去年有个朋友跟我抱怨说看了一下午的 Python 教程照着敲完了所有示例代码合上电脑脑子里只剩下一个念头我到底学了什么第二天上班遇到一个类似的小任务他第一反应是打开浏览器搜索“Python 读取 Excel 的代码”而不是翻自己昨天写过的笔记。这个场景太典型了。教程不是没讲清楚而是它从头到尾只做了一件事单向输出。它替你安排好了路径替你选了例子替你做了总结但唯独没有做一件事——停下来问你你真的懂了吗后来我开始尝试一种互动学习法触发词就是/teach。它不是某个平台默认自带的神秘功能而是社区里逐步流行起来的一套提示词策略让 AI 从“你问我答的信息工具”切换成“按教学流程推进的私人教师”。连续用了两三个月之后我有一种非常强烈的体感真正拉开学习效果的往往不是教程内容的质量而是你有没有一条“讲—问—做—评”的反馈回路。所谓大神“私藏”的方法拆开看其实并不复杂他们只是把学习流程设计得比普通人更完整。/teach的价值不在“让 AI 多讲几句话”而在于它把单向接收重新改造成了一个教学闭环。1. 先把问题说清楚为什么教程看完了还是不会1.1 教程的本质是单向输出它天然缺少反馈环节看文字教程、看视频课程本质上是一个信息流讲解 → 示例 → 总结这个链路里只有“作者讲”这一个环节是动态的学习者全程处于接收状态。你在阅读时产生的疑问、卡点、错误的联想作者完全感知不到。更麻烦的是很多教程为了读起来顺畅会把真实学习过程中的“试错”剪掉只保留“正确路径”。这给读者造成一种错觉只要按这条路走就能到达终点。可一旦你的前置知识缺了一块走到第三步就会断掉而教程是不会知道你断在哪一步的。这就是为什么“看完”不等于“学会”。1.2 每个人缺的东西不一样教程只能按“平均水平”组织同一篇教程对一个已经熟悉 SQL 的人来说前十行讲表连接的段落可以跳过但对一个连字段、主键都没有概念的人来说后面所有内容都会变成空中楼阁。教程作者只能假定读者具备某种平均水平的前置知识这个假设对一部分人成立对另一部分人必然失效。而 AI 的优势恰恰在这里它可以在对话开始前先把你的知识边界摸出来再决定从哪里开始讲。这不是什么高深的“个性化”而是教学中最基本的起点确认。判断一个学习方案是否有效不是看它讲得有多清楚而是看它有没有办法在第一时间发现“你其实没懂”。1.3 关键概念反馈回路真正把“学习”和“看材料”区分开来的是反馈回路。反馈回路的意思是你的理解会产生一个输出这个输出会被检查检查结果会决定下一步学什么。考试、练习、给别人讲、做项目本质上都是在制造反馈回路。/teach做的事情就是把这条回路搬进了对话里。2. /teach 到底在做什么把 AI 从“答题器”变成“教学流程执行者”2.1 它是一份触发协议不是魔法指令先澄清一个容易误解的点/teach并不是某个 AI 产品官方硬编码的指令。它更像是一段被压缩了的提示词协议。你发出/teach相当于告诉模型请切换到教学模式不要直接给我长篇答案按一套流程走。在常见实践里一套完整的/teach教学协议通常包含这几个环节环节作用没有它的后果起点诊断通过提问摸清你的知识背景讲课内容可能过浅或过深目标对齐明确你要学到的程度讲的内容容易跑偏小步讲解一次只讲一个概念信息量过大无法消化主动检查讲完立刻出题确认理解你以为懂其实没懂反馈调整根据你的回答决定前进还是回退流程僵化学得痛苦这五个环节不是随意拼凑的。它基本对应了教学论里的“最近发展区”思想在你现有水平和目标水平之间找到一小步每步都先确认你站稳了再迈下一步。2.2 为什么过去用 AI 学习的方式不够用很多人让 AI 教东西典型问法是这样的请用通俗的语言解释一下什么是 Redis 缓存。这样问不是不行但得到的基本是一篇“标准答案”。它依然是一次性的单向输出只不过作者从人换成了 AI。你带走了一段解释但你有没有真正理解AI 不知道你自己也未必知道。/teach的差别在于它在协议层面强制加入了“检查”和“调整”。AI 讲完一个点会反过来问你一句——你来解释一下或者这道题你选什么。你一旦开口AI 就能根据你的表达判断出你哪里理解偏了。这也是它叫“互动学习法”的原因。2.3 对普通学习者意味着什么意味着你不需要再像做阅读理解那样自己孤独地对着教程猜重点。你可以在对话里一边学、一边说“这句没懂换个说法”也可以让 AI 根据你的回答当场调整难度。但这里有一个重要的边界AI 并不是真正理解你它是根据你的文字输出做模式匹配。