一条文件传输通道而是一个需要反复确认的处理器。教学过程中必须有“学习者输出”这一步回答问题、写代码、给反例、纠正自己的错误。只有当输出发生时学习才算真正开始。1.2 教程阅读与/teach互动的本质差异维度传统教程阅读/teach互动学习信息流动方向作者到读者单向模型和学习者双向交替主要学习动作阅读、观看、复制回忆、写码、解释、纠错反馈时间延迟通常要等到练习环节即时每次提交都有反馈难度控制固定顺序无法按个人水平调整可配置按当前水平缩减或扩充输出要求可选很多读者跳过强制不输出就不能进入下一轮失败成本看到错误样例少容易误判自己会了通过练习暴露错误成本更低从表格可以看出/teach并不是要取代教程而是把教程里的“讲解”变成“对话中的一小块”。每个知识点都按“提问-回答-讲解-再提问”的方式组织让学习者始终处于执行状态。1.3 使用这套方法需要的基础条件/teach互动学习法不是零基础的神奇按钮。如果学习者对目标领域完全没有概念连问题都提不出来那再好的引导也很难找到起点。比较稳妥的使用方式是先花少量时间看一遍大纲、术语表和最小示例建立初步上下文再用/teach进入练习环节。也就是说这套方法更擅长“学习和验证一个具体主题”而不是“从零扫盲一门语言”。学习 Java 时先了解变量、方法、类这几个词再开始数组遍历、String 处理这样的练习反馈效率会明显高于直接让 AI 从头讲 Java。2. “/teach”互动学习法的四段式运行机制2.1 四段式诊断、小步讲解、输出练习、即时纠错把一次/teach对话拆成四个环节是整套方法的核心。第一段是诊断。AI 先不急着讲课而是问清学习目标、现有水平、时间预算。编程类话题还要确认语言版本、编译环境、是否需要考虑边界情况。这一步的作用是确定下一段讲解的粒度。第二段是小步讲解。讲解内容被拆成一级概念不要一次铺开十个知识点。每个知识点只讲三到五句话配合一个最小可运行示例。讲解结束后AI 必须明确提示“你已理解哪一部分”避免学习者表面点头、实际没进入长期记忆。第三段是输出练习。AI 由讲师切换成命题人给出一个需要学习者亲自动手完成的题目。题目范围要窄最好只覆盖刚讲过的概念。编程场景下让学习者写函数、改现有代码、解释代码输出、构造测试用例非编程场景下让学习者用自己的话复述概念、给反例、回答判断类问题。第四段是即时纠错。AI 在收到学习者输出之后先指出对的部分再指出错的部分。纠错结果要具体到“第几行、哪个条件、哪个边界情况”并让学习者再改一版。通过“提交-纠错-再提交”循环把错误留在学习阶段而不是带到项目里。2.2 关键机制先让 AI 出题而不是先给答案很多人在用 AI 学习时失败问题出在一开始就把“答案”设置成了对话目标。比如直接说“给我讲讲线程池”AI 确实会讲得很好但学习者只是又读了一遍文章。互动学习法要求改变这个默认行为。在提示词里我们不是让 AI“讲”而是让 AI“出题后等答题”。它对学习者的唯一输出是先提出一个问题或一道编程题。学习者在没有看到标准答案的情况下必须先调动已有知识。即使答错这个“答错”也会比“只看答案”留下更深的记忆。后续讲解也更有针对性因为 AI 已经知道学习者卡在哪里。这就是为什么把指令命名为/teach有实际意义它像一条格式协议告诉 AI 不得进入“单方面输出”模式必须先走完“诊断-出题-等待”这个流程。2.3 为什么教别人会加深自己的理解/teach互动学习法和费曼技巧高度重合。费曼技巧的核心是一个概念只有能用简单语言向别人讲清楚才真正属于你。互动学习法虽然由 AI 出题但真正向“别人”解释的人仍然是学习者。当你被迫把变量作用域、线程安全、异常传播这些概念用一句话说清时你才会发现哪些地方其实只是似懂非懂。这个环节对应认知心理学中的“生成效应”自己生成的内容比被动接收的内容更容易被记住。/teach的每一次“输出练习”都在制造生成机会。它能加大训练量并提供即时纠错这正是它优于只看教程的地方。3. 用一份可复用的提示词模板搭建“/teach”命令3.1 通用教学模板适合所有需要理解概念的场景下面这段模板可以直接复制到主流 AI 对话窗口中。第一次使用时按情况修改方括号里的内容之后可以反复复用。核心是让 AI 进入“导师模式”而不是“讲解员模式”。