简介：这份docx文档收录了11个可直接套用的ChatGPT学习指令，聚焦思维导图、费曼技巧、精细提问、间隔重复、SQ3R法、双编码、类比隐喻、故事叙述、交错学习等主流高效学习法，适合需要借助AI辅助自学新技能、备考或系统攻克某一领域知识的学习者与知识工作者。文档共1个docx文件，压缩包仅12KB，内容采用中英文双版本对照，既便于理解每类学习方法的操作思路，也可直接复制英文Prompt使用。每个指令均配有主题占位符，可按所学的x topic灵活替换；无论拆解复杂概念、构建知识框架，还是强化长期记忆，都能获得一条清晰可落地的应用路径。把这些方法串起来，相当于拥有了一套可迁移的学习方法论：先用费曼技巧讲清逻辑，再用间隔重复与交错学习巩固知识，最后借助自我解释和内化输出完成闭环，学习效率会明显提升。目前已有231人学习下载，适合希望把ChatGPT变成个性化学习教练、持续提升知识吸收效率的读者收藏使用。

1. 别把这 11 条 AI 指令当模板复制：ChatGPT 当私人教练的真正打开方式

拿到这份《11 个顶级的 AI 指令 Prompts 提示词》时，我第一反应是"这不就是 11 句 prompt 模板么，能有多大花头"。直到我把第 2 条费曼技巧、第 11 条记忆宫殿拿去实测，才发现自己之前用 ChatGPT 学习的方式有多粗糙——直接丢给它"帮我解释一下什么是 RNN"，得到的永远是百科式废话。而这套提示词的价值不在那 11 句话本身，而在每条指令背后绑定的一种学习方法论：思维导图管结构、费曼技巧管理解、间隔重复管记忆。适合谁用？想靠 ChatGPT 系统学东西的自学者、带新人做技术培训的工程师、以及那些买了一大堆课程却始终记不住的备考党。往下我会把每条指令的玩法、参数和坑都拆开讲，尤其第 11 条记忆宫殿，用好了是真的会上瘾。

2. 先拆提示词的结构：为什么你这句"帮我学"不顶用，它这句就能出活

2.1 三段式结构：任务动词、方法论名、主题变量

把这 11 条提示词并排放在一起看，会发现它们的句式高度统一：开头是个动作指令，中间是个方法论名称，结尾是主题占位符。以费曼技巧那条为例原文是"演示如何将费曼技巧应用于学习和记忆[某主题]的信息，通过简化复杂概念并向他人讲解它们"。拆开就是：

• 任务动词：演示、解释、介绍、描述
• 方法论关键词：费曼技巧、SQ3R 法、双重编码理论
• 主题占位符：[某主题]
• 执行方式补充：通过简化复杂概念并向他人讲解

对比一下大多数人平时的问法："帮我学一下 Python"——没有方法论、没有输出格式、没有执行路径。ChatGPT 接到这种指令只能给一段百科式综述。而这套提示词的高明之处在于：它把"学什么"和"怎么学"分开，主题由你填，方法论由提示词定，AI 不需要发挥，只需按流程执行。

实际使用时，我一般会在每条提示词后面追加一句格式约束，比如"用 Markdown 输出，先给结论再给步骤"。别小看这句话，它决定了 ChatGPT 是给你一段 800 字小作文，还是给你一份能照着做的清单。我常用的增强版模板长这样：

演示如何将费曼技巧应用于学习和记忆[某主题]的信息， 通过简化复杂概念并向他人讲解它们。 要求： 1. 先用三句话概括该主题的核心，假设读者是零基础； 2. 找出最容易让人误解的三个概念点，分别用日常生活类比解释； 3. 输出格式：Markdown 分节，每节不超过 6 行。

这段提示词的逻辑是：先告诉 AI"用费曼技巧"，再限定输出的结构和长度。第 2 条尤其关键——"最容易误解的概念点"是把 AI 从"背书模式"切换到"教学模式的开关。实测下来，加了这段约束后，ChatGPT 给出的解释深度明显不一样，不再是复述教科书，而是真的在想办法让你听懂。参数维度上，你可以调整的有：受众水平（零基础/有基础）、输出格式（Markdown/表格/步骤清单）、篇幅（每节几行）、案例数量（几个类比）。这些变量就是你和别人用同一个模型、同一套提示词，效果却天差地别的原因。

2.2 主题变量替换：别填"人工智能"，要填"Transformer 的注意力机制"