所以“互动”的质量取决于你愿不愿意把真实的思考过程写出来。如果每一道检查题都只回“懂了”或者“选 A”那这个教学流程很快会失效。3. 从零开始用 /teach一个最小可用流程3.1 最小可用版提示词模板不推荐一上来就堆一长串复杂的系统提示词。更建议从最简单的结构开始先跑通一次完整循环再逐步增加约束。下面这个模板是常见的开头写法你可以直接拿来改/teach 我想学习SQL 窗口函数 我的背景会基础 SELECT 和 JOIN没用过窗口函数 我的目标能在工作中写常见的 ROW_NUMBER() 和 RANK() 查询 约束 1. 先问我 3 个问题确定我的起点 2. 一次只讲一个概念讲完停下来等我回应 3. 每个概念讲完后出一道小练习我做完你再判 4. 如果我答错了回到上一个层面重新讲这个模板的关键不是措辞多漂亮而是把四件事说清楚了学什么、起点是什么、目标是什么、互动规则是什么。缺少任何一项AI 都可能退回“答题器”模式。3.2 四个“参数”怎么调背景、目标、检查频率、节奏用“参数”这个词是刻意的因为你可以像调配置一样调整它们。参数默认建议什么时候调大什么时候调小背景声明尽量具体跨领域学习时写清“我是谁”只想快速了解概念时简化目标定义一句可完成的任务需要应用到项目时细化范围初步扫盲时写“了解大概”检查频率每讲一个概念出 1 题容易走神时提高纯粹找思路时降低节奏偏好小步慢走熟悉领域时加快全新领域时放慢背景声明是最容易被忽略的。很多人只写“我不会 SQL”但如果你在证券公司做数据报表和你只是做个个人博客的筛选功能教学例子应该完全不一样。背景越具体AI 举的例子越贴近你的真实场景你迁移到实际工作的成本就越低。3.3 一次真实的教学循环长什么样下面是一次典型的/teach对话过程属于示例结构不是某个产品的实录。AI 的诊断提问“你说会用 SELECT 和 JOIN。那你平时写 JOIN 的时候有没有遇到过一张表只有部分行能匹配到的情况你通常怎么处理”你的回答“我一般用 LEFT JOIN但我其实不太确定什么时候该用 INNER JOIN。”AI 的下一步动作“好那我们就从 JOIN 的类型讲起。先只讲一个点INNER JOIN 是‘两边都有才出现’LEFT JOIN 是‘左表保留全部右表没有就补 NULL’。你现在打开一个本地查询窗口跑一下这条语句……跑完告诉我结果行数。”注意这个流程AI 没有直接甩出长篇语法讲解而是先问了一个能暴露真实缺口的问题然后只讲一小步接着让你动手执行并要求你回报结果。这就是教学循环和普通问答的核心差异。实际操作时你会遇到一个高频问题AI 很容易说着说着就开始长篇大论。解决方式不是换提示词而是你在回复里明确说“还没讲到练习环节请先停在这里。”4. 进阶用法把 /teach 变成你自己的教学框架4.1 不同学习场景下的 /teach 变体学编程语言和学概念型知识需要的教学流程并不一样。建议你准备几个变体按场景切换使用。学工具/框架偏动手/teach 教我 [工具名] 每讲完一个配置步骤让我先跑通再做下一步 如果我遇到报错先把报错贴给你你不要直接给答案先让我自己排查一次学概念/理论偏理解/teach 教我 [概念] 每次讲完一个概念让我用自己的话复述一遍 复述后你指出我与标准定义之间的差异并给一个反例复习/考前冲刺偏记忆/teach 陪我复习 [科目] 不要从头讲先随机考我 10 个问题根据我答错的地方反推薄弱章节 错过的内容隔 3 轮后再考一次这三个变体对应了三种不同的知识类型。动手类重点在“跑通”理解类重点在“复述与反例”记忆类重点在“间隔重复”。用同一套教学流程去套所有场景是新手最容易犯的错误。4.2 把对话沉淀成可复用模板用了几次/teach之后你会慢慢发现你不满意的往往不是 AI 讲得不够清楚而是它经常忘记协议。解决办法不是每次重新打一长串提示词而是把验证过有效的模板固定下来。具体做法把验证过有效的/teach模板保存到一个专门的笔记文件里。给每个模板加一行“使用记录”写下上次在什么场景用的、效果如何。下一次遇到类似场景直接复制模板只改主题和背景。这个习惯的价值不在省几十秒。它解决的是 AI 对话最大的隐性成本问题每次重新“调教”AI 的成本。模板化之后你每次都能从“已经完成行为约束”的地方开始而不是从零解释规则。