一切的开始:一个“会教”的 ChatGPT
上周,ChatGPT 迎来了一个重磅更新:Study Mode(学习模式)。
开启这个模式之后,ChatGPT 不再只是给答案,而是会像一位会引导你思考的老师一样,引导用户一步步地思考问题,直到真正理解。
这个功能的核心是:ChatGPT 不再直接给答案,而是通过提问和启发,引导学生自己得出结论。
用了几天后我被震到了。这东西确实有料,不是噱头。拿到系统提示词后,我发现里面的设计相当有门道——它把认知科学的理论硬生生变成了一套可执行的规则。
说实话,刚开始看这个 Prompt 的时候,我还以为就是一些教学技巧的堆砌。但仔细研究后发现,每一条指令背后都有深思熟虑的设计逻辑。
所以我决定把它拆开来看看,搞清楚:它到底是怎么做到的?为什么这么管用?
揭秘“学习模式”的“源代码”
在我们深入分析之前,让我们先看看这份“学习模式”的系统提示词原文:
|
|
逐行拆解:当 Prompt 指令遇见学习科学
要搞懂这个 Prompt 为啥管用,得先了解背后的学习原理。我整理了个表格,列出了五种最有效的学习方法——正是这些构成了 Prompt 的理论基础:
学习技巧 | 核心理念 | 标志性方法 | 最适用的知识类型 | 核心作用与场景 |
---|---|---|---|---|
主动调用 (Active Recall) | 从大脑中提取信息 | 闪卡、自我测试、合上书本复述 | 事实性与概念性知识 (“是什么”) | 记忆与巩固。这是记忆事实类信息的王牌。非常适合用于背单词、记公式、回顾历史事件、复习法律条文等。对于"怎么做"的知识,可以用来回忆步骤。 |
间隔重复 (Spaced Repetition) | 在即将忘记时复习 | Anki、SuperMemo、艾宾浩斯复习法 | 事实性与概念性知识 (“是什么”) | 对抗遗忘。它本身不是一种学习方法,而是一种复习策略。它与主动调用是天作之合,通过在最佳时机进行测试,高效地将信息存入长期记忆。 |
交错练习 (Interleaving) | 混合练习不同类型问题 | 混合章节的习题集、综合技能训练 | 程序性与技能性知识 (“怎么做”) | 提升实战能力与分辨力。当你需要从多种解法中选择最优解时,交错练习是无价的。极度适用于数学、物理、化学等需要解题的学科,也适用于体育、音乐等技能训练。 |
深度处理 (Deep Processing) | 将新旧知识建立连接 | 联想法、打比方、提问法 | 关联性与系统性知识 (“为什么”) | 赋予意义与建立连接。当你学习一个新概念时,通过打比方、联想、对比等方式,将它和你已有的知识网络关联起来,从而加深理解,为"为什么"打下基础。 |
费曼学习法 (Feynman Technique) | 以教促学,简化概念 | 识别知识盲区、简化语言 | 关联性与系统性知识 (“为什么”) | 检验与提纯理解。这是检验你是否真正理解一个复杂系统的终极测试。它强迫你梳理逻辑、简化语言、发现知识盲区,是攻克核心、抽象概念的最强工具。 |
现在,让我们像剥洋葱一样,一层层地将这份 Prompt 的指令与学习原则对应起来,看看它是如何工作的。
-
深度处理 (Deep Processing) → 对应 Prompt 指令:#2
Prompt 指令:
2. Build on existing knowledge. Connect new ideas to what the user already knows.
解读: 这是深度处理的经典应用。通过将新知识与学习者已有的知识体系相连接,可以极大地加深理解,让新知识变得有意义。它回答了“为什么”这个问题,将孤立的知识点编织成网络。
-
主动调用 (Active Recall) → 对应 Prompt 指令:#3, #4, 及“Homework”部分
Prompt 指令:
3. Guide users, don't just give answers.
&4. Check and reinforce.
&Help with homework: Don't simply give answers!
解读: Prompt 的核心要求——“引导而非告知”,正是主动调用的精髓。它强迫学习者从自己的记忆中提取信息,而不是被动接收。后续的“检查与巩固”(如让用户复述概念)和对作业的引导,都是对主动调用效果的验证和强化。
-
费曼学习法 (Feynman Technique) → 对应 Prompt 指令:“Practice together”部分
Prompt 指令:
Practice together: ... have the user "explain it back" to you... Correct mistakes — charitably! — in the moment.
解读: “让你学会的最好方法是把它教给别人”。让学习者"向你解释"一个概念,是检验其是否真正理解的最好检验。这个过程能迅速暴露不懂的地方,而即时、善意地纠正错误,则能高效地把知识串起来。
-
交错练习 (Interleaving) → 对应 Prompt 指令:#5
Prompt 指令:
5. Vary the rhythm. Mix explanations, questions, and activities (like roleplaying, practice rounds, or asking the user to teach you)...
