拆解 OpenAI「学习模式」实战心法：一个数学陪练 Agent，为什么要同时扮演教师、同伴和守门员

我最开始做这个数学 Agent 时，AI 表现得像个满分学霸：会做，但不会教。

孩子把题一发过去，它 3 秒钟就把答案、过程、标准结论一次性端上来。看起来很强，实际上很差——因为孩子真正学到的，往往只有一句：“哦，原来答案是这个。”

这也是很多家长、老师、教育产品开发者会踩的坑：你以为自己做的是“数学辅导助手”，最后做出来的却是一个高级答案生成器。问题通常不在模型不够强，而在于你给它的角色，压根就不是“陪练老师”，而是“解题机器”。

这篇文章不再重复讲 OpenAI「学习模式」的新闻背景，而是直接进入第二层：它真正值钱的，不是几句魔法 Prompt，而是一套行为框架。

如果你想把它落到“给孩子做数学陪练 Agent”这个场景，最关键的不是多写几条夸张指令，而是把三个角色写对：

• 教师
• 同伴
• 守门员

这 3 个角色，不是为了好玩，而是分别解决 3 类最常见的失效问题。

---

先别急着抄提示词，为什么很多“数学 Agent”一上线就失效

很多人一上来会这样写系统提示词：

你是一名数学老师，请帮助学生解答数学题，要求清晰、准确、详细。

这句看起来没问题，但它几乎注定会导向一个结果：AI 默认把“帮助”理解成“高效地把题解出来”。

于是，用户一发题，AI 就会进入标准解析模式。

失败示例：普通数学助手

用户：小明买了 3 支笔，每支 4 元，又买了一个本子 5 元，一共多少钱？

AI：3×4=12，12+5=17，所以一共 17 元。解析如下：先计算钢笔总价，再加上本子的价格……

对成年人来说，这当然没毛病。

但对一个二三年级孩子，这种回答的问题是：

• 参与感为零
• 没有确认孩子卡在哪一步
• 没有训练“自己迈出下一步”的能力
• 最终非常容易变成“抄答案”

现在换成学习模式思路。

对照示例：学习模式数学陪练 Agent

用户：小明买了 3 支笔，每支 4 元，又买了一个本子 5 元，一共多少钱？

Agent：我们先不急着算总数。你觉得这道题里，哪一部分是可以先算出来的？是 3 支笔的钱，还是笔和本子一起的钱？

你会发现，区别不在于“会不会做”，而在于它先把孩子拉回到思考位置上。

学习场景里，最怕的不是 AI 不会答，而是它答得太快、太完整。

---

OpenAI「学习模式」真正值得拆的，是它的行为框架

如果你去看公开流传的学习模式相关提示词片段，会发现它反复强调的不是“讲得更全”，而是下面这几类约束：

这些约束组合起来，形成的是一种很清晰的行为逻辑：

1. 先判断学生在哪

2. 只推进一步

3. 给台阶，不给终点

4. 如果学生想跳步，温和拉回

这也是为什么很多人把“学习模式”误解成“更像老师的语气”，其实不够准确。

它更像是：把模型从“结果导向”切到“过程导向”。

而一旦你要落地到数学陪练场景，就必须把这种行为框架具体化。我的做法是：拆成三个角色。

---

为什么一定要设计成 3 个角色：教师、同伴、守门员

1. 教师：负责搭脚手架

教师角色解决的，是AI 一次讲太多的问题。

很多模型天然倾向于“完整、清楚、周到”，这在知识问答里是优点，在辅导孩子时反而是副作用。真正有效的教师，不是把整道题讲完，而是把题拆成孩子当前能接住的下一步。

比如“列方程解应用题”，教师角色要做的是：

• 判断考点是什么
• 判断孩子是卡在审题、设未知数，还是列式
• 一次只给一个最小推进动作

不是：

• 一口气写完整方程
• 顺便补上标准答案
• 最后再问一句“懂了吗”

2. 同伴：负责降低压迫感

教育类 Agent 经常会有一个隐性问题：太像老师了，所以孩子不想继续聊。

尤其在中国家庭场景里，孩子对“被检查、被纠正”很敏感。拍照发题，本来就可能已经带着一点烦躁。如果 AI 上来就是“这题很简单”“你应该先……”这类语气，互动很容易断掉。

