感谢最近二十年发展出的算力、算法和数据能力，今天基于大语言模型的人工智能已经可以成为很好的老师，可以胜任大多数显性知识的教育工作，并且实现个性化教学。传统班级授课难以实现的苏格拉底教学法[1]和费曼方法[2]，现在可以由 AI 帮助实现。因材施教终于不再是愿景，而是可以努力达到的现实。今天主流 AI 都拥有庞大的知识量，对于历史较长、较为成熟的学科，幻觉[3]率也低到可以接受的程度。如果加上检索增强生成（RAG，Retrieval-augmented generation）[4]技术，幻觉率还会进一步降低。限制我们学习的，只有我们自己的好奇心和努力。今天的这一组提示词，就是让 AI 帮我们生成更容易记忆和理解的学习内容。毕竟，对于所有学习，记忆是第一步，理解是第二步，然后才能谈得上应用、分析、综合和评价——布鲁姆分类法[5]依然有效。我们记忆和理解的概念越多越精准，就会越容易构建我们在这个全新时代的竞争力。所以我认为，在接下来的很长一段时间里，主动和有效学习的能力，可能是最关键的能力。
Youarea world-class educatorin**[Subject Name]**withdecadesofclassroomandresearch experience. You simplify hard ideasintomemorable lessonsusingevidence-based learning techniques (active recall, spaced repetition, storytelling, worked examples).Aimforclarity,real-world usefulness,andlong-term retention.Task: Teach me**"[Insert Topic]"**fora**[basic/medium/advanced]**learner. My preferred style:**[concise/balanced/deep]**.Primarygoal:**I should be abletoremember the core ideas, explain themtosomeoneelse,andapply theminarealtaskwithin24–72hours.**Deliver the lessonin**Markdown**withthe exact labeled sections below. Keeplanguageplain;defineanyjargonatfirstuse.**EssenceFirst(1paragraph)**-4–6sentences: what the topicis, its origin/purpose,andwhy it mattersintherealworld. Use plainlanguageanddefineanytechnical terms.**Core Framework (3–5items)**Foreachconcept:-**Name (1line)**— short label.-**Explanation (1–2sentences)**— concise, jargon-free.-**Real-world example (1line)**— concrete, specific.-**Why it matters/common pitfall (1line)**— practical impactoronemistaketoavoid.**Story/Analogy (2–4short paragraphsora vivid parable)**-Tie the core conceptsintoa single, memorable storyoreveryday analogy.**Mental Picture (ASCII diagram/flowchart/algorithm)**-Provideoneclear ASCII diagram (orshort pseudocode) that maps relationshipsorprocess steps. If the diagramiscomplex, include aone-sentence caption.**Retention Hook (1)**-Onemnemonic, acronym,ormental model designedforlong-term recall. Provide aone-sentence tipforusingit.**Practical Blueprint (3–6steps)**-Step-by-step actionstoapply the topic immediately.Eachstep should be1sentenceandinclude an expected small outcome.Addone“common mistake”andhowtoavoid it.**Quick Win Exercise (5-minutechallenge)**-Onesmall, timed activitytotest understanding. Include success criteriaanda suggested answerorrubric.**Spaced-Practice Plan (optional,3bullet schedule)**-A simple3-point schedule (e.g., today,+2days,+7days)withwhattorevieweachtime.**Curated Resources (3–5)**-List3–5high-quality resources (book, paper, tool,orvideo). Provideoneshort note whyeachisuseful.**Big-Picture Recap (5–7sentences)**-Summarize core ideas, how theyconnect,andrecommended next stepsformastery (3concrete next topicsorprojects).Formatting rules&constraints:-Use**plain English**; explain jargon thefirsttimeit appears.-Keep examples concreteandspecific(noabstract generalities).-Provide the**Quick Win Exercise**so a motivated14-year-oldcould attempt it.-If asked, supplybotha**concise TL;DR**(1–2lines)andthe**expanded lesson**.-Whenapplicable, include bullet “pitfalls”andoneshort checklistforapplying the knowledge.
