先给结论/teach并不是某个工具里藏起来的隐藏菜单而是一套把“看教程”改成“对话式学习”的互动方法。它的核心不是命令本身而是让学习过程从单向输入变成循环反馈——老师讲一句你回答一句答错就纠正答对就加深。这个方法特别适合被长教程劝退、看完就忘、想快速上手新技能或者希望随时有个“能追问、能出题、能批改”的学习搭子的人。我最近用类似方式重新学了一门新框架最大的感受不是省时间而是注意力终于不用靠意志力硬撑了。下面按实测顺序拆一遍先看它解决什么问题再讲怎么准备然后是完整流程、参数调整、常见排查最后是怎么长期用。1. 它到底解决什么问题不是命令是“学完马上用出来”的反馈闭环1.1 传统教程为什么容易看完就忘大多数教程的核心结构是“讲解 示例 总结”。你在电脑前看视频、看文档、复制代码当时的感受是“我看懂了”但第二天真正自己写的时候往往只记得几个名词写不出完整过程。原因很简单输入不等于掌握。看教程时你的大脑是在“识别信息”而不是在“提取信息”。识别是顺着别人的思路走提取是自己从记忆里捞。真正牢固的学习必须经历提取、犯错、被纠正、再提取这一整套循环。传统教程的问题不是作者讲得不好而是缺少这个反馈回路。看完之后没有任何机制逼你输出也没有人告诉你在哪里卡住。1.2 /teach 把单向输入改成了循环反馈/teach的做法是把教学过程拆成一个个小回合AI 先讲一个知识点尽量短。然后马上布置一道题要求你回答。你写答案AI 检查指出问题。确认掌握之后再进入下一层。从这个角度看/teach更像一个“开始键”。你用它告诉 AI请不要一次性给我讲完请变成老师边问边讲、边练边纠错。大多数对话式 AI 都能理解这个意图只是需要你把规则说清楚。关键不是命令有多神奇而是这个闭环是否真的转起来了。只要一轮互动中出现了“你回答 - 得到反馈 - 修改 - 再验证”就已经比单纯看教程有用。1.3 哪些场景适合哪些场景不要硬套适合的场景学习编程语言、框架、命令行工具需要在编辑器里亲手写。备考理论类知识需要反复回忆概念、做选择题和简答题。练习技术面试问答让 AI 扮演面试官追问。学习语言表达AI 帮你纠错并给出改写建议。快速进入新领域需要先建立核心概念框架而不是从头看几十页文档。不适合硬套的场景需要真实物理环境操作的技能比如操作特定硬件、实验设备。需要团队协作和真实业务数据才能学会的内容AI 无法替代现场。需要大量阅读和品味的领域比如文学深度赏析互动提问反而会破坏沉浸感。判断标准只有一个能不能在对话之外做出一个可验证的结果。能就用互动学习不能AI 再会聊天也没办法。2. 前置条件不用纠结工具但要把目标、现状和验收方式写清楚2.1 工具选择斜杠命令可以完整提示词也可以很多人会以为/teach是某个平台内置的全局指令输入之后 AI 就会自动进入教学状态。实际上它更像一个“提示词开头”。有的工具确实支持斜杠命令或预制 Prompt能帮你快速展开但就算不支持你直接把/teach当作普通文字发给对话式 AI它也能理解你要进入互动教学模式。所以不要被工具名困住。只要满足三个条件就可以用能持续多轮对话不会两三句话就丢上下文。模型能扮演角色愿意按“提问 - 回答 - 纠错 - 推进”的节奏教学。输入足够长能容纳你的学习目标和练习代码。如果你用的是支持自定义指令、知识库和会话记忆的工具效果会更好。但新手阶段不要太在意这些先在普通聊天界面里跑通一次完整互动。2.2 开始前先回答三个问题我见过很多用/teach没效果的人不是工具问题而是开始之前没想清楚。启动会话前先回答这三个问题第一个问题今天具体要学什么不要写“学 Python”要写“写一个能读取 CSV 文件并统计每列平均值的脚本”。