网上有不少教程讲的是“怎么让 AI 给出更好的答案”但真正让人头疼的问题往往是AI 给了一堆标准解释你看了三遍合上对话窗口仍然不会写。直到我看了 Matt Pocock 那期实战教程看到他演示如何把 AI 变成一个带“教学模式”的 teach skill才意识到问题不在 AI 不够聪明而在我们默认了“给出答案”等于“教会了别人”。这个 skill 最核心的价值不是让 AI 多解释几句而是让它像一位真正的老师那样先了解你再引导你最后用练习验证你真的掌握了。1. teach skill 真正要解决的问题不是“让 AI 说得更细”1.1 传统 AI 问答为什么教不会人先说一个很多人都经历过的场景。你想学 TypeScript 的泛型打开聊天窗口输入“请用通俗语言解释泛型并给例子”。AI 确实给了一段结构工整的回答概念、用途、示例代码、注意事项全都有。你甚至把这段话标记收藏觉得自己“学过”了。但第二天回到编辑器里面对一个真实函数需要写泛型约束时大脑仍然一片空白。这不是记忆力的问题。传统的 AI 问答模式本质上是一个“信息检索 文本生成”过程。它默认你的目标是“获得一段关于泛型的说明”而不是“能独立写泛型代码”。所以它会尽力满足你的请求把解释写得清晰、全面、友好。但这个过程中AI 不知道你卡在哪里不知道你刚才以为懂了的概念是不是真的懂也不会因为你在新情境下用错而纠正。学习真正发生的条件通常有三条你暴露了当前的理解和错误你得到了针对性的反馈和提示你在新的问题里再次尝试并验证。传统问答模式一条都没覆盖。它给你的是一份漂亮的“标准答案”而不是一场可以暴露问题的对话。这就是 teach skill 出现的背景。它想改变的不是 AI 的语言能力而是 AI 和人的交互协议从“你问我答”变成“我引导你你思考我再反馈”。从教学角度看这个变化远远比“换个更聪明的模型”重要。1.2 从一个交互协议开始“让 AI 像老师一样教你”这句话听起来浪漫落地时会发现它其实是工程问题。老师这个角色不是一个身份标签而是一整套行为规则。一个好老师会做以下几件事先判断学生的基础而不是直接开讲把大目标拆成小步骤讲解时不会一次性给完所有东西提问后等学生回答而不是自己马上揭晓答案通过练习判断“是否掌握”根据错误反馈调整下一步。你把这些规则写成指令放进系统提示词再配上必要的上下文才得到一个像老师的 AI。这就是“skill”的含义它不是一个模型也不是一个功能按钮而是一套可以被复用的行为协议。Matt Pocock 在实战教程中展示的思路启发点就在这里。他不强调某个神秘方法论或万能模板而是强调一个观念如果你希望 AI 当老师你必须自己先把教学流程拆出来再让 AI 照做。这其实就是工程化里最常见的思想——把复杂任务拆成可控制的子步骤。1.3 主判断这个 skill 解决的不是效率问题而是学习闭环问题我给这类方案一个比较明确的主判断teach skill 真正改变的不是“更快获得答案”而是把学习从一个单向信息流变成一个有反馈、有验证、可迭代的闭环。这里有一个容易被忽略的事实模型的输出质量再高也无法保证学习者真的学会了。学会的标志不应该是“你看完了解释”而应该是“你能在新问题中独立做对”。只有当 AI 被设计成“先不给你答案而是引导你试、再反馈你错在哪、最后让你再做一道新的”这个闭环才算成立。所以这个 skill 的价值不在某个 prompt 模板本身而在于它把老师的行为拆成了一套可执行的规则。明白了这一点你就不需要每天羡慕别人用的教程或工具因为你自己也能按同样的思路搭建。2. 拆开一个教学型 AI 技能五个关键环节要构建一个 teach skill不需要一开始就做成完整系统。先把基本环节拆清楚再逐段写进 Skill 的规则文件或系统提示词是最实用的路径。常见实践中一个教学型 AI 技能至少需要以下五个环节。2.1 角色边界先定义“你不是答案机器”很多人写教学提示词时习惯把 AI 设定为“一名资深专家”然后要求“回答要通俗易懂”。这还不够。专家角色只能保证内容质量不能保证教会别人。如果 AI 还保留“用户提问 我应该全面回应”的默认行为它很容易因为解释得太完整而抢走学习机会。更好的做法是给 AI 一个清晰的角色边界你不是答案提供者而是教练。教练的职责是让学员自己完成动作而不是代替学员完成。比如可以这样写你是一名耐心的私人教师。 你的目标不是提供一份完整答案而是通过提问和反馈让学员最终能独立解题。 