提示词里的[某主题]（英文版是[x topic]）是整个模板里唯一需要你自己动脑的地方。这里有个新手必踩的坑：把主题填得又大又空。比如你想学人工智能，于是填进去"人工智能"——ChatGPT 会给你从图灵测试讲到深度学习，全是正确的废话。正确做法是把主题缩到"能在一周内学完的具体对象"，比如"Python 装饰器的执行顺序""MySQL 索引的 B+ 树结构""Kubernetes 的 Service 与 Pod 关系"。

我在实际使用时，会把同一主题套到 11 条提示词上，批量生成一套完整的学习材料。手动替换太累，写了个小脚本批量处理：

import json topics = [ "Python 装饰器", "MySQL 索引原理", "Docker 网络模式", ] template_file = "prompts_template.json" # 存放 11 条英文或中文模板的 JSON 文件 output = [] with open(template_file, "r", encoding="utf-8") as f: templates = json.load(f) # 每条模板是一个字符串，包含 [某主题] 占位符 for topic in topics: for tpl in templates: output.append(tpl.replace("[某主题]", topic)) with open("generated_prompts.txt", "w", encoding="utf-8") as f: f.write("\n\n---\n\n".join(output)) print(f"生成 {len(output)} 条提示词，已写入 generated_prompts.txt")

这段脚本的逻辑很简单：读入存有 11 条模板的 JSON 文件，把里面所有的"[某主题]"替换成你准备的具体主题，然后逐条拼接写入文本文件。参数说明：topics 列表放你想学的具体主题，每个主题词尽量控制在 6 个字以内且不带括号；templates 里如果既有中文又有英文模板，替换时要区分"[某主题]"和"[x topic]"两种占位符，否则英文模板不会被替换到。跑完脚本后，你会得到"主题数 × 11"条提示词，直接复制进 ChatGPT 即可。这个脚本帮我省掉了最机械的复制粘贴时间，也让整套提示词真正变成了"可批量复用的学习流水线"。

2.3 输出格式约束：让 ChatGPT 从"写作文"切到"给方案"

拆完结构就该聊一个实战中决定成败的参数：输出格式。同样一条思维导图提示词，不加格式约束时，ChatGPT 会给你一段描述性的文字"首先我们画一个中心节点，然后向外延伸出三个分支……"；加了格式约束后，它会直接给你一份可以复制进思维导图工具的层级清单。

我习惯用的是这样一种写法：

解释如何为[某主题]创建思维导图。 要求输出： - 中心主题：用一句话限定思维导图的范围； - 一级分支：列出 5±2 个关键维度； - 二级分支：每个一级分支下给出 3 个具体概念； - 用缩进式文本呈现，禁止用表格。

参数说明里的关键点有两个。第一,"5±2 个关键维度"利用了认知心理学里的工作记忆容量限制，逼 ChatGPT 收敛而不是无限发散；第二，"用缩进式文本呈现"是为了方便你直接把输出粘贴到 XMind、MindNode 这类工具里，它支持从缩进文本导入大纲。需要提醒的是，别让它输出 Mermaid 格式的思维导图代码——虽然 ChatGPT 很喜欢生成mermaid代码块，但大多数笔记软件的 Mermaid 渲染器对中文和复杂分支支持不稳定，我至少翻车过四五次，后来一律改用缩进式文本。这条经验后面避坑章节还会细讲。

3. 前五个技巧的落地实战：思维导图、费曼、精细提问、间隔重复、SQ3R

3.1 思维导图与费曼技巧：先搭框架，再用大白话验证

思维导图这条提示词的核心价值不是"画图"，而是逼 AI 把主题拆成有层级的结构。我实测下来最顺的玩法是两轮对话：第一轮让它生成中心主题和一级分支，第二轮针对某个分支继续追问。比如学 Docker，第一轮会得到镜像、容器、网络、存储、编排五个一级分支；第二轮挑"网络"分支，让它继续拆出 bridge、host、overlay 三种模式的区别。这样层层下钻，一个复杂主题就被拆成了可逐个击破的知识点。

费曼技巧那条更值得玩出花。原始提示词是"演示如何将费曼技巧应用于学习和记忆[某主题]的信息"，但如果你只是把这句话丢给 ChatGPT，它会给你讲解一遍费曼技巧是什么——等于没练。我的做法是反向使用：让 ChatGPT 扮演一个 10 岁孩子，我来向它解释主题，它负责挑刺。

