2026-08-22 · 12 min read

我用 AI 当一对一老师,攒出 3 条设计原则

「AI 能做私人辅导」这句话大家都听腻了。真正值钱的是背后三个设计原则:在理解边缘教学、把挣扎留给内容本身而不是后勤、让 AI 画依赖图逼它认真推理。读完你就能拿这套思路改造自己的学习方式。

Beyond the obvious 'AI as private tutor' idea, this post extracts three genuinely valuable design principles from an AI teaching system: teach at the edge of understanding, put the struggle in the material not the logistics, and force the AI to draw its dependency graph so it can't fake reasoning.

一小张纸与一大张纸隔着窄缝相向倾斜

最近刷到一个外国博主讲「How I Use AI to Learn Things」。说实话,「用 AI 学习」这种标题我本能地不想点,因为十个里有九个是「让 ChatGPT 给我当私教」的废话。但这个不一样:他在讲一套一对一教学系统的设计逻辑,并现场演示他用这套系统从头学微分形式(differential forms)。

我全程看下来,那个 demo 好看,但最值钱的是背后三条设计原则。再说一遍,这三条才是能不能抄作业的核心。

一句话结论:让 AI 当老师不难,难的是把它当成一个有设计缺陷的系统来修。这三条原则就是让人工智能从「话痨百科」变成「真老师」的分水岭。

先说清:为什么传统的多对多学习天生低效

作者开篇给了一个很清醒的框架。我们习惯的学习方式是多对多:一个老师/一本书/一门课教很多学生,同时一个学生也从很多渠道学。这两个方向各自都制造低效。

一个渠道教很多人 → 而「最优教学」完全取决于这个学习者当下的理解状态,包括从现状到目标的整条学习弧线,以及沿途每一句解释。面向大众设计的课,不可能对任何一个人最优。最优路径应该是:少讲你已经会的,也别讲你现在还听不懂的,正好贴着你的理解边缘走。所以,理想的老师应该只有一个学生。

一个学生学很多渠道 → 你要适应很多教学风格、很多记号、很多可靠度、很多界面,来回切换本身就在消耗本来该花在内容上的心力。但作者说更深的那层成本是信任:面对不熟悉的渠道,大脑会下意识「对冲」,不敢完全接受一个新事实,直到这个渠道证明自己、变得熟悉。他举的例子很妙:毛球定理(hairy ball theorem),两段一字不差的解释,一段是 3Blue1Brown 视频里的,一段是 X 上某个路人发的,你绝对从前者学得更好。内容一样,但大脑更愿意内化它信任的渠道。

于是理想状态浮出水面:两个方向都该是一对一。

你可能立刻反驳:只有一个老师 = 只得到一个视角?作者怼得干净:你把「来源」和「界面」混为一谈了。 一个老师并没有减少来源和视角,它是把所有的来源聚合起来,通过同一个界面交付给你。视角没丢,只是入口统一了。而 AI 当老师,信任是通过工程写进系统里的,所以必须内置可靠的事实核查。理由有三:一是不希望它胡编,二是当你确信系统可靠时,学习本身就更容易。

三条设计原则,这才是能抄的部分

原则一:在理解边缘教学,不重复不冒进

要「最优教学」,系统首先必须精确知道你现在懂什么。它靠一个测验工具来做「探测」(probe):先宽泛地问,然后像二分查找一样,沿着课程依赖的每一条支线逼近你的理解边缘,最后得到一张相当精细的理解地图。这正好呼应了作者说的「贴着边缘走」:不教你已经掌握的,也不跳到你接不住的地方。

这一条我特别有共鸣。我自己那个「从零看懂 AI 代码」的学习体系(62 张知识卡)踩的坑就是:我以为我懂了一个概念,其实卡在概念之间的依赖关系上。探测阶段的价值就在这:先量清楚水位,再决定教什么,而不是默认从头灌。

原则二:挣扎留给内容,后勤全部外包

这是全场我觉得最锋利的一条。作者说「优化心智资源分配」,重点在把认知力气花对地方。恰恰相反,要学难的东西,挣扎很重要。关键是把所有的认知工作量集中到材料本身,而不是花在后勤上。规划、找资料、核对事实、决定先学什么后学什么,这些全交给系统吸收。

