最近一直在研究怎么让 AI 从“回答问题”变成“真正教你东西”，偶然看到 Matt Pocock 的实战教程，主题就是 teach skill——让 AI 像真老师一样教你任何知识。这个思路和普通聊天问答完全不同，核心不是让 AI 给答案，而是让 AI 具备一套“教学法”：先诊断水平、再拆解知识、主动提问、根据反馈调整讲解方式。本文会完整拆解 teach skill 的概念、提示词模板、编程教学场景案例、调试方法以及常见问题，帮助你把这套技能复用到自己的学习场景中。
1. 背景与核心概念
1.1 为什么普通 AI 问答“教不会”人
很多人用 AI 学习时都有这种体验：让 AI 解释一个概念，它确实能给出结构清晰、语言流畅的回答。但看完之后，你往往只是“感觉懂了”，真正做题、写代码、换一个场景复述时，又会卡住。问题出在哪里？
普通的 AI 问答本质是“信息检索 + 文本生成”，它的目标是把问题回答得完整漂亮，而不是确保你真的学会了。也就是说，AI 没有教学目标、没有教学节奏、不会检查你的理解程度，更不会在你答错时调整策略。它像一本无限厚的教科书，而不像老师。
而 teach skill 要解决的就是这个问题：通过一套精心设计的提示词（Prompt），给 AI 赋予“教学技能”，让它从内容生成器变成一个能因材施教的虚拟老师。
1.2 teach skill 是什么
teach skill 是 Matt Pocock 提出的一个 AI 教学技能框架。Matt Pocock 是知名的 TypeScript 教育者和 AI 编程内容创作者，他的核心观点是：AI 完全有能力承担“私人教师”的角色，但前提是你必须把教学策略显式地写进提示词里。
这个技能本质上是一段结构化的系统提示词（System Prompt），它要求 AI：
- 先诊断学习者的现有水平；
- 一句话说清楚教学目标；
- 把大知识点拆成小步骤；
- 讲完一个概念后停止，询问学习者是否理解；
- 根据学习者的回答决定继续还是重讲；
- 最后用一个小练习或提问来验证学习效果。
简单来说，teach skill 让 AI 从“单次输出”变成了“多轮教学对话”。
1.3 这种教学方式的优势
| 对比项 | 普通 AI 问答 | teach skill 教学 |
|---|---|---|
| 目标 | 给出完整答案 | 确保学习者理解 |
| 交互方式 | 单轮问答 | 多轮对话式教学 |
| 节奏控制 | 一次性输出全部内容 | 拆成小步骤逐步推进 |
| 理解校验 | 不校验 | 通过提问和练习验证 |
| 纠错机制 | 无 | 根据反馈调整讲解方式 |
| 个性化程度 | 低 | 根据学习者水平调整 |
从这张表可以看出，teach skill 的核心价值不是“让 AI 知道得更多”，而是“让 AI 更会教”。这是两种完全不同的能力。
2. 环境准备与使用前提
2.1 需要准备什么
teach skill 本质上是一种提示词工程方案，所以环境要求非常低。你只需要准备：
- 一个支持长上下文对话的 AI 聊天工具，例如 ChatGPT、Claude、Gemini 或国产大模型产品；
- 一个支持 System Prompt（系统提示词）或自定义指令的入口；
- 如果工具不支持自定义系统提示词，也可以直接把教学技能作为对话的第一条消息发送。
版本方面没有硬性要求，不过上下文长度越长，教学对话的连续性越好。如果你的模型上下文窗口较小，建议每一轮教学控制在 5 到 8 次交互内。
2.2 使用场景
teach skill 可以应用在非常广泛的场景中：
- 学习一门编程语言，比如 TypeScript、Python、Rust；
- 理解一个抽象概念，比如闭包、递归、函数式编程；
- 准备技术面试，让 AI 模拟面试官追问；
- 学习数学、物理等有明确推导过程的学科；
- 训练某项技能，比如写 SQL、做代码重构、设计系统架构。
2.3 从哪获取 teach skill 提示词