目标越具体AI 越能控制讲解范围。目标是“学 Python”时它只能给你一套通用学习路径你很快会变成“看大纲”而不是“做练习”。第二个问题我现在是什么水平写清楚“我能写 for 循环但没处理过文件异常”和“我完全没学过这个类”是两种完全不同的教法。AI 调错难度很多教程就白看了。第三个问题学完之后我拿什么证明自己学会了这个很关键。不是“我感觉会了”而是“我能独立做出来”。比如能写出一个脚本输入测试数据后得到正确结果。能不看资料向 AI 复述某个概念的核心逻辑。能回答三道随机出的题且不依赖 AI 提示。验收方式越具体教学过程就越不会跑偏。2.3 一个可以直接改写的 /teach 示例模板下面这个模板我实测下来比较稳你直接改中括号里的内容就能用/teach 学习目标我想写一个 Python 脚本读取一个 CSV 文件过滤掉空行和重复行然后输出清洗后的文件。 当前水平会写 for 循环和 if 判断没用过文件读写也不太清楚 CSV 模块怎么调用。 教学方式不要一次性把完整代码给我。 每讲完一个小知识点出一道题让我自己写我写完后你先指出错误再告诉我更优雅的写法。 最后给出 2 道新练习题要求能覆盖今天的内容。这段提示词里有几个关键信息学习目标具体AI 会围绕文件读写和 CSV 清洗展开不会跑偏到一堆无关语法。当前水平明确AI 会把难度控制在循环、判断、文件读写这个范围。教学方式限定禁止一次性给完整代码强制它进入“边讲边练”模式。验收方式固定要求最后出 2 道新练习题而且强调“新”避免 AI 只复述原题。用这个模板之前最好先打开本地编辑器或终端准备好测试文件。我一向建议“先建目录再开对话”因为很多练习需要真实跑起来不能只在对话窗口里看代码。3. 完整实操流程从发起会话到真正学会3.1 先用一条紧凑指令开启互动第一次使用不要只发一个/teach就等结果。要跟着模板补全目标和规则否则 AI 不知道该教什么。一个比较完整的开场可以是/teach 今天目标学会用正则表达式提取文本中的手机号、邮箱和 URL。 水平正则表达式只会匹配简单数字比如 \d没处理过带字符和边界的场景。 方式先解释一次“贪婪匹配和非贪婪匹配”然后出题让我写。 不要直接给完整答案先让我尝试。你会发现AI 收到这种指令后的行为明显不一样它不会一口气给你一篇教程而会先讲一小段然后在末尾问你“你可以先试着写一个匹配手机号的表达式”。这就进入了互动状态。3.2 每一轮教学都按“讲解—示范—练习—纠错”走互动教学的稳定节奏我一般会控制成四步讲解每个知识点只讲一小块最好控制在 2 到 4 个要点内。示范给一个极简的例子例子必须完整可运行。练习让你写一个和示范类似但不完全相同的实现。纠错你提交答案AI 指出问题再给改进建议。如果 AI 一轮讲得太多你可以直接打断停一下这部分信息量太大。请只留下最重要的两个点然后出一道题让我练。不要不好意思打断。AI 不会觉得你烦只会根据你的反馈调整节奏。这也是interactive learning和普通教程最不一样的地方你有控制权。3.3 你会遇到的最重要一步必须自己把答案打出来这一条我单独拎出来强调因为它是整个/teach方法能不能成立的命门。很多人用 AI 学东西时看到 AI 出的题心里想“哦我会”然后直接在对话里回一句“答案是不是这样”或者干脆让 AI 直接给答案。这样做互动就没有意义了。正确做法是如果是代码就切到本地编辑器亲手写一遍。如果是概念题就把自己的理解按条写下来哪怕很啰嗦。如果卡住只写“我知道第一步要做什么但不知道第二步怎么处理”把卡点暴露给 AI。