最近一直在研究怎么让 AI 从“回答问题”变成“真正教你东西”偶然看到 Matt Pocock 的实战教程主题就是 teach skill——让 AI 像真老师一样教你任何知识。这个思路和普通聊天问答完全不同核心不是让 AI 给答案而是让 AI 具备一套“教学法”先诊断水平、再拆解知识、主动提问、根据反馈调整讲解方式。本文会完整拆解 teach skill 的概念、提示词模板、编程教学场景案例、调试方法以及常见问题帮助你把这套技能复用到自己的学习场景中。1. 背景与核心概念1.1 为什么普通 AI 问答“教不会”人很多人用 AI 学习时都有这种体验让 AI 解释一个概念它确实能给出结构清晰、语言流畅的回答。但看完之后你往往只是“感觉懂了”真正做题、写代码、换一个场景复述时又会卡住。问题出在哪里普通的 AI 问答本质是“信息检索 文本生成”它的目标是把问题回答得完整漂亮而不是确保你真的学会了。也就是说AI 没有教学目标、没有教学节奏、不会检查你的理解程度更不会在你答错时调整策略。它像一本无限厚的教科书而不像老师。而 teach skill 要解决的就是这个问题通过一套精心设计的提示词Prompt给 AI 赋予“教学技能”让它从内容生成器变成一个能因材施教的虚拟老师。1.2 teach skill 是什么teach skill 是 Matt Pocock 提出的一个 AI 教学技能框架。Matt Pocock 是知名的 TypeScript 教育者和 AI 编程内容创作者他的核心观点是AI 完全有能力承担“私人教师”的角色但前提是你必须把教学策略显式地写进提示词里。这个技能本质上是一段结构化的系统提示词System Prompt它要求 AI先诊断学习者的现有水平一句话说清楚教学目标把大知识点拆成小步骤讲完一个概念后停止询问学习者是否理解根据学习者的回答决定继续还是重讲最后用一个小练习或提问来验证学习效果。简单来说teach skill 让 AI 从“单次输出”变成了“多轮教学对话”。1.3 这种教学方式的优势对比项普通 AI 问答teach skill 教学目标给出完整答案确保学习者理解交互方式单轮问答多轮对话式教学节奏控制一次性输出全部内容拆成小步骤逐步推进理解校验不校验通过提问和练习验证纠错机制无根据反馈调整讲解方式个性化程度低根据学习者水平调整从这张表可以看出teach skill 的核心价值不是“让 AI 知道得更多”而是“让 AI 更会教”。这是两种完全不同的能力。2. 环境准备与使用前提2.1 需要准备什么teach skill 本质上是一种提示词工程方案所以环境要求非常低。你只需要准备一个支持长上下文对话的 AI 聊天工具例如 ChatGPT、Claude、Gemini 或国产大模型产品一个支持 System Prompt系统提示词或自定义指令的入口如果工具不支持自定义系统提示词也可以直接把教学技能作为对话的第一条消息发送。版本方面没有硬性要求不过上下文长度越长教学对话的连续性越好。如果你的模型上下文窗口较小建议每一轮教学控制在 5 到 8 次交互内。2.2 使用场景teach skill 可以应用在非常广泛的场景中学习一门编程语言比如 TypeScript、Python、Rust理解一个抽象概念比如闭包、递归、函数式编程准备技术面试让 AI 模拟面试官追问学习数学、物理等有明确推导过程的学科训练某项技能比如写 SQL、做代码重构、设计系统架构。2.3 从哪获取 teach skill 提示词现在网上已经有很多社区版本的 teach skill 提示词。Matt Pocock 的实战教程里有自己的一套写法社区也出现了各种变体。不过与其直接复制粘贴别人写好的完整版本我更推荐你理解它的构造逻辑然后根据自己的场景重写。下面我会先给出一个通用模板再给出一个面向编程教学的进阶版本并逐步拆解每个部分的含义。3. teach skill 的核心机制拆解3.1 教学技能的五要素把 Matt Pocock 的 teach skill 拆开来看核心是五个要素第一诊断DiagnoseAI 不能一开始就讲内容它必须先了解学习者当前的水平。这就像老师上课前先摸底考试一样。诊断阶段要求 AI 提出 1 到 2 个精炼的问题而不是一口气问 10 个。第二目标ObjectiveAI 需要明确“这一轮教学结束之后学习者能做到什么”。目标要具体、可验证。比如“学完后能自己写出一个使用泛型的 TypeScript 函数”这就比“理解 TypeScript 泛型”更清晰。第三拆解Chunking把知识拆成适合当前学习者水平的最小单元。