现在网上已经有很多社区版本的 teach skill 提示词。Matt Pocock 的实战教程里有自己的一套写法，社区也出现了各种变体。不过，与其直接复制粘贴别人写好的完整版本，我更推荐你理解它的构造逻辑，然后根据自己的场景重写。
下面我会先给出一个通用模板，再给出一个面向编程教学的进阶版本，并逐步拆解每个部分的含义。
3. teach skill 的核心机制拆解
3.1 教学技能的五要素
把 Matt Pocock 的 teach skill 拆开来看，核心是五个要素：
第一，诊断（Diagnose）
AI 不能一开始就讲内容，它必须先了解学习者当前的水平。这就像老师上课前先摸底考试一样。诊断阶段要求 AI 提出 1 到 2 个精炼的问题，而不是一口气问 10 个。
第二，目标（Objective）
AI 需要明确“这一轮教学结束之后，学习者能做到什么”。目标要具体、可验证。比如“学完后能自己写出一个使用泛型的 TypeScript 函数”，这就比“理解 TypeScript 泛型”更清晰。
第三，拆解（Chunking）
把知识拆成适合当前学习者水平的最小单元。每个单元只包含一个核心概念，讲解篇幅控制在 200 字以内，必要时用代码或例子说明。
第四，互动（Interaction）
讲完一个知识单元后，AI 必须停下来，主动提问。问题不是“你懂了吗”，而是让学习者做一件具体的事，比如“请预测下面这段代码的输出”或“请解释一下为什么这里会报错”。
第五，反馈（Feedback）
根据学习者的回答，AI 判断是进入下一单元，还是换一种方式重新讲解。如果学习者答错了，AI 需要指出错误原因，而不是直接给出正确答案。
3.2 教学闭环
如果把这五个要素串联起来，整个教学过程是一个闭环：
- 诊断水平；
- 设定目标；
- 讲一个小知识点；
- 让学习者完成一个小任务；
- 根据任务结果反馈；
- 如果通过，进入下一个知识点；如果没通过，用更简单的方式重讲；
- 所有知识点完成后，做一次综合回顾。
这个闭环强调的不是“内容输出效率”，而是“学习者的理解深度”。这也是它和普通 AI 问答最本质的区别。
3.3 为什么这种设计有效
从学习科学的角度看，这种设计符合几个被广泛验证的原则：
- 间隔学习：把知识拆成小块，而不是一次性大量灌输；
- 主动回忆：学习者被要求回答问题、写代码，而不是被动阅读；
- 即时反馈：答错后马上得到纠正，避免错误理解固化；
- 自适应难度：AI 根据学习者的表现动态调整讲解深度。
所以，teach skill 实际上是把教育学的成熟方法“翻译”成了 AI 能执行的指令。这也是它比普通 Prompt 效果更好的根本原因。
4. 实战：构建一个通用版 teach skill 提示词
4.1 通用版 System Prompt
下面的提示词可以直接复制到支持系统提示词的工具中。如果工具不支持，可以直接作为对话的第一条消息发送。
你是一位耐心、专业的私人教师。你的任务是教会我指定的知识，而不是简单地回答问题。 ## 教学流程 1. 在开始教学前，先问我 1 到 2 个简短的问题，了解我的现有水平和学习背景。 2. 根据我的回答，用一句话说明你本轮的“教学目标”，并询问我是否可以开始。 3. 教学过程必须遵守以下规则： - 每次只讲一个核心概念； - 讲解内容控制在 150 到 250 字之间； - 必须给出 1 个具体例子； - 讲完后停下来，不要继续输出下一个概念。 4. 每次讲完一个概念后，用提问或小练习的方式检查我的理解： - 可以是“请预测下面这段代码的输出”； - 可以是“请用你自己的话解释这个概念”； - 可以是“请完成这个小练习”。 5. 根据我的回答： - 如果我答对了，简短肯定，然后进入下一个知识点； - 如果我答错了，先分析我错在哪里，再用更简单的方式重新讲解； - 在我明确说“继续”之前，不要推进到新知识点。 6. 当所有知识点讲完后，用 3 到 5 个问题做一次综合回顾，并给我的整体掌握情况做一个简短总结。 ## 重要原则 - 不要一次性输出全部内容； - 不要代替我思考； - 如果我回答不上来，不要直接给答案，先引导我一步一步推理； - 如果我不止一次犯同样的错误，说明你的讲解方式有问题，试着换一种角度讲解； - 整个过程中保持鼓励但不过度表扬的语气。这个版本的特点是通用性强，适合学习任何类型的新知识。它最重要的行为约束是“讲完一个概念必须停下来”，这一步能有效避免 AI 一次性灌入过多内容。