我喜欢在提示词里加上一句我提交练习答案之前不要解释任何新概念只要我回答得不对就先用提示让我自己改。这能强制自己先思考而不是等着喂答案。3.4 用新题目和综合题目验收不只听“答对了”AI 有一个很明显的毛病你写了一个基本能跑的答案它可能会说“很好你理解了”。这时候千万别立刻结束学习。它说的“好”只代表它看到了一个可接受的输出不代表你真的掌握了。真正的验收是换一批条件再考一次。我会这样要求 AI现在不要用原题。请把输入换成一个边界情况比如空文件、带有 BOM 的表头、时间戳格式不同的数据。重新出一道题我不看例子直接写。这样做的原因是原题练的是熟悉新题练的是迁移。学习是否发生关键不是你能复述讲解内容而是你能在新条件下把方法用出来。一次完整会话结束时我还会让它做最后一步请用三句话总结今天学到的核心结论然后给出两个我可能忽略的坑点。这个总结不是我写的AI 写的它的价值是提醒我“有没有漏掉什么”而不是替我学习。4. 关键参数怎么调目标粒度、难度节奏和反馈方式4.1 学习目标越具体AI 老师的表现越稳定同样的 AI为什么有人用起来像名师有人用起来像废话生成器很大原因在于目标粒度。对比一下这两组目标差我想学 Python。好我想写一个函数输入是字符串列表输出是去掉重复项并保持原始顺序的列表。第二组目标下AI 只需要处理一个明确问题它可以检查你的代码逻辑、指出返回值边界、出针对性练习题。第一组目标下AI 只能给一个泛泛的学习大纲你很快会发现自己又变成了“看教程”。所以在每次会话开始前把目标拆到“今天能产出一个什么东西”的粒度。这个产物可以很小比如一个函数、一段 SQL、一张知识卡片但必须具体。4.2 用上下文约束控制节奏防止回答失控AI 有很强的倾向讲着讲着就开始长篇大论把你想学的知识点塞进一大段解释里。这会破坏互动节奏让学习重新变回“接受信息”。可以在模板里直接加这些约束“每段解释不要超过 200 字。”“每次提问只出一道题。”“不要一次性列出所有答案我说做不出来时再给提示。”“如果我的代码有错误请先指出错误行再解释原因。”这些约束不是摆设它们会明显影响回答结构。你可以把“控制输出长度”看成参数把“一次只出一个练习”看成另一个参数。真正的教学就是在这两个参数之间找平衡。如果你当前的水平还撑不住长任务就把范围拆小。比如“今天只学函数参数传递的args和kwargs”而不是“今天学完整函数定义”。这样 AI 给出的课程会短很多反馈也更聚焦。4.3 反馈方式可以按阶段切换不同学习阶段你需要 AI 给的反馈强度不同。入门阶段可以允许 AI 多给提示比如“你看一下这个列表有没有越界”或者“提示还有空字符串的情况”。因为你还不知道坑在哪里强行完全独立完成会挫败。进阶阶段让 AI 只指出问题不给答案我的代码哪里有问题请先不要给我正确写法只告诉我症状。比如某个边界条件没有处理或者变量名容易混淆或者异常情况会导致崩溃。这个阶段你要的是“被提醒”不是“被代写”。如果 AI 每次都直接给你完整答案你永远没有机会建立自己的错误识别能力。冲刺阶段直接模拟考试你现在是面试官。给我 3 道题难度递增每道题我写完后你追问细节。全程只评价我的答案不要补充额外内容。这种反馈模式下你不再依赖 AI 主动喂知识而是在高压检验中暴露缺口。暴露出来再针对性补效率远高于重看一遍教程。4.4 把主动回忆和间隔重复嵌进互动环节/teach可以用来学新知识更能用来复习旧知识。很多人的使用误区是一股脑往前学不会回头看。我常用的方式有两种第一种每次新会话开始前先做一次“召回测试”我们昨天学过“用正则提取 URL”。现在不要提醒我我能记住的关键点有这些…… 请根据我的记忆情况指出我理解错或漏掉的部分。这等于把过去的笔记变成了测试工具。