现在你是一个 10 岁的小学生，对[某主题]完全没概念。 我将尝试用大白话向你解释这个知识点。 每解释完一段，你要做两件事： 1. 用你能听懂的话复述我讲了什么（检验我有没有讲清楚）； 2. 提出一个"为什么"的问题（找出我解释里的漏洞）。

这个玩法的逻辑是：真正的费曼技巧核心不在于"讲给别人听"，而在于别人一追问，你就露馅。让 ChatGPT 扮演小朋友追问，比你自己对着空气讲有效得多。参数上可以调整的有孩子年龄（10 岁最严苛，因为知识储备少，逼你彻底抛弃术语）、追问强度（每段必问 vs 随机问一次）、以及是否允许它提前看标准答案（我一般禁止，保持盲问）。实测下来，用这个方式学"HTTP 缓存机制"，我被追问到第三次就卡住了——那一瞬间你就知道自己是真懂还是假懂。这比任何笔记软件都管用。

3.2 精细提问与间隔重复：对抗遗忘的两个引擎

精细提问法（精细质询法）这条提示词，大多数人会用错。原始指令是"描述精细提问法的过程，并提供如何使用这种问答技巧来提高信息记忆的例子"——这话本身没问题，但如果你照单全收，ChatGPT 会给你讲一通"什么是精细提问"，你什么也没记住。我的改法是让它直接出题：

针对[某主题]的以下 5 个核心概念， 为每个概念生成 3 个"为什么是这样而不是那样"的问题。 不要给出答案，只列问题。 我会自己先回答，然后再找你核对。

这套路的关键在最后一句"不要给出答案"。精细提问法的本质是让你主动生成解释，而不是被动接收解释。AI 一旦先给了答案，你的大脑就进入省电模式。参数上可以控制问题的刁钻程度：要求"基于常见误解提问"或"基于概念边界提问"。比如学 Git，普通问题是"什么是 rebase"，好问题是"为什么 rebase 会改写提交历史，而 merge 不会？"——后者逼你在两个相似概念的对比中建立真正理解。

间隔重复那条提示词则要配合你的真实时间表来用。原始指令是"解释如何将间隔重复法融入我在[某主题]的学习中"，如果你只丢这句话过去，ChatGPT 会给你一个理想的复习计划：第 1 天、第 3 天、第 7 天、第 15 天……听起来很美，但它不知道你每天只有 30 分钟，也不知道你周末才有整块时间。我的参数化写法是：

我每天能投入[30]分钟学习[某主题]，每周[三]和[日]有整块的[2]小时。 请基于艾宾浩斯遗忘曲线，为我生成一份 14 天的复习计划， 要求： - 每天只安排一个复习重点； - 在 Day 3、Day 7、Day 14 安排综合回顾； - 输出为表格，列：天数、复习内容、耗时、复习方式。

参数说明：方括号里的三个值——每日分钟数、周几有整块时间、整块时长——是这份计划的灵魂。ChatGPT 对数字很敏感，你给得越具体，它生成的计划就越贴合你的作息。表格输出则是为了方便你贴进日历或打印出来打勾。这里有个血泪经验：别贪多，一天一个复习重点足够，安排多了你第三天就会放弃整个计划。

3.3 SQ3R 的 ChatGPT 版：把教材读薄，再读厚

SQ3R 法（Survey, Question, Read, Recite, Review，即浏览、提问、阅读、复述、复习）是五步阅读法，但直接让 ChatGPT"介绍 SQ3R 法"没意义——你得让它带你走完整套流程。我用它读技术文档时，把五步拆成了两轮对话。第一轮做 Survey 和 Question：把教材目录或章节标题贴给 ChatGPT，让它生成一份问题清单。

以下是我要阅读的章节标题列表： [贴入章节标题] 请按 SQ3R 法的 Survey 和 Question 两步： 1. 快速浏览这些标题，预测本章要解决的核心问题； 2. 将每个标题改写成"问题"的形式，例如"什么是 X"改为"X 解决了什么问题，它是怎么做到的"； 3. 输出为 Markdown 列表，每个问题后空一行方便我记录答案。