每个单元只包含一个核心概念讲解篇幅控制在 200 字以内必要时用代码或例子说明。第四互动Interaction讲完一个知识单元后AI 必须停下来主动提问。问题不是“你懂了吗”而是让学习者做一件具体的事比如“请预测下面这段代码的输出”或“请解释一下为什么这里会报错”。第五反馈Feedback根据学习者的回答AI 判断是进入下一单元还是换一种方式重新讲解。如果学习者答错了AI 需要指出错误原因而不是直接给出正确答案。3.2 教学闭环如果把这五个要素串联起来整个教学过程是一个闭环诊断水平设定目标讲一个小知识点让学习者完成一个小任务根据任务结果反馈如果通过进入下一个知识点如果没通过用更简单的方式重讲所有知识点完成后做一次综合回顾。这个闭环强调的不是“内容输出效率”而是“学习者的理解深度”。这也是它和普通 AI 问答最本质的区别。3.3 为什么这种设计有效从学习科学的角度看这种设计符合几个被广泛验证的原则间隔学习把知识拆成小块而不是一次性大量灌输主动回忆学习者被要求回答问题、写代码而不是被动阅读即时反馈答错后马上得到纠正避免错误理解固化自适应难度AI 根据学习者的表现动态调整讲解深度。所以teach skill 实际上是把教育学的成熟方法“翻译”成了 AI 能执行的指令。这也是它比普通 Prompt 效果更好的根本原因。4. 实战构建一个通用版 teach skill 提示词4.1 通用版 System Prompt下面的提示词可以直接复制到支持系统提示词的工具中。如果工具不支持可以直接作为对话的第一条消息发送。你是一位耐心、专业的私人教师。你的任务是教会我指定的知识而不是简单地回答问题。 ## 教学流程 1. 在开始教学前先问我 1 到 2 个简短的问题了解我的现有水平和学习背景。 2. 根据我的回答用一句话说明你本轮的“教学目标”并询问我是否可以开始。 3. 教学过程必须遵守以下规则 - 每次只讲一个核心概念 - 讲解内容控制在 150 到 250 字之间 - 必须给出 1 个具体例子 - 讲完后停下来不要继续输出下一个概念。 4. 每次讲完一个概念后用提问或小练习的方式检查我的理解 - 可以是“请预测下面这段代码的输出” - 可以是“请用你自己的话解释这个概念” - 可以是“请完成这个小练习”。 5. 根据我的回答 - 如果我答对了简短肯定然后进入下一个知识点 - 如果我答错了先分析我错在哪里再用更简单的方式重新讲解 - 在我明确说“继续”之前不要推进到新知识点。 6. 当所有知识点讲完后用 3 到 5 个问题做一次综合回顾并给我的整体掌握情况做一个简短总结。 ## 重要原则 - 不要一次性输出全部内容 - 不要代替我思考 - 如果我回答不上来不要直接给答案先引导我一步一步推理 - 如果我不止一次犯同样的错误说明你的讲解方式有问题试着换一种角度讲解 - 整个过程中保持鼓励但不过度表扬的语气。这个版本的特点是通用性强适合学习任何类型的新知识。它最重要的行为约束是“讲完一个概念必须停下来”这一步能有效避免 AI 一次性灌入过多内容。4.2 如何开始使用复制上面的提示词后你需要在后面跟上“今天我想学习的内容”。例如我想学习 JavaScript 中的闭包Closure。然后 AI 就会先问你当前对函数、作用域等概念的理解程度再开始教学。4.3 核心参数解释这个提示词里有几个关键的“参数”值得解释“150 到 250 字”这是对讲解篇幅的约束。字数限制是为了让每次输出都保持专注不会展开太多细节。你可以根据知识点复杂度调整但建议不要超过 400 字。“先问我 1 到 2 个简短的问题”这一步的目的是让 AI 了解你的水平。如果 AI 直接开始讲解说明它没有正确执行教学流程你可以让它重新开始。“在我明确说‘继续’之前不要推进到新知识点”这是最关键的一个约束。它给了你教学节奏的控制权让学习者可以按自己的速度推进。“先引导我一步一步推理”这个设计是为了避免 AI 直接给答案。如果学习者答错AI 应该通过提问来引导思考而不是直接把正确答案说出来。4.4 你可以自行调整的部分这个模板不是一成不变的。根据你的个人偏好可以调整以下几个地方如果你是初学者把“讲解内容控制在 150 到 250 字之间”改成“100 到 150 字”如果你希望 AI 更严格可以在反馈环节增加“如果我答错了不要直接指出正确答案而是连续追问 3 次”如果你学习的是数学类内容可以增加“每一个步骤都要解释推导依据”如果你只是快速了解概念可以增加“如果检测到我是高手可以每轮讲解两个相关概念”。5. 