4.2 如何开始使用
复制上面的提示词后，你需要在后面跟上“今天我想学习的内容”。例如：
我想学习 JavaScript 中的闭包（Closure）。然后 AI 就会先问你当前对函数、作用域等概念的理解程度，再开始教学。
4.3 核心参数解释
这个提示词里有几个关键的“参数”值得解释：
- “150 到 250 字”：这是对讲解篇幅的约束。字数限制是为了让每次输出都保持专注，不会展开太多细节。你可以根据知识点复杂度调整，但建议不要超过 400 字。
- “先问我 1 到 2 个简短的问题”：这一步的目的是让 AI 了解你的水平。如果 AI 直接开始讲解，说明它没有正确执行教学流程，你可以让它重新开始。
- “在我明确说‘继续’之前，不要推进到新知识点”：这是最关键的一个约束。它给了你教学节奏的控制权，让学习者可以按自己的速度推进。
- “先引导我一步一步推理”：这个设计是为了避免 AI 直接给答案。如果学习者答错，AI 应该通过提问来引导思考，而不是直接把正确答案说出来。
4.4 你可以自行调整的部分
这个模板不是一成不变的。根据你的个人偏好，可以调整以下几个地方：
- 如果你是初学者，把“讲解内容控制在 150 到 250 字之间”改成“100 到 150 字”；
- 如果你希望 AI 更严格，可以在反馈环节增加“如果我答错了，不要直接指出正确答案，而是连续追问 3 次”；
- 如果你学习的是数学类内容，可以增加“每一个步骤都要解释推导依据”；
- 如果你只是快速了解概念，可以增加“如果检测到我是高手，可以每轮讲解两个相关概念”。
5. 进阶实战：编程场景专用 teach skill
5.1 编程教学的特殊性
通用版 teach skill 已经可以用于编程教学，但编程学习有一个特殊点：代码的正确性是可以被客观验证的。这意味着 AI 可以要求学习者直接写代码，然后根据代码判断掌握程度。这个能力是普通概念教学不具备的。
此外，编程教学中 AI 还应该具备两个额外能力：
- 根据学习者的错误代码定位具体是哪个知识点没掌握；
- 引导学习者学会读报错信息，而不是只看答案。
5.2 编程版 System Prompt
下面是我在通用版基础上改写的编程版，适合学习 TypeScript、Python、Java 等语言。
你是一位资深的软件工程师和编程导师。你擅长用代码示例和实际项目教会别人编程。 ## 教学流程 1. 开始前，先问学习者 2 到 3 个问题： - 正在使用哪种编程语言？ - 掌握程度是初学者、中级还是高级？ - 想通过这个知识解决什么实际问题？ 2. 根据回答，给出教学目标，并说明“学完后你将能写出什么代码”。 3. 采用“概念 - 示例 - 练习”三步法： - 概念：用 2 到 3 句话解释，不举代码； - 示例：给出一个最小可运行代码片段，并逐行解释关键逻辑； - 练习：让学习者自己动手写一段类似的代码。 4. 互动原则： - 每个练习必须是一个具体需求，而不是“你理解了吗”； - 学习者提交代码后，你先指出正确的地方，再指出错误； - 根据错误类型判断：是语法错误、逻辑错误，还是概念理解错误； - 如果是概念错误，不直接改代码，先问“你觉得这段代码在哪个环节和示例不一样”。 5. 进阶要求： - 当学习者连续 3 个练习都通过时，主动提升难度； - 当学习者连续 2 次犯错时，暂时退回上一个知识点，用类比重新解释。 ## 约束 - 绝不一次输出超过一个知识点； - 给出的示例代码必须完整可运行，不要写伪代码； - 如果学习者在练习中写出运行失败的代码，引导他先读报错信息，再引导修复； - 每个知识点结束后，总结 3 个最常见的踩坑点。5.3 教学对话示例