这一轮的价值在于：把被动阅读变成主动寻找答案。第二轮做 Recite 和 Review：读完一章后回来，让 ChatGPT 充当考官，用第一轮生成的问题考你。

针对我刚才读过的[章节名]章节， 请你用第一轮生成的问题逐一提问， 我用自己的话回答后， 你指出我回答中遗漏或错误的地方，并告诉我正确答案在书里的哪一部分。

这个循环的本质是让 AI 帮你执行 SQ3R 里最容易被跳过的"复述"和"复习"两步。参数上可以调整考官的严格程度和提问数量（3 题起步，状态好加到 5 题）。我实测读《深入理解计算机系统》的虚拟内存章节时,这套流程走完一遍，比之前从头到尾读两遍记得牢得多——因为每一个问题都逼你输出一次，而输出过的内容才真正属于你。

4. 后六个技巧的进阶玩法：类比隐喻、双重编码、故事叙述、主题关联、交错学习、记忆宫殿

4.1 类比隐喻与双重编码：让抽象概念长出画面

类比隐喻这条提示词适合用来啃硬骨头。原始指令是"分享如何创建类比和隐喻来简化复杂观念"，但只让它"分享"是不够的，你得让它针对你正在学的具体难点生成类比。我学 Kubernetes 的 Service 和 Pod 关系时，让它生成五个不同领域的类比，其中"餐厅等位系统"那个类比让我一下就通了。参数写法：

我正在学[某主题]中的[具体难点概念]。 请生成 5 个来自不同领域（生活、体育、游戏、烹饪、职场）的类比， 每个类比必须覆盖以下三个维度： - 这个概念扮演什么角色； - 它和相邻概念的关系像什么； - 用这个类比理解时，哪个部分会失真（指出类比失效的边界）。

第三个维度是我特别加的——每个类比都有失效的地方，AI 如果不说清楚，学习者就会在边界处翻车。比如把 Service 比作餐厅等位叫号，但现实中叫号是单向的，而 Service 的负载均衡策略是多样化的，这就是失真点。双重编码理论那条提示词的操作性更强：它要求口头信息加视觉信息双通道编码。我的做法是让 ChatGPT 同时输出文字解释和画面描述。

解释[某主题]中的[概念]时，请同时提供： 1. 一段不超过 100 字的文字定义； 2. 一个"画面描述"：用具体的场景/物体把这个概念画出来，描述到可以直接画成插图的程度； 3. 说明画面中每个元素对应概念的哪个部分。

注意我没让它生成图片，而是生成"画面描述"。ChatGPT 的绘图能力不稳定，但它的文字描摹能力很强——你拿着它的描述去问 Midjourney 或直接手绘都行。实测学"TCP 三次握手"时，它给了一个"两人隔着河投石确认暗号"的画面，我到现在都忘不掉 SYN 和 ACK 各自对应的投石动作。双重编码的核心就是让抽象概念挂上一个视觉锚点，这个锚点越离谱越难忘。

4.2 故事叙述与主题关联：用情节黏住知识点，用结构织网

故事叙述这条提示词，直接要求它把知识点嵌进情节里。我学 Redis 持久化机制时，它给我编了一个"小本本记录员（AOF）和随时拍照的摄影师（RDB）合作为一家餐厅防停电"的故事。奇怪的是，这个有点幼稚的故事比任何架构图都让我记得牢——因为故事有情节线，而大脑对情节的编码深度远高于对列表的编码。

请把[某主题]中的[概念]编成一个 150 字以内的微型故事。 要求： 1. 用拟人化手法，概念必须作为故事中的角色出场； 2. 情节必须体现概念的运作流程，不能只是角色名字替换； 3. 故事结尾用一句话点明：这个故事的哪个情节对应概念的哪个步骤。

关键参数是第 2 条——"情节必须体现流程"。很多 AI 生成的故事只是把"进程"改成"进程小侠"，换汤不换药，你要的是流程的戏剧化转译。主题关联这条提示词则适合用来建知识网络。它的玩法是：把你已经学过的若干主题丢给 ChatGPT，让它找出隐藏的共通结构。

我最近学了[主题A]、[主题B]、[主题C]三个知识点。 请找出它们在底层逻辑上的共通模式， 并用一个抽象的框架概括这三个主题。 然后指出：如果我只记住了这个框架，会在哪个具体场景下理解出错。

这个提示词的精妙之处在于最后一句——它逼 AI 同时告诉你"通用框架"和"框架失效的边界"。我学负载均衡、消息队列、连接池时，它总结出"缓冲与调度"这个共通模式，并提醒我连接池的失效场景和负载均衡完全不同。从那以后我再看新技术，第一反应不是"它是什么"，而是"它和我已知的哪个东西共享同一个底层逻辑"。这就是主题关联法的效果——让知识从点变成网，从网变成框架，最终在脑子里形成结构而不是零散记忆。