进阶实战编程场景专用 teach skill5.1 编程教学的特殊性通用版 teach skill 已经可以用于编程教学但编程学习有一个特殊点代码的正确性是可以被客观验证的。这意味着 AI 可以要求学习者直接写代码然后根据代码判断掌握程度。这个能力是普通概念教学不具备的。此外编程教学中 AI 还应该具备两个额外能力根据学习者的错误代码定位具体是哪个知识点没掌握引导学习者学会读报错信息而不是只看答案。5.2 编程版 System Prompt下面是我在通用版基础上改写的编程版适合学习 TypeScript、Python、Java 等语言。你是一位资深的软件工程师和编程导师。你擅长用代码示例和实际项目教会别人编程。 ## 教学流程 1. 开始前先问学习者 2 到 3 个问题 - 正在使用哪种编程语言 - 掌握程度是初学者、中级还是高级 - 想通过这个知识解决什么实际问题 2. 根据回答给出教学目标并说明“学完后你将能写出什么代码”。 3. 采用“概念 - 示例 - 练习”三步法 - 概念用 2 到 3 句话解释不举代码 - 示例给出一个最小可运行代码片段并逐行解释关键逻辑 - 练习让学习者自己动手写一段类似的代码。 4. 互动原则 - 每个练习必须是一个具体需求而不是“你理解了吗” - 学习者提交代码后你先指出正确的地方再指出错误 - 根据错误类型判断是语法错误、逻辑错误还是概念理解错误 - 如果是概念错误不直接改代码先问“你觉得这段代码在哪个环节和示例不一样”。 5. 进阶要求 - 当学习者连续 3 个练习都通过时主动提升难度 - 当学习者连续 2 次犯错时暂时退回上一个知识点用类比重新解释。 ## 约束 - 绝不一次输出超过一个知识点 - 给出的示例代码必须完整可运行不要写伪代码 - 如果学习者在练习中写出运行失败的代码引导他先读报错信息再引导修复 - 每个知识点结束后总结 3 个最常见的踩坑点。5.3 教学对话示例假设我们用它学习“TypeScript 泛型”对话会呈现这样的节奏AI开始前诊断在开始之前我需要先了解几个问题你有没有写过函数重载你遇到的主要困惑是“泛型怎么定义”还是“泛型什么时候用”你希望学完后能独立完成什么类型的小功能学习者回答后AI 设定目标好这一轮教学的目标是学完后你能独立写出一个支持任意类型输入的identity函数并解释为什么需要泛型。接下来我们开始第一个知识点为什么需要泛型。这里注意AI 没有直接从“泛型是什么”开始讲而是先讲“为什么需要”。这是因为编程学习的关键是建立“需求驱动”的心智模型。5.4 运行验证说明在实际使用中你需要准备一个自己熟悉的代码编辑环境。当 AI 要求你写练习代码时建议你在本地环境运行验证而不是直接告诉 AI“我写完了一段代码”然后让它看。正确做法是把代码复制到本地运行如果报错把报错信息原样粘贴给 AI如果没有报错把代码片段和运行结果都贴给 AI让 AI 从代码风格、边界条件、性能角度做进一步点评。这样训练出来的效果比纯对话练习扎实得多。5.5 从 teach skill 到 AI 编程工具值得拓展的是teach skill 的思路也可以迁移到 AI 编程工具的使用上。比如当你使用 Cursor、GitHub Copilot 这类 AI 编程助手时如果只让它“生成代码”你得到的结果往往不够精确。但如果你把 teach skill 的教学思想带进去先让 AI 确认你项目的技术栈、代码规范、业务场景再让它生成代码片段质量会明显提升。这和 teach skill 的核心逻辑完全一致先诊断再输出。6. 常见问题与排查思路在实践过程中你大概率会遇到一些不如意的情况。下面整理了一份高频问题清单和排查思路。问题现象常见原因解决思路AI 一次性输出大量内容提示词中没有明确限制输出篇幅或模型没有严格遵守在提示词中显式加入“每次最多只能输出 200 字”“讲完一个概念必须标记 [结束本轮]”AI 不问就直接开讲模型把教学流程当成了参考而非强约束强调“以上流程必须严格按顺序执行”必要时改用“模型必须按以下步骤缺少任何一步都视为错误回答”AI 讲完也不提问没有要求它必须停下来检查理解增加“每次讲完概念后以‘现在请完成一个小练习’作为固定结束语”AI 在提问后直接给出答案反馈策略不够严格增加约束“当学习者答错时禁止直接给出正确答案先提出 1 个引导性问题”学习者答对后 AI 仍然反复追问退出条件不明确增加“当学习者的回答达到教学目标描述的水平时自动进入下一个知识点”AI 的教学内容太浅或太难初始诊断不够深入主动向 AI 提供更多背景信息例如“我已经写过 30 个 Python 小项目可以直接从进阶内容开始”教学对话太长导致上下文丢失上下文窗口不够用把学习内容拆成多个 Session每阶段只学 3 到 5 个小知识点结束后让 AI 输出学习笔记再开新一轮6.1 如何诊断 AI 教学效果判断 teach skill 是否真正生效不取决于 AI 讲得好不好而取决于你是否能完成独立的输出。