假设我们用它学习“TypeScript 泛型”，对话会呈现这样的节奏：
AI（开始前诊断）：
在开始之前，我需要先了解几个问题：
- 你有没有写过函数重载？
- 你遇到的主要困惑是“泛型怎么定义”还是“泛型什么时候用”？
- 你希望学完后能独立完成什么类型的小功能？
学习者回答后，AI 设定目标：
好，这一轮教学的目标是：学完后你能独立写出一个支持任意类型输入的
identity函数，并解释为什么需要泛型。接下来我们开始第一个知识点：为什么需要泛型。
这里注意，AI 没有直接从“泛型是什么”开始讲，而是先讲“为什么需要”。这是因为编程学习的关键是建立“需求驱动”的心智模型。
5.4 运行验证说明
在实际使用中，你需要准备一个自己熟悉的代码编辑环境。当 AI 要求你写练习代码时，建议你在本地环境运行验证，而不是直接告诉 AI“我写完了一段代码”然后让它看。
正确做法是：
- 把代码复制到本地运行；
- 如果报错，把报错信息原样粘贴给 AI；
- 如果没有报错，把代码片段和运行结果都贴给 AI；
- 让 AI 从代码风格、边界条件、性能角度做进一步点评。
这样训练出来的效果比纯对话练习扎实得多。
5.5 从 teach skill 到 AI 编程工具
值得拓展的是，teach skill 的思路也可以迁移到 AI 编程工具的使用上。比如，当你使用 Cursor、GitHub Copilot 这类 AI 编程助手时，如果只让它“生成代码”，你得到的结果往往不够精确。但如果你把 teach skill 的教学思想带进去，先让 AI 确认你项目的技术栈、代码规范、业务场景，再让它生成代码片段，质量会明显提升。这和 teach skill 的核心逻辑完全一致：先诊断，再输出。
6. 常见问题与排查思路
在实践过程中，你大概率会遇到一些不如意的情况。下面整理了一份高频问题清单和排查思路。
| 问题现象 | 常见原因 | 解决思路 |
|---|---|---|
| AI 一次性输出大量内容 | 提示词中没有明确限制输出篇幅，或模型没有严格遵守 | 在提示词中显式加入“每次最多只能输出 200 字”“讲完一个概念必须标记 [结束本轮]” |
| AI 不问就直接开讲 | 模型把教学流程当成了参考而非强约束 | 强调“以上流程必须严格按顺序执行”，必要时改用“模型必须按以下步骤，缺少任何一步都视为错误回答” |
| AI 讲完也不提问 | 没有要求它必须停下来检查理解 | 增加“每次讲完概念后，以‘现在请完成一个小练习’作为固定结束语” |
| AI 在提问后直接给出答案 | 反馈策略不够严格 | 增加约束“当学习者答错时，禁止直接给出正确答案，先提出 1 个引导性问题” |
| 学习者答对后 AI 仍然反复追问 | 退出条件不明确 | 增加“当学习者的回答达到教学目标描述的水平时，自动进入下一个知识点” |
| AI 的教学内容太浅或太难 | 初始诊断不够深入 | 主动向 AI 提供更多背景信息，例如“我已经写过 30 个 Python 小项目，可以直接从进阶内容开始” |
| 教学对话太长导致上下文丢失 | 上下文窗口不够用 | 把学习内容拆成多个 Session，每阶段只学 3 到 5 个小知识点，结束后让 AI 输出学习笔记，再开新一轮 |
6.1 如何诊断 AI 教学效果
判断 teach skill 是否真正生效，不取决于 AI 讲得好不好，而取决于你是否能完成独立的输出。我建议使用下面的判定标准：
- 学完一个知识点后，不看笔记，尝试用自己的话解释概念；
- 不看示例，尝试自己写出一个全新场景下的代码；
- 把讲解抛开后重新做题，看正确率。
如果这三项你都完成了，说明 AI 的教学是有效的。如果只是“感觉听懂了”，那说明教学闭环没有真正跑起来，你需要检查是不是某个环节没有执行到位。
6.2 模型选择影响
不同 AI 模型对复杂指令的遵循能力不同。一些早期模型可能会忽略“不要输出全部内容”这类约束，而一些更强的模型则能严格遵循多步指令。因此，如果你的模型无法稳定执行 teach skill，优先尝试更擅长指令遵循的新模型，再去微调提示词。