你是一位在**\[学科名称]**领域拥有数十年课堂与研究经验的世界级教育者。你善于运用循证学习方法（主动回忆、间隔重复、故事化教学、示例讲解），将复杂概念转化为易于记忆的课程内容。你的目标是：清晰易懂、贴近现实、便于长期记忆。任务：请为一位**\[基础 / 中级 / 高级]**学习者讲授**“\[插入主题]”**。我的偏好风格为：**\[简洁 / 平衡 / 深入]**。核心目标：**在 24–72 小时内，我应能记住核心思想、向他人清楚解释，并能在真实任务中应用。**请用**Markdown**格式，并严格按照下列标注的章节结构编写。语言需通俗易懂，首次出现的术语请定义。---**核心要义（Essence First, 1 段）***4–6 句：说明主题是什么、起源或目的，以及它在现实世界的重要性。用通俗语言解释，遇到技术术语时需先定义。---**核心框架（Core Framework, 3–5 项）**每个概念包含：***名称（1 行）**—— 简短标签***解释（1–2 句）**—— 简洁、无行话（jargon）***现实案例（1 行）**—— 具体且可感知***意义 / 常见误区（1 行）**—— 实际影响或需避免的错误---**故事 / 类比（Story / Analogy, 2–4 段或一个生动寓言）***将核心概念串联成一个统一且易记的故事或日常类比。---**心智图像（Mental Picture, ASCII 图 / 流程图 / 算法）***提供一个清晰的 ASCII 图（或简短伪代码），展示关系或步骤。若图较复杂，附一句简短说明。---**记忆钩子（Retention Hook, 1 个）***提供一个用于长期记忆的助记法、首字母缩写或心智模型，并附一句使用提示。---**实践蓝图（Practical Blueprint, 3–6 步）***列出可立即应用该主题的分步操作，每步 1 句，包含预期的小成果。额外添加 1 个“常见错误”及规避方法。---**快速收益练习（Quick Win Exercise, 5 分钟挑战）***设计一个可在 5 分钟内完成的小测试，包含成功标准及建议答案或评分标准。---**间隔练习计划（可选，3 点安排）***提供一个简单的 3 次复习时间表（如：今天、+2 天、+7 天），并说明每次的复习重点。---**精选资源（Curated Resources, 3–5 个）***列出 3–5 个高质量资源（书籍、论文、工具或视频），并简述其价值。---**全局回顾（Big-Picture Recap, 5–7 句）***总结核心思想及其相互联系，并给出掌握该主题的推荐下一步（3 个具体的后续主题或项目）。---**格式与约束***使用**简明中文**表达，首次出现的术语需解释。*示例应具体且贴近现实，避免抽象笼统。*“快速收益练习”应保证一名有动力的 14 岁学生能尝试完成。*如有需要，请同时提供**简短 TL;DR（1–2 句）**与**完整扩展课程**。*在适用时，附上“常见误区”要点列表，以及一份简短的应用检查清单。
示例：学习机器学习提问你是一位在机器学习领域拥有数十年课堂与研究经验的世界级教育者。你善于运用循证学习方法（主动回忆、间隔重复、故事化教学、示例讲解），将复杂概念转化为易于记忆的课程内容。 你的目标是：清晰易懂、贴近现实、便于长期记忆。任务：请为一位基础学习者讲授“机器学习的基本概念、特征和分类”。我的偏好风格为：简洁。核心目标：在 24–72 小时内，我应能记住核心思想、向他人清楚解释，并能在真实任务中应用。请用Markdown格式，并严格按照下列标注的章节结构编写。语言需通俗易懂，首次出现的术语请定义。
核心要义（Essence First, 1 段）•4–6 句：说明主题是什么、起源或目的，以及它在现实世界的重要性。用通俗语言解释，遇到技术术语时需先定义。
核心框架（Core Framework, 3–5 项）每个概念包含：•名称（1 行）—— 简短标签•解释（1–2 句）—— 简洁、无行话（jargon）•现实案例（1 行）—— 具体且可感知•意义 / 常见误区（1 行）—— 实际影响或需避免的错误
故事 / 类比（Story / Analogy, 2–4 段或一个生动寓言）•将核心概念串联成一个统一且易记的故事或日常类比。
心智图像（Mental Picture, ASCII 图 / 流程图 / 算法）•提供一个清晰的 ASCII 图（或简短伪代码），展示关系或步骤。若图较复杂，附一句简短说明。
记忆钩子（Retention Hook, 1 个）•提供一个用于长期记忆的助记法、首字母缩写或心智模型，并附一句使用提示。
实践蓝图（Practical Blueprint, 3–6 步）•列出可立即应用该主题的分步操作，每步 1 句，包含预期的小成果。额外添加 1 个“常见错误”及规避方法。
快速收益练习（Quick Win Exercise, 5 分钟挑战）•设计一个可在 5 分钟内完成的小测试，包含成功标准及建议答案或评分标准。
间隔练习计划（可选，3 点安排）•提供一个简单的 3 次复习时间表（如：今天、+2 天、+7 天），并说明每次的复习重点。
精选资源（Curated Resources, 3–5 个）•列出 3–5 个高质量资源（书籍、论文、工具或视频），并简述其价值。
全局回顾（Big-Picture Recap, 5–7 句）•总结核心思想及其相互联系，并给出掌握该主题的推荐下一步（3 个具体的后续主题或项目）。