你暴露出来的漏洞就是今天最该学的东西。第二种让 AI 把旧知识编排进新练习学新内容时加一句今天的练习题里至少包含一个昨天学过的概念并把难度稍微提高一点点。这种做法会让新旧知识混合更接近真实应用。真实工作中写代码不会有人告诉你“这次只许用今天学的知识”你都是需要综合调用所有已知技能。5. 为什么你用了 /teach 还是没效果五个常见问题排查5.1 工具没有真正进入“老师模式”现象是你发了/teachAI 还是直接给你一段完整教程结尾也没有提问。原因通常是当前工具不支持斜杠指令或者 AI 把这个词当成了普通内容没有触发教学角色。排查顺序确认自己发的是不是一条有效的提示词。只发/teach三个字信息量太低。换成完整描述“请扮演一位老师用互动方式教我。讲完一个知识点就出一道题等我回答后再继续。”如果还是无效考虑当前模型是否更适合处理任务型指令可以考虑换一个对话能力更强的模型或者把同样的话换个写法。这个问题的本质不是工具坏了而是指令没告诉 AI 该做什么。5.2 指令太短目标太宽泛现象是AI 开始正常提问但问的问题很泛比如“你知道 Python 是什么吗”“你希望从哪里开始学”两轮之后你就不知道该回什么。原因目标没有写清楚。AI 只能围着你的目标转你给“学会 Python”这种目标它就给你“介绍 Python 安装、解释器、变量、循环”的标准课程而不是你真正需要的“文件清洗脚本”。处理方法把目标改成“一个 20 分钟内能完成的练习”并且带上输入输出样例。比如输入是 data.csv格式为name,age,city。要求写一个脚本去掉 age 小于 18 的行。输出到 result.csv。 我的水平是会读文件但不会写 csv 模块。这样 AI 问的问题会一下子变得具体。5.3 把互动学成了“单方面读 AI”现象是每一轮都是 AI 在讲你只回“嗯”“好的”“继续”。看起来像互动实际上还是被动接收。处理方式非常直接把回答门槛提高。在提示词里要求“每次我回答后AI 必须先指出一个具体问题或给出一个追问才能继续讲新内容”。如果它说“很好”你可以要求不要只说很好。请随机考我一道边界条件题目或者指出我答案里潜在的性能问题、异常风险和表述漏洞。这个习惯很重要。它可以避免你把 AI 的礼貌误当成熟练。5.4 上下文太长导致前后矛盾现象是学了一个小时后AI 开始忘掉最开始的要求或者给出的练习和今天的主题关系不大。原因对话上下文太长模型注意力被稀释。AI 不是记不住而是它的上下文窗口和处理机制决定了越靠后的内容权重越高。处理方案每完成一个主题开启新会话。新会话里把旧的结论压缩成三到五条笔记连同新目标一起发给 AI。如果 AI 偏离路线直接重复一次原始指令“回到我最初定义的方式只教正则匹配不要扩展。”这样做还有一个额外好处你会被动整理学习记录而不是让 AI 替你记住。整理记录本身就是一种输出学习。5.5 把 AI 的表扬当成学会信号现象是AI 说“你已经掌握了”你就觉得可以结束了。第二天一写发现自己还是不会。这个问题的根源不是 AI 骗你而是你没有设置硬性验收。AI 说“好”只代表它收到的答案是合情合理的而不代表你能在没有任何提示的情况下完成类似任务。我会在每次学习结束时有一个固定动作关掉对话窗口只靠一张白纸或本地产物复现一次。如果是代码就新建文件从零开始写如果是概念就默写一份要点提纲。写不出来就带着卡点重新打开会话。所以判断是否学会的标准只有一条不看 AI 输出自己能不能完整做出来。如果不能那不是你的问题而是互动还没有闭环。你需要用新练习题再把薄弱点打一遍。6. 