3.4教学与表达场景

开场场景

一个老师想给学生讲"什么是向量数据库"。

第一次尝试：

请解释一下向量数据库。

模型给了一段包含"嵌入""相似度度量""ANN 索引"的解释。老师看了一眼，觉得学生肯定会懵。

第二次尝试，他换了一种问法：

请给 14 岁、完全不懂数据库的学生解释什么是向量数据库，用两个生活类比，最后用一句话总结。

输出立刻变得可用了。

这节讲的就是这种能力：把"解释"本身当作一个可设计、可评估的任务，而不是碰运气。

先给直觉

把 LLM 当成一个"懂很多但不知道听者是谁"的助教。

它的默认输出，往往假设读者和它一样：熟悉术语、喜欢完整、不在乎篇幅。而真实教学恰恰相反：读者有水平差异、时间有限、需要先建立直觉再接触术语。

所以教学场景的核心技巧只有一句话：

先告诉模型：听者是谁、要达到什么效果、用什么格式。

这三个信息，就是教学类 Prompt 的"任务说明"。它们不需要特殊咒语，只是把老师平时心里想的判断显式写出来。

让模型讲清楚：听众设定

为什么"默认解释"不好用

模型默认解释往往存在三个问题：

• 术语密度过高，默认读者和自己水平一样。
• 结构是"教科书式"的，不是"教学式"的。
• 不知道学习目标，所以不知道讲到哪一层算够。

这三个问题的解法都是同一个动作：在 Prompt 里写清楚听众和边界。

解释任务的四要素

要素	示例	作用
听众	14 岁中学生 / 转岗产品经理 / 刚入职的工程师	决定术语密度与类比选择
目标	能向朋友复述 / 能开始动手做	决定讲到哪一层
边界	不讲数学公式 / 只用生活类比	限制范围，避免跑偏
格式	三段式 / 一个类比 + 一句话总结	让输出可复用

一个可复用的解释模板

请解释【概念】。
- 听众：【谁在听】
- 听完之后，听众应该能：【可验证的结果】
- 讲解方式：【类比 / 分层 / 举例】
- 不要：【明确排除的内容】
- 最后用一句话总结。

注意：模板的价值在于强迫你把教学判断写清楚。没有判断的模板只是换个格式的空话。

生成练习题与答案

出题与出答案是两个任务

常见错误是让模型"出 5 道题并附答案"。一次要两样东西，容易两头都粗糙。

更好的做法是分开：

先出题，不要给答案。

然后自己（或让模型按另一条指令）单独生成答案，并检查答案与题目是否对应。

出题时的质量要求

• 题目要基于指定资料，而不是模型记忆。避免模型自问自答自嗨。
• 每道题只测一个知识点。
• 区分"记忆题"和"理解题"，并明确要哪种。
• 防止出题陷阱：题干不能泄露答案，选项之间要互斥。

检查答案的三步

1. 答案是否真的回答题目，而不是换了种说法复述题目。
2. 答案里的事实是否来自资料，还是模型编的。
3. 答案是否与题目难度匹配，没有偷换概念。

苏格拉底式提问

为什么有用

直接给答案的学习者，往往记不住；自己得出答案的，才记得住。苏格拉底式提问的价值，是让模型扮演"引导者"而不是"答题机"。

怎么让模型进入角色

不要直接回答我的问题。你扮演一个耐心的导师：
1. 先用一个小问题确认我的理解。
2. 根据我的回答，再问一个能暴露我误解的问题。
3. 如果我答错了，不直接纠正，而是给一个提示或反例。
4. 每轮只问一个问题。

关键约束：每轮只问一个问题。否则学习者会被连环问题淹没，效果适得其反。

边界提醒

• 苏格拉底式提问适合"概念理解"类内容，不适合"事实查询"和"操作步骤"。
• 问得太绕会变成折磨。当学习者连续答不上来时，引导者应该降低台阶，而不是继续追问。
• 模型不是人，它的"耐心"是设定出来的，不代表它真的了解学习者的状态。