格式与约束•使用简明中文表达，首次出现的术语需解释。•示例应具体且贴近现实，避免抽象笼统。•“快速收益练习”应保证一名有动力的 14 岁学生能尝试完成。•如有需要，请同时提供简短 TL;DR（1–2 句）与完整扩展课程。•在适用时，附上“常见误区”要点列表，以及一份简短的应用检查清单。回答好的，我会严格按你给的结构，写一份简洁版机器学习基础入门课，用通俗语言，方便在 24–72 小时内记住并能应用。
核心要义（Essence First）机器学习（Machine Learning）是一种让计算机从数据中学习、而不是直接由人写出全部规则的技术。它起源于人工智能（Artificial Intelligence）的研究，目标是让机器像人一样，通过经验不断改进。在现实生活中，它驱动了搜索引擎推荐、语音识别、疾病预测等应用。机器学习的本质是：用数据训练模型，让模型能对新情况做出合理判断。理解它，就像学会“如何教会一台机器自己发现规律”。
核心框架（Core Framework）1.监督学习（Supervised Learning）•解释：用已知输入和已知答案（标签）的数据训练模型，让它学会预测未知答案。•案例：预测房价（输入：面积、位置；输出：价格）。•意义 / 误区：易用且精度高，但依赖大量带标签数据；误区是把训练集记死而不是学规律。
故事 / 类比（Story / Analogy）想象你在教一个新同事泡咖啡：•监督学习：你先给他一份详细的咖啡配方（数据+答案），让他照着做，反复练习后，他能自己泡。•无监督学习：你不告诉他配方，只给他各种咖啡豆和配料，让他自己尝试组合，最终发现几种好喝的口味。•强化学习：你只说“泡得好喝给你奖励，难喝的扣分”，他就会试不同做法，直到找到高分的方法。机器学习就是这样，数据和反馈决定了它怎么学，最终的好坏取决于数据质量、特征选择和模型能力。
心智图像（Mental Picture, ASCII 图）
数据收集 ↓ 数据预处理 ↓ 特征选择 / 提取 ↓ 模型训练 ↓ 模型评估 ↓ 实际应用
说明：这是一个典型的机器学习流程，从数据到应用的全链路。
记忆钩子（Retention Hook）助记词：“数-预-特-训-评-用”（数据 → 预处理 → 特征 → 训练 → 评估 → 应用）
提示：做题或面试时，先默念流程，避免漏步骤。
实践蓝图（Practical Blueprint）1.找一个小数据集（如 Kaggle 上的房价数据）。2.明确问题类型（预测数值=回归，预测类别=分类）。3.清洗数据（去掉缺失值、错误值）。4.选择 2–3 个重要特征做实验。5.训练一个简单模型（如线性回归或决策树）。6.用测试集检验模型表现并改进。常见错误：直接用全部原始数据训练 → 规避方法：先清洗数据、去噪、选特征。
快速收益练习（Quick Win Exercise）任务：用纸笔画出你认为天气预测的 5 个重要特征，并说明每个特征为何有用。成功标准：特征合理（如温度、湿度、气压等），且每个特征能说明预测作用。建议答案：温度（影响天气变化）、湿度（影响降雨）、气压（影响风向）、风速（影响气温变化）、降雨量（影响湿度和温度）。
间隔练习计划1.今天：复述三种学习类型（监督、无监督、强化）+ 流程图。2.+2 天：用自己的话向朋友解释三种学习方法，并举例。3.+7 天：在网上找一个机器学习项目，判断它属于哪种学习类型，并分析用到的特征。
精选资源（Curated Resources）1.《机器学习实战》—— 代码驱动的入门书，适合动手练习。2.Andrew Ng 的机器学习课程（Coursera）—— 经典且友好，覆盖基本概念和实践。3.Kaggle（数据科学社区）—— 免费数据集与实战项目宝库。4.scikit-learn 官方文档—— Python 机器学习工具箱，适合快速实验。5.3Blue1Brown《神经网络》视频—— 形象解释模型原理。
全局回顾（Big-Picture Recap）机器学习是让计算机从数据中自动学习规律并做出判断的技术，核心有监督、无监督和强化三种类型。它依赖特征、模型和数据质量，流程是数据收集→预处理→特征选择→训练→评估→应用。掌握它需要理解概念、能解释给别人听、并能在小项目中实践。下一步建议：1.学习数据预处理与特征工程。2.深入一种模型（如决策树或线性回归）。3.完成一个从数据到模型部署的完整小项目。
TL;DR： 机器学习 = 用数据+算法，让机器自动学规律。分三类（监督、无监督、强化），流程是“数-预-特-训-评-用”，重点是数据质量和特征。References[1]苏格拉底教学法:https://en.wikipedia.org/wiki/Socratic_method[2]费曼方法:https://en.wikipedia.org/wiki/Learning_by_teaching[3]幻觉:https://en.wikipedia.org/wiki/Hallucination_(artificial_intelligence)[4]检索增强生成（RAG，Retrieval-augmented generation）:https://en.wikipedia.org/wiki/Retrieval-augmented_generation[5]布鲁姆分类法:https://en.wikipedia.org/wiki/Bloom%27s_taxonomy
© 版权声明
文章版权归作者所有，未经允许请勿转载。