/teach 角色你是一名很有耐心的私教。你的目标是让我真正掌握知识而不是把知识念给我听。 学习主题{{这里填写要学习的主题}} 我的当前水平{{零基础 / 了解概念 / 能写简单代码}} 学习目标{{掌握定义 / 能写示例 / 能解决实际问题}} 可用时间{{10分钟 / 30分钟 / 不限}} 规则 1. 开始之前先问我一个问题判断我已经知道什么。 2. 讲解时一次只讲一个概念不要连续输出超过6条内容。 3. 每条概念必须附一个最小可运行示例。 4. 讲完一个概念后出一个练习题让我先提交答案。 5. 在我提交答案之前不要直接公布标准答案。 6. 我答错后先指出错误位置再给提示不要立刻重讲全部内容。 7. 最后一次纠错结束后输出一张速查表包含概念、关键词、注意点。模板里的“先问我一个问题”是整段提示词的保险丝。它保证对话不会一路跑到“AI 长篇大论”的方向。如果你发现 AI 仍然在自问自答可以追加一句请等我回答后再继续否则停止讲课。3.2 编程练习专用模板增加工程约束编程学习比概念学习多两个挑战一是要同时训练语法和逻辑二是要考虑边界情况。下面的专用模板在通用模板之上增加了代码格式和测试要求。/teach 编程练习 目标{{用一句话描述要完成的函数或功能}} 语言{{Java / Python / Go / 其他}} 难度{{入门 / 进阶}} 关键点{{可选写你希望重点练习的知识点}} 规则 1. 先只输出题目描述和函数签名不要写实现。 2. 在我提交第一版代码前不要给出完整解法。 3. 收到代码后按顺序检查编译错误、逻辑错误、边界情况、代码风格。 4. 每次最多指出2个需要修改的点。 5. 当我连续两次提交正确后追加一个边界测试题。 6. 最后要求我手写一个测试用例表格测试用例要覆盖 null、空值、正常值、异常值。这段模板的运行效果是AI 每次反馈都很短聚焦在“接下来改哪里”不会一次性抛出十个问题把学习者压垮。每次只改 2 个点能让学习者保持进度感。3.3 参数含义和调整逻辑模板里的参数并不是死配置需要按实际场景调整。下面的表格解释了每个可调字段的含义。参数含义常见值调大或调小的效果我的当前水平告诉 AI 从哪个粒度开始零基础 / 了解概念 / 能写简单代码水平写得太高AI 会跳过关键解释写得过低内容又太啰嗦学习目标决定练习的深度掌握定义 / 能写示例 / 能解决实际问题目标越高需要越多轮练习和反馈可用时间控制讲解长度10分钟 / 30分钟 / 不限时间越短AI 越应该减少铺陈直接进入练习每次指出问题数量控制反馈压力2 到 3 个太多会让学习者失去方向太少又拖慢进度是否需要测试用例决定是否验证边界是 / 否需要时AI 会产出测试表格更适合长时间练习实际使用时同一个主题可以按不同参数跑多轮。第一轮用“了解概念”和“掌握定义”第二轮再升级到“能写示例”。这种渐进式配置比一次性让 AI 输出终极攻略更容易消化。3.4 为什么把指令写成“命令形式”而不是自然对话自然语言对话的问题是边界模糊。你说“帮我学 Java”AI 可能解释得很泛但不会记住“先问一个问题再讲”这个约定。写成/teach这样的命令相当于在对话开头声明了一套协议。命令形式还有二次复用价值。今天学会了明天复制下来改几个字段就能继续用。如果再把多个命令组合成一套体系比如/teach、/quiz、/debug就成了自己的微型教学框架。后续章节会继续扩展这个思路。4. 一个最小闭环让 AI 手把手带你写字符串工具4.1 场景设计写一个 Java 的首字母大写方法学习 Java 时字符串处理是最常见的入门练习。我们以“编写一个首字母大写的方法”为例子把/teach互动学习法完整走一遍。需求描述实现一个 Java 方法capitalize(String text)该方法接收一个字符串返回一个新字符串。新字符串的首字母如果是一个小写英文字母就转为大写其余字符保持原样。空字符串返回空字符串传null时返回null。这个题目覆盖面很合适它涉及空值判断、字符判断、字符串不可变特性、子串拼接还要求学习者思考“非字母开头”的情况是一个标准的入门练习题。4.2 第一轮让 AI 只出题不直接给答案把上一节编程专用模板复制到对话中填写目标后发送。