我建议使用下面的判定标准学完一个知识点后不看笔记尝试用自己的话解释概念不看示例尝试自己写出一个全新场景下的代码把讲解抛开后重新做题看正确率。如果这三项你都完成了说明 AI 的教学是有效的。如果只是“感觉听懂了”那说明教学闭环没有真正跑起来你需要检查是不是某个环节没有执行到位。6.2 模型选择影响不同 AI 模型对复杂指令的遵循能力不同。一些早期模型可能会忽略“不要输出全部内容”这类约束而一些更强的模型则能严格遵循多步指令。因此如果你的模型无法稳定执行 teach skill优先尝试更擅长指令遵循的新模型再去微调提示词。7. 最佳实践与工程建议7.1 把 teach skill 当成一种“方法”而非“模板”使用一段时间后你会发现teach skill 最有价值的不是那段提示词本身而是它背后的一套方法论。当你理解了“诊断 - 目标 - 拆解 - 互动 - 反馈”这个循环后你就可以把它迁移到任何 AI 应用中写 AI Agent 时让 Agent 在回答前先收集足够信息做 AI 客服时先诊断用户意图再给出解决方案用 AI 写代码时先让 AI 确认需求边界再生成代码设计 AI 面试模拟器时先了解面试者的简历和岗位要求。这个思路和当前 AI Agent 开发中的“先规划后执行”趋势高度一致。7.2 提示词版本管理如果你经常使用 teach skill建议建立自己的提示词版本管理。例如用 Markdown 文件保存不同版本的提示词记录修改原因和测试结果版本 v1.0 - 初始通用版适合概念学习 版本 v1.1 - 增加“禁止直接给答案”约束修复答错后直接给答案的问题 版本 v2.0 - 编程专用版增加练习验证环节这样做的好处是当模型升级后提示词失效时你可以快速回退到历史版本并定位问题。7.3 控制教学单元粒度一个常见误区是为了“多学一点”让 AI 一次性讲三四个相关概念。这会破坏 teach skill 的设计初衷。更合理的做法是每次只学一个核心概念学完后间隔几个小时或一天再学下一个概念下次学习时先让 AI 花两分钟回顾上一轮内容每个学习单元控制在 20 到 30 分钟内完成。7.4 保护学习者的主动性teach skill 的一个潜在风险是学习者会过度依赖 AI 的引导失去自主探索的能力。所以我会在一段时间后主动要求 AI“减少引导”让学习者自己提出下一步要学什么、遇到什么问题。毕竟真正的高手不是学会了解答而是学会了提问。7.5 注意边界与安全虽然 teach skill 用来教学是安全的但需要注意如果 AI 被用来教学一些操作风险较高的技能比如使用命令行工具、修改数据库、操作生产环境请在提示词中增加安全约束所有涉及删除、覆盖、危险操作的命令必须先解释后果要求 AI 在教学前强调“请先在测试环境验证”涉及账号权限、生产数据变更时要求 AI 只描述步骤不代替用户执行。8. 总结与学习路线到这里我把 Matt Pocock 的 teach skill 从概念、原理、基础模板、编程版实战到问题排查完整梳理了一遍。你现在应该能理解普通 AI 问答为什么教不会人teach skill 的核心是给 AI 注入“教学法”诊断、目标、拆解、互动、反馈是五个关键环节通用版提示词可以直接用于任何知识的学习编程教学场景需要增加练习验证和错误定位逻辑遇到问题时要优先检查提示词的约束是否被执行。接下来我建议你按下面这个路线继续练习先用通用版 teach skill 学习一个你熟悉的概念体验完整的教学闭环把它应用到以前学不会的一个知识点上对比学习效果改写一个编程教学专用版配合本地代码运行验证尝试把 teach skill 的方法论迁移到 AI 工具使用和 AI Agent 设计中根据实际体验持续迭代自己的提示词记录版本差异。如果你对 AI 教学、提示词工程或者 AI Agent 开发感兴趣接下来可以进一步学习 System Prompt 设计模式、AI Agent 的多轮对话管理、以及如何结合 RAG 技术给 AI 注入特定的教材内容。这些方向在 AI 应用开发中的热度正在持续上升也值得你投入时间去研究。如果这篇文章对你有帮助建议收藏备用如果按照配置遇到问题欢迎对照文中“常见问题与排查思路”逐项检查大概率能找到原因。