翻译成人话:别把力气浪费在「怎么学」的琐事上,把力气全部留给「学」这件事本身上。 困难要继续有,但困难的来源应该是内容本身的难,而不是流程的乱。

原则三:逼 AI 画依赖图,防它凭空乱编

教学阶段完全取决于你希望怎么学、你装进系统的学习哲学是什么。但有一个跨所有方式的通用细节是反馈:AI 会定期测验你有没有真懂。三个原因:一是学习时太容易自我欺骗(gaslighting),测一下才不会骗自己;二是系统需要持续反馈来保持校准;三是实际应用、做练习,本来就是让新知识「锁死」的方式。

但最妙的是计划阶段那个小心机:系统会把教学计划画成一张 Mermaid 依赖关系图展示给你。表面理由是让你对「接下来要学什么」有概念,但作者说真正原因是:逼 AI 把整条推理链老老实实推演出来,它就没法「作弊、蒙混过关」。等于是用「必须画图」这个硬约束,把 AI 的思维摊开在桌面上,让你盯着它别偷懒。

这一条我很吃。跟 AI 对话最烦的就是它太兴奋、一口气跳过一堆中间步骤直接塞结论。作者特意强调系统「一次只走一个推理步骤」,慢慢往下啃依赖树,而不是像普通 ChatGPT 那样冲到底。慢才是对的。

图表加载后显示;未启用 JavaScript 时可阅读下方流程源码。

flowchart LR
    A[探测 Probe<br/>测验二分找理解边缘] --> B[规划 Plan<br/>推理+事实核查<br/>画 Mermaid 依赖图逼它认真]
    B --> C[教学 Teach<br/>一次一个推理步骤<br/>持续测验反馈]
    C --> D{锁死理解}
    D -->|没懂| A
    D -->|懂了| E[下一个节点]

三个阶段:探测 → 规划 → 教学

系统流程相当清晰,三步:

  1. 探测(Probe):有分级的单选题,先宽后窄,二分逼近每条依赖支线的理解边缘 → 得到详细的理解地图。
  2. 规划(Plan):系统推理「怎么教这颗大脑想学的这个东西」,同时启动第一批事实核查子代理,最后把计划渲染成 Mermaid 图。
  3. 教学(Teach):完全取决于你想怎么学,但不管怎样都带反馈循环,把视觉(用子代理生成并验证的 SVG)嵌进 Obsidian 里,一步步走依赖树,每步确认理解后再前进。

他用 Obsidian 当 UI,用 Markdown 日志扩展把每次学习会话的产物落盘成可回溯的工件,连「给 AI 更多上下文」都能通过往笔记里写思路来实现。模型他也特意挑了当时智力最强的(他说教学这块模型的智能度真的很关键)。

我的判断:这套东西能抄,但别照搬

三条原则里,我最认同的是原则二(挣扎留给内容)和那个画图逼推理的小心机。前者重新定义了「难」:难应该是内容的难,不应该是流程的难;后者给了我们一个反 AI 偷懒的通用抓手:当你发现 AI 在糊弄你,就让它把推理画出来。 这两条能直接移植到任何人的学习流。

但我也得泼点冷水。「一对一辅导」这个外壳,并不适合所有人起步,它最值钱的前提是你已经知道自己要学什么、并愿意系统性地被测验。如果你连目标都不清楚,探测阶段会问到你怀疑人生。另外作者自己也承认,它能不能起作用,底层还是取决于你装进去的那套「教学哲学」,AI 系统只是个放大镜。

至于我这边,这套思路倒是印证了一件事:我那个学习体系里最不该省掉的,就是「每一块学完先自测、不对再回溯」这个环节——你越急着往下冲,越容易被「我好像懂了」骗过去。AI 教学系统的价值,在于帮你把思考花在刀刃上。

这篇文章算是我近期看过的少有的、把「AI 学习」讲成了系统工程而不是玄学的素材。如果你也在折腾怎么让 AI 真正教懂你,值得去原视频看看那个微分形式的完整 demo——它比任何描述都有说服力。

搜索全站

输入关键词,查找项目与实践记录。