AI 应该输出类似下面的内容而不是直接开始讲代码。题目 public String capitalize(String text) { // 在这里补全实现 } 要求 1. 返回结果的首字母大写。 2. 其余字符保持原样。 3. 空字符串返回空字符串。 4. null 返回 null。 先不着急写代码想一下 如果 texthello world你的方法和“把整个字符串转大写的 toUpperCase()”有什么区别注意第二段提示非常重要。它逼学习者思考“首字母大写”和“全字符串大写”的区别而不是直接抄一个toUpperCase()。这个区别是本题真正的考点。4.3 第二轮学习者提交代码AI 按顺序审查假设学习者提交了下面这版代码public String capitalize(String text) { return text.substring(0, 1).toUpperCase() text.substring(1); }AI 在按规则检查后应指出两个核心问题反馈 1. 当 text 为空字符串时text.substring(0, 1) 会抛出 StringIndexOutOfBoundsException。 2. 当 text 为 null 时调用 text.substring 会抛出 NullPointerException。 建议 先处理空前字符串和 null再处理首字母不是字母的情况。 改进后的代码可以先保留你的写法在开头加入条件判断。这一步没有直接给出完整答案只是让学习者去补充条件分支。学习者重新提交后AI 再继续检查逻辑是否正确。整个过程中代码是学习者自己敲出来的AI 只负责提示问题位置。4.4 如何验证练习是否真的完成不能因为 AI 说“正确”就结束。学习者还需要自己运行代码或者用测试用例验证。下面这张表可以作为验收标准测试输入期望输出关键检查点nullnull是否处理了空指针空字符串是否避免了索引越界helloHello首字母是否变成大写HelloHello原大写字母是否被错误改动1abc1abc非字母开头时是否保持原样hello worldHello world是否只改了首字母而不是全部转大写如果学习者在 AI 对话里“觉得会了”但到本地环境一运行就报错说明练习并没有完成。正确的方式是把代码复制到本地编辑器用javac编译配合main方法或 JUnit 测试运行。这一步的暴力验证比任何 AI 反馈都可靠。5. 五个高频翻车场景与排查路径5.1 现象、原因和调整方法速查表问题现象常见原因检查方式调整方法AI 一直长篇大论不听提问提示词里没有限制输出长度看 AI 是否一次性输出超过 10 段在规则中追加“一次只讲一个概念不超过 6 条内容”AI 直接给出答案没有等待学习者的输出提示词允许 AI 在练习前总结完整解法看输出里是否出现完整代码或完整定义增加一句在我提交答案前不要给出标准答案题目难度跳跃太大没有告诉 AI 当前水平追问“这个知识点是否在题目前出现过”把“我的当前水平”改低一档并在规则中要求先问基础问题AI 对代码的错误判断不准确模型没有上下文缺少编译运行信息复制代码到本地运行看是否报错把报错日志粘贴回对话让 AI 基于日志重新分析多轮之后偏离主题没有重新声明学习目标看最后几轮是否还在讨论最初主题在每轮开始时补一句继续按/teach规则执行不要更换目标5.2 如何识别“伪互动”伪互动的典型表现是 AI 虽然在提问但问题之后立刻自己回答学习者在整个过程里没有一次完整输出。这种对话即便开场白是“我们来互动吧”本质仍是一篇结构化的教程。识别方法很简单看最近 10 条消息里自己输出了多少条。如果 AI 的 8 条消息里夹着你的 1 个“嗯”字这就不算互动。真正的/teach对话应该是学习者在积极写代码、写解释、写测试用例AI 负责判断和追问。如果发现自己在被动阅读就回到第 3 节的模板把规则 5 加粗处理。5.3 AI 给的“标准答案”要如何核验即使提示词写得再规范AI 仍可能在某些边界条件下给出错误代码。尤其当主题是某个语言的较新版本 API 或框架内部机制时模型输出可能“看起来正确编译不过运行更不对”。推荐的核验顺序是先本地编译。