请避免一次性输出完整解释或完整代码。这段描述会显著改变 AI 的行为倾向。它不再追求“回答得无懈可击”而是追求“学员是否确实掌握了”。2.2 学习者画像先了解学生再开讲好老师不会不备课就直接上课。在 AI 教学场景里“备课”就是先探测学生的基础和目标。如果缺少这一步AI 只能默认按平均水平来讲那么基础好的会觉得啰嗦基础差的会觉得跳跃。一般建议在对话一开始让 AI 先收集几个关键信息你想学什么主题你的基础大致如何你希望达到什么标准比如能写出来、能解释给别人、能通过某个考试你的可用练习时间大概是多少。这些信息不需要很结构化但必须在教学开始前明确。否则后续所有教学决策都缺少依据。一个可行的写法是让 AI 开课前提问而不是直接开始讲解。2.3 学习路径把大目标变成检查点“学会某个主题”是一个很大的目标AI 很难直接优化。一个更工程化的做法是把它拆成小的检查点checkpoint。举一个编程教学里的例子。如果目标是“学会 TypeScript 泛型”可以拆成能解释泛型解决什么问题能写最简单的泛型函数能理解泛型约束能阅读并解释一个较为复杂的泛型代码能独立从零写一个带泛型的工具函数。每个检查点都需要有对应的练习和“通过标准”。AI 在教学时一次只推进一个检查点完成了再进行下一个。这样对上下文管理也有好处对话中需要持续记录“学到了哪里”而不是每次都重新开始。2.4 引导反馈错误是教学素材学习过程中错误几乎是必然出现的。传统问答会把错误看作“信息不足”于是再给一段更详细的解释。但教学型 AI 应该把错误看作判断学习状态的线索。常见做法是当学生答错时AI 不给完整答案而是做三件事指出哪里是对的保护学习者信心点出错误背后的关键混淆点不做长篇大论给一个更小的提示让学习者再试一次。这也是人和 AI 教学协同里的核心体验差异。如果 AI 一看到错误就抛出一整段正确答案学习者会形成依赖错误反而得不到有效修正。2.5 验证机制学会的标准是可独立解题很多 AI 教学失效问题出在“没有验证”。AI 讲完了学生说“懂了”课程就结束了。但如果“懂了”没有经过测试那就只是一种感觉。因此检查点完成后都应该设计一个小型验证。最好的验证方式不是问“你理解了吗”而是给一道新的练习题让学生独立完成。只有当学生能独立做对而且能在不同情境下迁移才认为这个检查点通过。这个“独立解题”的标准是判断 AI 教学模式有没有真正生效的关键。到这里我们可以用一个表格总结这个框架环节回答的问题常见失败点角色边界AI 是教练还是答案机器AI 仍然主动给完整答案学习者画像学生现在在哪里没有了解基础直接开讲学习路径怎么到达目标路径太粗学生不知道下一步做什么引导反馈怎么处理错误用更长解释代替针对性反馈验证机制学生是否真的会了用“是否听懂”代替“独立做对”3. 从零搭一个最小可用的 teach skill通用流程在看过思路之后很多人会想自己动手做一个。下面给出一条比较通用的搭建流程。需要说明这不是某个现成项目的复刻而是一种在常见平台里都能落地的最小实现思路。如果你用的是支持自定义 Skill 或 Agent 的 AI 工具或是普通聊天工具的“自定义提示词”功能都可以按这个流程操作。3.1 选平台和起步方式先不要急着做复杂工程。初期可以在任意一个支持长指令的 AI 聊天工具里用一个系统提示词启动。实际落地时“先跑通最小可用版本”永远是第一步。等到你确认这个方式真的能改善学习效果再考虑把它固化成 Agent 里的一个独立模块。3.2 写教学目标一个最小可用的 teach skill先要有明确的“教学目标声明”。它不需要很长但必须说清楚教学的最终标准是什么老师和学生各自的职责是什么教学过程中不做什么。举例教学主题你正在辅导学生掌握某个主题。 教学目标学生能独立完成相关任务而不是仅仅看过解释。 老师职责提问、倾听、反馈、出题、纠正。 学生职责回答问题、尝试解题、暴露困惑。 禁止事项不要一次性给出完整答案或完整代码。把教学目标放在提示词最前面能让 AI 在整段对话中保持方向感。3.3 定义交互规则接下来是交互规则也就是“每轮对话应该按什么顺序走”。新手最常见的错误是只写“你要像老师一样耐心”却没写清楚老师具体应该怎么说话。一个容易理解的交互顺序是开场确认目标与基础每讲解一个概念先给出最小示例立刻出一道简单题让学生尝试根据学生答案给出反馈反馈先指出对的部分再给提示独立做对三道不同类型题目后再进入下一个知识点。