4.3 把 /teach 嵌进更大的学习系统/teach更适合作为整个学习流程的一个环节而不是全部。我的建议是把它放进这样的工作流里先用/teach做一次快速摸底让 AI 给出一份“你当前缺哪些前置知识”的清单。之后去正经文档或教材里补那几块真正的缺口。再回到/teach对话里做练习和检查。实践结束后把踩坑记录导入下一次教学会话让 AI 基于真实错误出针对性题目。换句话说/teach能帮你提高“输入—检查”这段的效率但它替代不了“实践”这一段。你会写窗口函数的 SQL不等于你真的优化过一张几千万行的表。5. 为什么有时候 /teach 会翻车常见问题与排查链路这一节不是泼冷水而是我真实遇到过的教训。如果你试了/teach发现效果很一般大概率不是方法本身没用而是下面某一层出了问题。5.1 现象一AI 又开始长篇大论根本不互动这是最普遍的抱怨。先别怪 AI。通常原因只有一个你的提示词没有把“互动规则”锁死。排查顺序看你的模板里有没有明确写“一次只讲一个概念讲完停下来等我回应”。看当前对话的上下文里前面是不是已经有过“连续讲解”的历史AI 在延续之前的模式。如果上面都正常直接在当前回复里打断它“请回到教学模式先把刚才的内容出成检查题。”不要觉得打断 AI 不礼貌。它是工具教学流程是你定的。5.2 现象二检查题太简单或太难检查题难度失控本质是背景声明不够精确。如果太简单说明你的实际水平高于你的描述。这时候别谦虚把背景往“我已经能处理 XX 场景”的级别写。如果太难说明背景声明里缺了前置条件。比如你学 Redis 时只说“我了解缓存”但没说“我从来没在命令行里操作过”AI 在练习里让你执行redis-cli时你就懵了。把缺失的前置知识补进去重新开始。5.3 现象三学过就忘第二天跟没学一样/teach是教学过程不是记忆过程。学过就忘是正常现象但要解决也不难在提示词里加一条“每隔 3 个概念把之前讲过的内容用一道综合题考我一次。”在学完当天让 AI 生成一份“今晚复习用的 5 分钟速查卡”。第二天让 AI 假装什么都不知道由你来给它讲一遍。这个“教别人”的动作是强化记忆最有效的方式之一。5.4 一条可复用的排查链路遇到/teach效果不好时按这个顺序逐层检查先看现象是它不提问还是题太难还是学完就忘 再看输入你的背景、目标、约束是否写得足够具体 再看上下文对话历史里有没有残留的“非教学模式”在影响它 再看参数检查频率、节奏、难度是否有明确指示 最后看边界这个主题是否根本不适合对话式教学最后一条很重要。比如学一门需要大量手动操作的工具光靠对话问答是学不会的必须在真实环境里动手。这时候/teach可以作为讲解辅助但核心练习必须在真实项目里完成。6. 适用边界与长期价值它不会是万能方法但值得认真用好6.1 适合什么不适合什么适合不适合入门新领域快速建立概念地图需要权威一手资料的学术式深究复习已有知识查漏补缺需要长期肌肉记忆的操作技能碎片时间里的“小步学习”依赖真实环境交互的工程实验愿意主动输出思考的人只想被动接收标准答案的人这个表格不是绝对边界它想表达的核心是/teach提高的是“认知层”的效率解决不了“实践层”的问题。它可以帮助你理解一个概念但不可能替你在生产环境里踩坑。6.2 长期来看你真正收获的是元认知能力最开始使用/teach时我关注的是“今天学会了什么”。用久了之后我发现自己的最大变化是每学一个新东西都会下意识地问自己三句话。“我的起点到底在哪”“这一步我真正验证过了吗”“如果让我用一句话给别人讲清楚我讲得出来吗”这三句话其实就是/teach协议的内化。到了这个阶段你甚至不再需要那串提示词了——你已经把一个好的教学流程装进了自己的学习习惯里。这才是它比“看完某篇教程”更值钱的地方。6.3 写在最后的实际操作建议如果你想试不要从“学一门大课”开始。挑一个你惦记了很久但始终没啃下来的小知识点比如某个函数、某个命令、某个概念用上面那段最小模板跑一次完整循环诊断 → 小步讲 → 检查 → 调整。整个过程控制在 20 分钟以内。跑完之后你只需要一个判断标准你是不是在某个瞬间因为被问住而突然意识到“啊原来我没懂”如果有说明/teach已经起作用了。如果没有回头看看自己是不是在对话里全程只回了“懂了”两个字。学习方式的升级往往不是找到更长的教程而是换一套有反馈的流程。/teach只是这个流程的起点真正值得长期打磨的是你把“讲、问、做、评”变成自己习惯的能力。