4.3 交错学习与记忆宫殿：混合练习防干扰，空间锚点防遗忘

交错学习这条提示词，核心在于"混合"而非"切换"。原始提示词说"混合相关的主题或技巧以增强信息记忆"，但如果你让它一口气混合五个主题，AI 生成的练习材料会非常割裂。我的实操是限定两个相关主题交错，比如学 Java 的 ArrayList 和 LinkedList 交错对比学习。

我同时在学[主题A]和[主题B]，两者相关性较高。 请设计一套交错学习材料： 1. 先出 3 道只涉及 A 的题； 2. 再出 3 道只涉及 B 的题； 3. 最后出 3 道需要同时调用 A 和 B 才能解答的题； 每道题都要标注它考察的核心概念。

这里有个值得注意的坑：交错学习不等于来回切换科目。它强调的是"在练习中频繁混合相关但不同的题型"，让大脑不得不持续区分两者——这种"必要难度"反而加深记忆。如果 A 和 B 毫无关联，混合就没有意义，只会造成干扰。

记忆宫殿，也就是第 11 条提示词，是整套资源里上限最高也最难用好的一个。原始指令是"通过将关键概念与生动的心理图像和位置关联来帮助记忆"。我的玩法分三步走：

第一步：帮我列出[某主题]的 10 个核心概念，按逻辑顺序排列； 第二步：请设计一座 10 个房间的虚拟建筑（客厅、厨房、书房…）， 把每个概念映射到一个房间，并在房间里安排一个与该概念含义强相关的视觉意象； 第三步：针对每个概念，用一句话解释"为什么这个意象放在这个房间"。

参数上，房间数量要和概念数量严格对齐，不超过 12 个——记忆宫殿的检索效率会随房间数增加而下降。意象越荒诞越容易记住，比如"内存泄漏"配一个水龙头关不上的厨房，比配一张滴水的水管示意图好记十倍。我实测把 CAP 定理的三个特性映射到三个相邻房间后，分布式系统的一致性概念就再也没混淆过。第 11 条确实是压轴的那条，前十条解决"理解"和"复习"，这一条解决的是终极的"提取"——关键时刻能不能把知识从脑子里拽出来。

5. 避坑指南：提示词翻车的五种常见故障与排查

5.1 先判断是提示词的问题，还是上下文的问题

这套资源用久了会碰到各种"ChatGPT 突然变笨"的情况。我的排查顺序是三步走：先看提示词有没有被改得面目全非，再看与之相关的主题填得是否够具体，最后检查对话是不是已经太长导致上下文污染。前三步都没问题，才考虑换模型或换客户端。别一上来就怀疑提示词失效——大多数翻车都是使用姿势的问题，而非模板本身的问题。

5.2 五种高频故障：现象、原因、解决

故障一：输出全是"假设……"的占位符套话。

现象：让 ChatGPT"解释如何为[某主题]创建思维导图"，它回复里不断出现"假设你的主题是……"这种词，完全不落地。原因：[某主题]这个占位符没被替换，ChatGPT 只能按字面意义猜测。解决：把主题写具体，比如"[某主题]"改成"Kubernetes 调度器工作机制"；如果是在脚本里批量生成的，检查 replace 方法是否同时处理了中文和英文两种占位符。

故障二：回答像百科词条，全是正确的废话。

现象：使用了费曼技巧提示词，但 ChatGPT 还是给你一段教科书式定义，没有任何教学感。原因：提示词里缺少"受众水平"和"输出结构"的约束，AI 默认用信息密度最高的模式回答。解决：在提示词末尾追加格式要求，比如"假设读者是零基础""用三个生活类比""每节不超过 6 行"。我自己写了一个标准的格式追加块，复制到任何提示词后面都管用：

要求： 1. 零基础可懂，禁止出现没有解释的缩写； 2. 每段话不超过 5 行，先结论后细节； 3. 如果概念复杂，先给一个生活化类比再展开。

故障三：让它输出思维导图，结果给了一堆 Mermaid 代码，粘贴到工具里还渲染不出来。

现象：ChatGPT 生成mermaid代码块，复制到部分笔记软件后显示乱码或语法错误。原因：不同工具对 Mermaid 的版本支持不一致，中文节点、特殊字符和复杂分支是最常见的渲染失败点。解决：在提示词里明确"禁止 Mermaid 格式，用缩进式文本输出"。绝大多数思维导图工具都支持从缩进大纲导入。