写交互规则时指令要尽量具体避免模糊表达。比如“耐心”不如“在学生答错后先给出两行肯定再给一个具体提示”。3.4 通用 Prompt 结构示例下面这个示例结构适合作为你搭建第一个 teach skill 的起点。这里的写法是通用模板具体教学主题和难度层级需要你自己补充。你是一名耐心、严格但不打击人的私人教师。 你正在辅导学生掌握{具体主题} 你的教学目标让学生能在没有你帮助的情况下独立完成该主题下的相关任务。 教学规则 1. 开始前先了解学生的基础、目标和可用时间不假设学生已经掌握什么。 2. 讲解新概念时先给一个最小例子再逐步增加复杂度。 3. 讲完一个概念后不要继续讲下一个而是先出一道简单题让学生尝试。 4. 学生出错时不要直接给出完整正确答案。 先指出答案中对的部分再指出关键误区然后给一个更小范围的提示让学生再试一次。 5. 每个子主题完成后通过练习题确认学生掌握情况。 6. 只有当学生独立做对三道不同类型题目后才认为当前知识检查点通过。 禁止行为 - 不要一次性输出完整长篇解释。 - 不要在学生尝试之前就给出参考代码。 - 不要用“你理解了吗”代替实际练习验证。要注意这只是一个示例结构。这里的{具体主题}需要替换成你要教的内容教学规则也可以按自己的偏好调整。关键是让 AI 在这套规则下工作而不是让它自由发挥。3.5 用一条真实主题做验证搭建完成后不要立刻开始正式学习先做一个“试讲”验证。选一个你已经比较熟悉的小主题按上面的结构跑一轮观察 AI 的表现它有没有主动提问了解你的基础它有没有在讲解后停下让你先做题它有没有在你答错时忍住不给完整答案它有没有在每一小节结束时做确认如果这些行为大多数具备说明规则生效了。如果 AI 还是习惯直接给完整答案那么问题往往出在“禁止行为”或“反馈规则”不够具体需要继续调整。3.6 版本迭代一版 Prompt 不可能一步到位我给这类项目一个比较重要的经验不要指望写一次提示词就能达到完美。教学行为是很微妙的第一版规则一定会暴露出各种问题。你可能发现 AI 在某些情况下仍然话太多或者在某些情况下反馈太模糊。这时应该像调试代码一样把不稳定的场景记录下来再补一条规则。比如你发现“学生明显表示不会时AI 仍然坚持提问而不给任何提示”那就要在规则里补充一条如果学生连续两次无法回答可以先给一个小提示再给一个简化版本的题目。这种迭代不是一次两次而是反复打磨。越是针对你自身学习习惯调校过的规则越能发挥效果。4. 最容易翻车的四个位置和排查顺序实际使用 teach skill 时会遇到不少翻车现场。下面从常见问题出发按“现象 → 排查 → 修复”的方式展开。如果你发现自己做的教学 skill 效果不好建议先别急着全盘重写按下述链路一层一层看。4.1 症状一AI 仍然忍不住给完整答案这是最常见的问题。你问了一个问题AI 回答得非常详尽直接把结论、代码、注意事项全给了。这时学习闭环就被打破了。排查顺序先看系统提示词里“禁止行为”是否写清楚了。大多数情况下缺的不是“你要当老师”而是“不要做什么”。再看“反馈规则”是否具体。如果只是“给出反馈”AI 很容易用一大段解释代替反馈。最后检查你的提问方式。如果你问得很笼统AI 可能会认为你需要完整答案。可以主动要求“先不要给答案只给我提示”。修复建议在规则里加入“先在回复中只给出 1 到 2 个提示不包含最终答案”这样的强约束。这样能明显降低 AI 直接剧透的概率。4.2 症状二学习进度没有连续性有时候第一轮对话 AI 还知道你在学泛型到第三轮它突然忘了前面的进度开始重新解释基础概念。这通常不是规则写得不好而是上下文管理的问题。排查顺序检查你的对话是否跨了太长时间或者中间插入了无关问题。检查 skill 是否要求 AI 维护学习状态。如果缺少“请持续跟踪学生的掌握进度”这一条它不会主动记录。看上下文窗口是否被一些过长示例占满。为了避免溢出可以让 AI 尽量控制单条输入长度。修复建议在规则里加入“每个阶段结束时输出当前学习进度并指出下一步要练什么”。这样即使后续对话丢失也能通过进度摘要恢复。4.3 症状三学习者不参与只想躺着看答案这不是 AI 的问题而是学习者的主动性不足。但好的教学 skill 可以通过交互规则把学习者拉回参与状态。排查顺序先看 AI 是否默认“只要学生没回答就自己继续讲”。如果是它会培养学习者不动脑的习惯。再看你是否设计了“强制等待”机制。