为不同水平学习者改写

同一内容，三种版本

以"什么是 RAG"为例：

• 入门版：用"带着资料回答问题"一句话建立直觉。
• 进阶级：加入检索、分块、上下文组装的关键链路。
• 深入版：讨论重排、评估、失败模式与成本。

请把下面这段关于 RAG 的内容，改写成【入门级 / 进阶级 / 深入级】版本。
入门级要求：只用生活类比，不出现英文术语。
进阶级要求：保留必要术语，每个术语第一次出现时给出人话解释。
深入级要求：补充工程取舍和失败模式。

改写时保留什么

• 核心事实不能变。
• 顺序不能乱：直觉在前，细节在后。
• 结论要一致。
• 引用和来源不能丢。

改写不是让模型自由发挥，而是在保持事实边界的前提下调整表达。

用 AI 设计学习路径

可以做什么

• 输入目标：如"两个月内学会用 AI 做数据分析"。
• 输出：主题顺序、前置知识、每阶段任务、检验方式。

我是一名【职业】，想用【X 周】学会【目标】。
请帮我：
1. 列出需要掌握的主题，按依赖顺序排列。
2. 说明每个主题的前置要求。
3. 为每个主题设计一个可检验的小任务。
4. 给出每周的学习节奏。

必须警惕什么

• 模型不知道你的真实水平，路径里的"起点"可能太高或太低。
• 模型不了解课程库/资料库的实际内容，推荐可能落空。
• 模型容易把路径设计得"看起来完整"，但忽略练习和反馈环节。

所以：模型给的是草案，你要做的是校准起点、补充练习、定期复盘。

案例：把一门课讲给三种听众

目标：让不同背景的人理解"提示词不是咒语，而是任务表达"。

版本 1：给运营同事

用"点外卖"类比解释：为什么给 AI 说清楚任务，比念咒语式话术更重要。

输出重点：需求越具体，结果越可控；模糊需求得到模糊结果。

版本 2：给工程师

解释"结构化输出 + 校验"为什么是工程手段而不是技巧。

输出重点：把输出格式当作接口契约，加校验、重试、错误分类。

版本 3：给管理层

用成本视角解释：为什么提示词质量直接影响项目成本和交付质量。

输出重点：清楚的需求描述减少返工，可验证的输出降低风险。

同一个主题，三种讲法。区别不在内容，而在听众设定。

术语卡片

术语	人话解释
听众设定	在 Prompt 里写清楚"讲给谁听"，让模型调整语言
学习目标	听完之后听者能做什么，用来判断讲到哪一层
苏格拉底式提问	通过连续提问引导学习者自己得出结论
改写	保持事实不变，调整语言难度与结构
学习路径	按依赖关系排列的主题序列与练习计划
自测	学习者用自己的话复述或做题，检验是否真懂

常见误区

误区 1：让 AI 讲课，就是把文章丢给它

没有听众、目标、格式的教学 Prompt，输出的是"高级百度百科"。教学 Prompt 的关键不是内容多，而是任务清楚。

误区 2：出题和出答案一起要

容易得到"看起来对、实际经不起检查"的题目和答案。分开出，分开查。

误区 3：苏格拉底式提问适合所有场景

事实查询、操作步骤、紧急求助不适合。它只适合概念理解和反思。

误区 4：AI 设计的路径可以直接照做

它不知道你的起点和资料。路径必须经过校准、补充练习和定期复盘。

误区 5：越长的教学 Prompt 越好

冗长的指令会稀释重点。教学 Prompt 应该短而清楚：听众、目标、格式、排除项，够了。

动手练习

选一个你经常需要解释的概念（工作术语、产品功能、课程知识点），完成三轮：

1. 讲清楚：用四要素模板让 AI 解释，要求"听完能向朋友复述"。
2. 出题验证：让 AI 出 3 道理解题，不给答案；你亲自写出答案，再让 AI 对照检查。
3. 改写成两个版本：把同一概念改成"入门版"和"深入版"，比较差异，检查事实有没有变。

完成后写一段复盘：哪一步最有用，哪一步最容易被模型带偏。