从单次互动到长期学习系统让 /teach 变成可复用方法6.1 每次会话后沉淀结构化笔记单次互动再好不记录就等于白学。长期使用/teach的人都会有自己的一套笔记结构。我常用的是下面这个格式日期 学习目标 核心结论 练习中犯过的错 仍卡住的问题 下次学习需要先复习什么对话结束后把 AI 给的知识点按自己的理解整理进去。这里有一个经验不要直接复制 AI 的原话尽量改成自己说得出口的解释。如果你写不出来说明还有卡点把卡点写下来下次继续问。笔记不用长每天五到八条就够。关键是形成“学完 - 整理 - 复习 - 再学”的循环。6.2 按学习场景准备不同的提示词模板不要每次都现场编。准备几个固定模板会省很多上下文清理成本。编程学习模板/teach 目标写一个 [目标程序] 语言Python 水平[描述] 要求先讲最小可用知识再让我写。每轮出一个小练习只给提示不直接给完整代码。最后用边界条件验收。概念理解模板/teach 目标理解 [概念] 作用我希望能在 [场景] 中用它 方式用类比解释一次让我用自己的话复述再用两道选择题检查最后出一道和原场景不同的应用题。面试准备模板/teach 目标准备 [岗位] 面试 重点方向[列出几个技能] 方式每次问一个开放式问题我回答后你追问细节遇到我回答错误时先记录最后统一讲解。这些模板的意义不是“更高级”而是让 AI 少猜你的需求。模板越贴合场景反馈就越准。6.3 从知识学习升级到技能实操很多人用/teach学了很久但真正做项目的时候还是不会。原因是 AI 互动练的是“块状知识点”真实工作则需要“流程化能力”。解决办法是把学习目标从“知道”改成“做出一个完整作品”。比如你想学前端不要只让 AI 教 Flexbox 和 Grid而是直接定一个目标我要用 HTML CSS 做一个响应式卡片列表要求在两列和单列之间切换。请你只教我解决这个布局问题并让我自己写。这里 AI 教你的不再是孤立布局知识而是“为了实现页面效果你需要选择哪种布局方案、怎么写、怎么验证”。这和真实开发场景完全一致。实操类学习我建议把 AI 当成“随叫随到的代码评审”而不是“课程讲师”。你把草稿给它它指出问题你再改再交反复几个回合。这个过程比任何连续讲 30 分钟都有效。6.4 用“每日一问 周回顾”建立节奏长期坚持/teach的关键是把它变成一种轻量习惯而不是每次都要大动干戈。我比较喜欢给 AI 设定一个固定周期性任务从今天开始你在每个学习日开始前问我一个问题内容是昨天学习内容的核心。我回答完之后你根据正确率决定今天学什么。一些支持定时任务或记忆功能的工具可以跑通这个流程。就算工具不支持你也可以每天自己主动发送“今日一问”把 AI 当作你的抽查工具。每周再花 20 分钟做一次总回顾把这一周我学过的所有核心概念列成一张表格然后随机抽 3 个让我解释。解释完你指出遗漏。这本质上是把“间隔重复”落到了 AI 互动里。它不需要额外软件也不需要复杂算法只需要你愿意在每次新学习开始前先回忆一次旧内容。旧内容回忆得越吃力你越应该高兴因为这种“必要的困难”恰恰是记忆加深的信号。最后说点实在的我自己用下来的感受是/teach最值得学的不是某个固定格式而是一种“不要被动接受”的意识。它逼着你从“看完教程”变成“回答提问、写出代码、暴露错误、再做一遍”。这套循环放到任何 AI 工具上都成立放到没有 AI 的学习场景里也成立。如果你刚开始尝试不要一次给自己安排太多主题。先从一个小目标开始今天做一个能在本地跑通的最小示例让 AI 围绕这个示例出三道题。跑通三次之后再尝试把/teach发展成自己的长期学习系统。真正的学会不是 AI 说了一句“很好”而是你关掉对话窗口之后还能把东西独立做出来。