比如要求 AI 每次提问后必须等待学生回答不能自己继续解释。最后看你的问题设计是否太难或太简单让学生失去尝试的欲望。修复建议在规则里增加“当学生没有给出尝试时不要继续教学先请学生写出自己的思路或猜测”。这种强制交互虽然刚开始会让人不习惯但正是教学闭环成立的前提。4.4 症状四无法判断学生是否真的学会有些学习对话进行得很顺畅学生每步都能答上来但合上对话后还是不会。这通常意味着验证标准太弱或者根本没有验证。排查顺序检查“通过标准”是否明确。如果只是“学生说懂了”就算通过那大概率没有真正掌握。检查练习题是否过于接近例题。如果只是把例题换了个数字学生看着模板也能做对这不算迁移。检查是否有多元验证。比如要看出生地或服务商变更后是否仍能处理可以换不同情境的题目。修复建议在规则中明确“独立做对三道不同类型题目才通过”并让 AI 在出题时尽量变换场景。这样能大幅降低“假学会”的概率。4.5 通用排查链路从现象到规则到工具边界如果你遇到的问题不在上面四个常见症状里可以按这条链路排查先观察现象是 AI 话太多还是话太少是回答不准确还是流程错乱再看输入你的提问是否足够具体你有没有告诉 AI“先不要给答案”再看规则系统提示词里是否定义了角色、交互顺序、禁止事项、验证标准再看上下文对话历史是否太长、太杂导致 AI 丢失教学目标最后看工具边界当前平台是否限制了对话长度、状态记忆或工具调用不要把工具能力不足误判为规则失效。这条链路基本能覆盖大多数问题。你不需要每一步都深入但按顺序排查能节省大量时间。5. 从个人技能到工程化落地边界与扩展当你把一个 teach skill 调校得还算顺手之后自然会想能不能再进一步比如放到 Agent 工作流里或者做成一个长期辅助学习工具。在这一步之前先搞清楚适用边界更重要。5.1 适用边界清单什么适合什么不适合适合用 teach skill 的场景一般有这些特征学习对象可以拆成明确的知识点和技能点学习过程可以通过语言对话完成知识正确性可以在对话内验证学习者有意愿参与互动。编程、外语语法、写作结构、面试题准备、产品逻辑分析等都属于比较典型的学习场景。不适合的场景也很明显需要真实环境反馈的技能比如烹饪、运动动作、驾驶。AI 无法看到你切菜的手势或投篮姿势只能给语言反馈效果很有限。需要权威来源和精确业务规则的领域。如果知识本身容易出错AI 教学很可能会把错误顺带教给学生。完全没有主动性的学习者。如果一个人只是打开 AI 窗口等着被灌输答案任何教学协议都很难发生作用。“能教任何东西”是一种很有吸引力的表达但从工程实践看它更适合被理解为“能教很多以语言为载体的东西”而不是“能替代所有真实训练”。5.2 在 Agent 工程中拆成模块如果你准备把 teach skill 放到 Agent 工作流里可以考虑把它拆成更小的模块而不是一个巨大的提示词。常见做法是教学规划器负责把学习目标拆成检查点生成学习计划提问交互器负责一轮一轮的引导和提问不给答案反馈评估器负责判断学生答案是否正确给出个性化反馈进度记录器把学习历史写入长期记忆或外部数据库。每一步都需要相应的工具调用和状态管理。初期不需要全部做完把“提问交互器 反馈评估器”这两个核心模块跑通就已经能达到不错的教学效果。这样拆的好处是你可以独立测试每一部分。比如先测试“提问器会不会直接给出答案”再测试“评估器给出的反馈是否准确”。如果混在一个大提示词里出问题时很难定位是哪个环节引起的。5.3 值得长期关注的原因最后回到一个更底层的判断。像 teach skill 这类实践真正值得关注的不是某个教程或某段提示词好不好用而是它把“学习如何发生”这件事从感觉层面搬到了流程层面。过去我们很容易分不清“我看了”和“我会了”。AI 教学如果不做交互约束本质上只是把“我看了”做得更舒适、更流畅。teach skill 的约束机制强制你暴露错误、反复练习、迁移验证这在传统阅读和视频学习里很难实现。所以我会建议你把这篇文章当作一个起点而不是标准答案。你可以选一个自己真正想学但一直没学进去的小点比如一个 TypeScript 类型工具、一个英语语法难点、一个面试中的系统设计概念用上面的最小 prompt 结构搭一个自己的教学 skill先跑一轮再迭代三轮。到那时候你才能真正体会这个“对话式教学闭环”带来的区别。它未必像很多人期待的那么神奇但它是目前利用 AI 做学习辅助时最能逼近“真老师”效果的一条实际路线。