把 AI 给的代码放进真实项目运行javac或对应语言的编译命令。再跑测试用例。不要只验证一个正常输入至少要跑正常值、边界值、异常值三组。最后查官方文档。确认方法名、返回类型、异常说明与目标版本匹配。如果依然有疑问把报错信息原样复制回对话问 AI“这段日志对应的原因是什么”而不是直接让它重写完整代码。核验不是说 AI 不可信而是说学习过程的最终裁判应该是可运行的结果和官方文档不是对话里的文字。把 AI 当教练可以把它当编译器就有风险。5.4 记忆支撑完不成练习就回到更小单元如果学习者在某一轮练习中完全写不出来常见原因是上一轮讲解中的某个“默认会了”的知识点其实没掌握。比如上面字符串练习里如果学习者不会判断null问题可能出在“引用类型与空值”这个概念上。此时不要硬撑直接把/teach主题改成更小的单元比如“Java 中 null 的判断”跑一轮三四分钟的快速练习。把大目标拆成小单元可以让难度回到当前水平再由 AI 继续推进。这也是为什么模板中强调“一次只讲一个概念”。6. 从单次对话走向长期学习体系6.1 把学习日志沉淀成自己的错题集/teach会话里包含大量有价值的信息你答错的题、AI 指出的错误、修正后的代码。这些内容不保存下来过一周就会丢失。推荐的做法是每次练习后把关键对话复制到一个 Markdown 文件中按日期和主题整理。该文件可以包含以下字段字段内容示例日期2025-03-10主题Java String 首字母大写我写的错误代码text.substring(0,1).toUpperCase()错误原因未处理 null 和 empty改正后的代码加了 if (text null待复习概念String 索引、空值判断、不可变对象记录的目的不只是存档。复习时重新看“我的错误代码”一栏可以在不打开 AI 的情况下先尝试心算正确答案。这和错题本的原理一致花费最小时间保持较深记忆。6.2 结合间隔重复把交互练习改成三天后的自测/teach的反馈虽好但反馈发生在当天遗忘曲线并不会因此消失。更有效的方式是把它与间隔重复结合学习完成后的第 1 天、第 3 天、第 7 天重新打开错题记录先不看答案用临时项目或白纸重新实现一次。如果三天后还能写出正确代码说明知识已经进入长期记忆。如果写不出来再打开 AI用/teach的小单元模式重新跑一轮。这个过程把“即时练习”变成“定期复习”避免了“当天会隔周忘”的问题。6.3 个人学习环境与团队生产环境的差异如果是个人自学直接在 AI 对话窗口中维护一套提示词模板就够了。如果要把/teach方法落地成团队培训系统或教育应用就需要额外考虑配置管理、日志、权限和回滚。场景个人学习环境团队培训生产环境提示词存放位置本地笔记代码库或配置中心版本管理不做要求需要有变更记录和回滚方案模型不稳定的处理换一个对话重试设置降级策略或固定模型版本学习者错误数据自己可见需要考虑隐私和权限输出校验人工核对尽量自动化测试避免把错误代码发给学员成本控制单次会话量小需要限制请求频率和输出长度从个人版升级到团队版时最关键的一步不是买更多 API 额度而是把/teach提示词从“一条消息”变成“一份可维护的配置”。这样后续修改反馈风格、调整问题数量都不需要改动业务代码。6.4 最终验收把练习放到真实项目里无论/teach互动学习法用得多顺最终都必须经过真实项目检验。真实项目的压力和复杂度和对话练习不同代码要和已有模块集成要面对别人的代码要处理历史遗留逻辑。/teach适合帮你在受控环境里建立正确模型但无法替代真实业务中的问题定位、代码阅读和调试。建议在完成一个主题的练习后立刻到开源项目或自己的小项目里找一个实际问题来解决。比如学会了String处理就找一段需要解析文本的代码尝试用新方法重构。真实项目跑通的那一刻才算把capitalize这类练习转化为工程能力。/teach互动学习法的本质不是寻找一个神奇命令而是让每一次学习都包含“诊断-小步讲解-输出练习-即时纠错”这个循环。这个循环对看教程的人、写代码的人、带新人的人都有效。真正值得长期坚持的不是某一条斜杠指令而是“不输出不学习”的习惯无论面对什么主题先让学习者写一点、说一点、做一点再进入下一个知识点。把这种方法保存下来从今天的学习主题开始试一轮很快就能用上。