7. 最佳实践与工程建议
7.1 把 teach skill 当成一种“方法”而非“模板”
使用一段时间后你会发现，teach skill 最有价值的不是那段提示词本身，而是它背后的一套方法论。当你理解了“诊断 - 目标 - 拆解 - 互动 - 反馈”这个循环后，你就可以把它迁移到任何 AI 应用中：
- 写 AI Agent 时，让 Agent 在回答前先收集足够信息；
- 做 AI 客服时，先诊断用户意图再给出解决方案；
- 用 AI 写代码时，先让 AI 确认需求边界再生成代码；
- 设计 AI 面试模拟器时，先了解面试者的简历和岗位要求。
这个思路和当前 AI Agent 开发中的“先规划后执行”趋势高度一致。
7.2 提示词版本管理
如果你经常使用 teach skill，建议建立自己的提示词版本管理。例如，用 Markdown 文件保存不同版本的提示词，记录修改原因和测试结果：
版本 v1.0 - 初始通用版，适合概念学习 版本 v1.1 - 增加“禁止直接给答案”约束，修复答错后直接给答案的问题 版本 v2.0 - 编程专用版，增加练习验证环节这样做的好处是，当模型升级后提示词失效时，你可以快速回退到历史版本并定位问题。
7.3 控制教学单元粒度
一个常见误区是：为了“多学一点”，让 AI 一次性讲三四个相关概念。这会破坏 teach skill 的设计初衷。更合理的做法是：
- 每次只学一个核心概念；
- 学完后间隔几个小时或一天，再学下一个概念；
- 下次学习时先让 AI 花两分钟回顾上一轮内容；
- 每个学习单元控制在 20 到 30 分钟内完成。
7.4 保护学习者的主动性
teach skill 的一个潜在风险是：学习者会过度依赖 AI 的引导，失去自主探索的能力。所以，我会在一段时间后主动要求 AI“减少引导”，让学习者自己提出下一步要学什么、遇到什么问题。毕竟，真正的高手不是学会了解答，而是学会了提问。
7.5 注意边界与安全
虽然 teach skill 用来教学是安全的，但需要注意：如果 AI 被用来教学一些操作风险较高的技能，比如使用命令行工具、修改数据库、操作生产环境，请在提示词中增加安全约束：
- 所有涉及删除、覆盖、危险操作的命令必须先解释后果；
- 要求 AI 在教学前强调“请先在测试环境验证”；
- 涉及账号权限、生产数据变更时，要求 AI 只描述步骤，不代替用户执行。
8. 总结与学习路线
到这里，我把 Matt Pocock 的 teach skill 从概念、原理、基础模板、编程版实战到问题排查完整梳理了一遍。你现在应该能理解：
- 普通 AI 问答为什么教不会人；
- teach skill 的核心是给 AI 注入“教学法”；
- 诊断、目标、拆解、互动、反馈是五个关键环节；
- 通用版提示词可以直接用于任何知识的学习；
- 编程教学场景需要增加练习验证和错误定位逻辑；
- 遇到问题时要优先检查提示词的约束是否被执行。
接下来，我建议你按下面这个路线继续练习：
- 先用通用版 teach skill 学习一个你熟悉的概念，体验完整的教学闭环；
- 把它应用到以前学不会的一个知识点上，对比学习效果；
- 改写一个编程教学专用版，配合本地代码运行验证；
- 尝试把 teach skill 的方法论迁移到 AI 工具使用和 AI Agent 设计中；
- 根据实际体验持续迭代自己的提示词，记录版本差异。
如果你对 AI 教学、提示词工程或者 AI Agent 开发感兴趣，接下来可以进一步学习 System Prompt 设计模式、AI Agent 的多轮对话管理、以及如何结合 RAG 技术给 AI 注入特定的教材内容。这些方向在 AI 应用开发中的热度正在持续上升，也值得你投入时间去研究。
如果这篇文章对你有帮助，建议收藏备用；如果按照配置遇到问题，欢迎对照文中“常见问题与排查思路”逐项检查，大概率能找到原因。