解读: 单一的学习模式容易导致枯燥和思维定式。通过混合解释、提问、角色扮演等不同活动,不仅能保持学习的趣味性,更重要的是,它模拟了真实世界中解决问题的复杂性,强迫学习者在不同类型的任务间切换,从而提升知识的迁移和应用能力。
-
一个有趣的缺席者:间隔重复 (Spaced Repetition)
你可能已经注意到,Prompt 中没有明确提到间隔重复。这是因为它本质上是一个需要跨越时间的复习策略,难以在单次对话中完美实现。但这为我们指明了改进方向:一个更强大的学习系统可以将本次对话的重点进行总结,并在未来的某个最佳时间点(如一天后、一周后)主动提醒学习者进行复习,从而真正实现长时记忆。
从原则到 Prompt:一个创建框架
通过上面的分析,我们看到了一个优秀 Prompt 的“骨架”。那么,当我们想从零开始构建一个自己的 Prompt 时,应该遵循怎样的蓝图呢?经典的**“四要素框架”**为我们提供了清晰的指引。
- 角色 (Role): 你是谁?—— 设定 AI 的身份,这决定了它的语气、专业度和行为模式。
- 任务 (Task): 你要做什么?—— 明确的核心指令,是 AI 需要完成的目标。
- 背景 (Context): 为什么要做这个?—— 提供“为什么”,能让 AI 更好地理解你的意图,从而给出更相关的回应。
- 约束 (Constraints): 你要怎么做?—— 规定输出的形式、边界和必须遵守的规则,这是确保 AI 行为可控的关键。
融会贯通:亲手构建我的“学习教练”
拆解完官方版本后,我觉得光看还不够。为了真正理解这些原理,我决定动手在 AI 辅助下写一个自己的版本。说实话,写这个比我想象的难多了,每一句话都得反复斟酌。
|
|
让 AI 自己来评判,反而看清了差距
写完我自己的版本后,我让 AI 对比了两个 Prompt。这个过程让我看清了官方版本真正高明的地方,这些细节藏在字里行间:
首先,它不谈理论,只给工具。官方 Prompt 没有空泛地谈"教学方法",而是直接给了一个 THINGS YOU CAN DO 的清单,就像一个工具箱,告诉 AI"你可以教概念"、“可以陪练”、“可以搞测验”。这让指令变得非常具体,AI 知道自己手里有几把刷子,该在什么时候用。
其次,它定义了"感觉"。它会明确说"要热情、耐心",而且要"把握节奏,及时切换"。这些细节看似不起眼,却是区分一个生硬的机器人和一个好老师的关键。它在教 AI 如何"表演"得更像一个真实、贴心的伙伴。
再次,它想到了"万一"。它专门为数学题这种容易"直接给答案"的场景,设置了特别规定。这种提前想好哪里会"出问题"并立下规矩的做法,就像在路上设置了护栏,确保 AI 不会抄近路走上歪路。
最后,我发现连大写和标题都在"说话"。那些加粗的大写字母和##标题,不仅仅是为了好看。在 AI 眼里,这约等于有人在它耳边大喊:“喂!这部分最重要!严格遵守!“这是一种不动声色的强调,比单纯的文字更有力量。
如何使用这份 Prompt?
分析和构建完成后,最重要的一步是实践。
关于如何使用这份强大的“学习模式”Prompt,我个人最推荐的方式是:将其交给 AI Studio 中的 Gemini 2.5 Pro。
推荐它的理由很简单:
- 完全免费:可以无限制地进行学习和探索。
- 超长上下文:对于需要长时间、多轮对话的学习场景至关重要。
- 无预设 Prompt:它像一张白纸,能让你输入的系统提示词(System Prompt)发挥最大、最纯粹的效果,不会受到平台预设指令的干扰。
最后的思考:把"手艺"装进瓶子里
折腾完这篇文章,脑子里留下一个挥之不去的念头。
这次拆解,表面上是在分析一段指令,但它似乎揭示了一种更深层的东西:我们第一次有能力把一个专家脑子里那些模糊的"感觉”、“经验"和"直觉”,也就是我们常说的"手艺”,清晰地提炼出来,变成一套机器能看懂的说明书。
过去,我们认为 Prompt 是我们与 AI 对话的工具。但现在我更倾向于认为,编写 Prompt 的过程,更像是在对自己进行一次深度访谈。它逼着我们把自己做事的方式和思考的逻辑,前所未有地梳理清楚。
一旦这个过程完成,这份"手艺"就不再仅仅属于某一个专家了。它被"装进瓶子",可以被随时随地、不知疲倦地调用。过去我们雇佣专家,是购买他们的时间;未来,我们或许更多的是运行他们已经"封装"好的智慧。
这可能意味着,未来一个专家的价值,不仅在于他能做什么,更在于他能在多大程度上,把自己的思考过程清晰地表达出来,并教给 AI。这不再只是"授人以鱼",而是"把渔网的设计图画了出来"。