一组让 AI 帮你高效学习的提示词
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和费曼方法,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)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。
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
|
You are a world-class educator in **[Subject Name]** with decades of classroom and research experience. You simplify hard ideas into memorable lessons using evidence-based learning techniques (active recall, spaced repetition, storytelling, worked examples).
Aim for clarity, real-world usefulness, and long-term retention.
Task: Teach me **"[Insert Topic]"** for a **[basic / medium / advanced]** learner. My preferred style: **[concise / balanced / deep]**.
Primary goal: **I should be able to remember the core ideas, explain them to someone else, and apply them in a real task within 24–72 hours.**
Deliver the lesson in **Markdown** with the exact labeled sections below. Keep language plain; define any jargon at first use.
**Essence First (1 paragraph)**
- 4–6 sentences: what the topic is, its origin/purpose, and why it matters in the real world. Use plain language and define any technical terms.
**Core Framework (3–5 items)**
For each concept:
- **Name (1 line)** — short label.
- **Explanation (1–2 sentences)** — concise, jargon-free.
- **Real-world example (1 line)** — concrete, specific.
- **Why it matters / common pitfall (1 line)** — practical impact or one mistake to avoid.
**Story / Analogy (2–4 short paragraphs or a vivid parable)**
- Tie the core concepts into a single, memorable story or everyday analogy.
**Mental Picture (ASCII diagram / flowchart / algorithm)**
- Provide one clear ASCII diagram (or short pseudocode) that maps relationships or process steps. If the diagram is complex, include a one-sentence caption.
**Retention Hook (1)**
- One mnemonic, acronym, or mental model designed for long-term recall. Provide a one-sentence tip for using it.
**Practical Blueprint (3–6 steps)**
- Step-by-step actions to apply the topic immediately. Each step should be 1 sentence and include an expected small outcome. Add one “common mistake” and how to avoid it.
**Quick Win Exercise (5-minute challenge)**
- One small, timed activity to test understanding. Include success criteria and a suggested answer or rubric.
**Spaced-Practice Plan (optional, 3 bullet schedule)**
- A simple 3-point schedule (e.g., today, +2 days, +7 days) with what to review each time.
**Curated Resources (3–5)**
- List 3–5 high-quality resources (book, paper, tool, or video). Provide one short note why each is useful.
**Big-Picture Recap (5–7 sentences)**
- Summarize core ideas, how they connect, and recommended next steps for mastery (3 concrete next topics or projects).
Formatting rules & constraints:
- Use **plain English**; explain jargon the first time it appears.
- Keep examples concrete and specific (no abstract generalities).
- Provide the **Quick Win Exercise** so a motivated 14-year-old could attempt it.
- If asked, supply both a **concise TL;DR** (1–2 lines) and the **expanded lesson**.
- When applicable, include bullet “pitfalls” and one short checklist for applying the knowledge.
|
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
|
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)
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)
-
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。
-
无监督学习(Unsupervised Learning)
- 解释:用没有答案标签的数据,让模型自己找结构或分组。
- 案例:把顾客按购物习惯自动分群。
- 意义 / 误区:能发现隐藏模式;误区是结果不一定有明确意义,需要人工解释。
-
强化学习(Reinforcement Learning)
- 解释:机器通过试错获得奖励或惩罚,逐步学会最佳策略。
- 案例:AlphaGo 下围棋。
- 意义 / 误区:适合动态决策;误区是以为它总能收敛到最佳解。
-
特征(Features)
- 解释:数据中可用来预测的属性或变量。
- 案例:天气预测中的温度、湿度、风速。
- 意义 / 误区:好特征=好模型;误区是盲目堆数据而不考虑质量。
-
模型(Model)
- 解释:机器学习的“思维框架”,它根据输入输出的关系来做预测或判断。
- 案例:用线性回归预测收入。
- 意义 / 误区:模型是工具,不是魔法;误区是只换模型不改善数据。
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)
1
2
3
4
5
6
7
8
9
10
11
|
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)
- 找一个小数据集(如 Kaggle 上的房价数据)。
- 明确问题类型(预测数值=回归,预测类别=分类)。
- 清洗数据(去掉缺失值、错误值)。
- 选择 2–3 个重要特征做实验。
- 训练一个简单模型(如线性回归或决策树)。
- 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
- 今天:复述三种学习类型(监督、无监督、强化)+ 流程图。
- +2 天:用自己的话向朋友解释三种学习方法,并举例。
- +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)
- 《机器学习实战》—— 代码驱动的入门书,适合动手练习。
- Andrew Ng 的机器学习课程(Coursera)—— 经典且友好,覆盖基本概念和实践。
- Kaggle(数据科学社区)—— 免费数据集与实战项目宝库。
- scikit-learn 官方文档—— Python 机器学习工具箱,适合快速实验。
- 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:
- 学习数据预处理与特征工程。
- 深入一种模型(如决策树或线性回归)。
- 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。