故障四：间隔复习计划太理想化，执行两天就崩。

现象：ChatGPT 生成的第 1 天安排 6 个复习点，第 2 天安排 8 个，正常人根本没时间完成。原因：没有在提示词里写入时间预算，AI 默认你有充足的学习时间。解决：把每日可投入时间、每周固定空档、复习周期长度三个参数写进提示词。同时要求"每天不超过 1 个新的复习重点"，从源头控制计划量级。

故障五：对同一主题反复对话后，ChatGPT 开始答非所问，或者提示上下文长度不够。

现象：同一个主题聊了 30 多轮后，它开始重复早期内容，甚至把 A 概念安在 B 概念头上。原因：对话历史太长，超过了模型的上下文窗口；旧消息中的错误信息或无关内容开始干扰新回答。解决：把对话拆分成多个会话，每个会话聚焦一个技巧；每隔几轮把关键结论整理到一篇外部笔记里，清理聊天上下文后继续。如果用的是本地客户端，遇到"无法加载 config.toml"或上下文长度相关报错，优先检查配置文件里的模型参数和上下文窗口设置，并清理过长的历史会话再重试。这也是我养成"分区对话"习惯的原因——一个主题一个会话，结束就归档，绝不在同一个会话里反复折腾超过 20 轮。

6. 把 11 条提示词串成一条学习流水线：从搭框架到验证效果的完整闭环

6.1 搭一个"主教练"工作台：一个 Prompt 管住 11 种教学法

单条提示词再强，一条条复制粘贴还是太碎。我现在的做法是用一个总控提示词，把 11 种方法做成一个可以切换的"教练面板"：

你是我的私人学习教练，精通以下 11 种教学法： 思维导图、费曼技巧、精细提问、间隔重复、SQ3R、类比隐喻、 双重编码、故事叙述、主题关联、交错学习、记忆宫殿。 每次对话开始，我会用"/方法名 主题"的格式指定你要用的教学法， 例如"/费曼技巧 Kubernetes Scheduler"。 你需要： 1. 按对应教学法的标准流程执行； 2. 默认输出为 Markdown，先给概览再给细节； 3. 每个知识点结束时，给出一个"自我检测题"，我回答后你纠正。

这个总控提示词的逻辑是：用一个系统级指令锁死 AI 的教练角色、可选方法、调用格式和输出规范，然后把每种教学法的具体指令作为一次性的"子命令"调用。参数上可以自定义的是方法列表（可以增删）、调用格式（斜杠命令是最省 token 的写法）以及自我检测题的频率（我默认每次知识点结束后出一道）。这样一来，学新主题的流程就固定成了四步：先用思维导图搭框架，再用费曼技巧讲一遍核心概念，接着用精细提问和间隔重复安排复习，最后用记忆宫殿锚定最难记的部分。

6.2 验证环节：两周后还能不能讲出来才算数

工具再好，也得有验证。我现在每学完一个主题，会强制自己走一遍"费曼测试"：

请随机抽取我最近学的[某主题]中的任意 3 个概念， 用我之前向你解释过的方式向我提问。 我用大白话回答后，你按三个维度打分： 1. 概念准确性（有没有说错）； 2. 解释清晰度（能不能让外行听懂）； 3. 举例恰当性（类比是否合适）。 每项满分 10 分，低于 7 分就告诉我需要回看资料的具体章节。

这套验证方法比做选择题有效得多——因为考试能蒙，讲给别人听蒙不了。参数上可以调整抽取数量（3 个起步，状态好加到 5 个）、打分维度（我习惯只留三个）以及分数门槛（7 分以下就回去补课）。从那以后我每次开新主题，都强制走一遍"思维导图搭框架→费曼技巧讲一遍→间隔重复排计划→两周后费曼测试"这套流程，学新技术的效率明显上了一个台阶。希望这套提示词的拆解思路对你有帮助，回去试着用你正在学的那个主题替换掉占位符跑一轮，感受一下 ChatGPT 从"搜索引擎"变成"私人教练"的差别——尤其是第 11 条记忆宫殿，值得单独给它一次机会。

本文还有配套的精品资源，点击获取