同伴角色的意义是：

• 先肯定已完成的部分
• 用孩子能听懂的话表达
• 先问“你卡在哪”，而不是直接进入讲解

它不是让 AI 变幼稚，而是让它可接近。

3. 守门员：负责守住边界

这是最容易被忽略、但最关键的一层。

因为一旦孩子连续追问：

• “直接告诉我答案”
• “别问了快点”
• “我作业来不及了”

很多 Agent 会立刻失守，变成答案工具。

守门员角色的任务，就是在这些场景下仍然维持学习价值：

• 不直接报完整答案
• 改成给线索、选项式提示、错误定位
• 在学生受挫时降低难度，但不放弃引导

所以这 3 个角色，本质上分别对应 3 类常见失败点：

---

真正关键的，不是角色名字，而是这 3 个细节

很多人写 Prompt 喜欢堆概念：耐心、友善、专业、循循善诱……写了十几条，效果却一般。原因很简单：边界没写对。

细节一：教师角色只给“下一步”，不给“整题答案”

这是最重要的输出粒度控制。

错误写法：

请详细讲解题目。

更有效的写法：

每次只推进一个小步骤；
除非学生已经完成主要推理且只差最后计算，否则不要给完整答案。

一旦加上这条，模型的行为会明显收敛。

细节二：同伴角色先确认卡点，再给提示

很多孩子不是不会，而是只卡在一个点上。比如会列式，但算错；知道思路，但不理解题干里的“至少”“一共”“剩下”这些关键词。

所以你要明确要求 AI：

先判断学生目前做到哪一步；
先问一个澄清问题，再决定提示深度。

这样它不会上来就长篇大论。

细节三：守门员角色要有明确拒答条件和回拉机制

这是决定 Agent 能不能长期复用的核心。

你不能只写“不要直接给答案”，要写得更可执行：

• 用户明确索要答案时，先给线索
• 用户连续两次索要答案时，改给更细的步骤提示
• 用户明显情绪受挫时，可以把问题降阶
• 只有在主要推理已经完成时，才允许给最终结果

也就是说，拒答不是硬顶回去，而是把“拒绝”设计成一种教学动作。

---

一套能直接复用的数学陪练 Agent 模板

下面给你一个基础版模板，普通用户可以直接拿去试。

基础版 Prompt

你是一名面向小学生/初中生的数学陪练Agent，不是答案机器。

你的目标：
1. 帮学生理解题意；
2. 通过提问和最小提示引导学生自己完成；
3. 不直接给完整答案，除非学生已经完成主要推理且只差最后一步；
4. 如果学生要求“直接告诉答案”，优先给线索、拆步骤或举类似例子。

你需要同时扮演三个功能角色：

【教师】
判断题目考点和学生卡点；
每次只推进一个小步骤；
先问后讲，避免长篇灌输。

【同伴】
语气友好、不评判；
先肯定学生已完成的部分；
用孩子能理解的话表达，不用过多术语。

【守门员】
遇到索要标准答案、跳步骤、抄作业倾向时，不直接给答案；
改为提供选择题式提示、下一步方向或错误定位；
如果学生连续受挫，可适度降低难度，给更具体的引导。

输出格式：
1. 先判断学生目前做到哪一步；
2. 只给一个问题或一个提示；
3. 等待学生回应，再继续下一步。

进阶版建议

如果你是开发者，可以继续补这 4 层：

• 年级标签：二年级、五年级、初一，解释深度完全不同
• 题型标签：计算题、应用题、几何题、方程题，提示策略不同
• 失败重试策略：连续 2 次答错后，自动切换更低阶提示
• 记忆机制：记录这个孩子常错点，比如单位换算、列方程、审题

从“能聊”到“能复用”，差的通常不是模型，而是这些结构化约束。

---

两个真实题型演示：你会看到节奏完全不同

题型一：应用题，适合展示“同伴感”

#### 普通助手

AI：18-6+4=16，所以现在有 16 个。

#### 数学陪练 Agent

用户：这题怎么做？

Agent：我们先不急着算最后结果。你觉得第一步应该先看“吃了 6 个”，还是“买来 4 个”？

用户：先看吃了 6 个。

Agent：对，这一步很关键。那 18 个吃掉 6 个以后，还剩多少？

用户：12 个。

Agent：很好，已经做对一大半了。那现在题目又发生了什么变化？

用户：又买来 4 个。

Agent：那就在 12 的基础上，是加 4 还是减 4？

用户：加 4。

Agent：对，所以现在一共有多少个？

你会发现，它没有“炫技”，但孩子一直在参与。

题型二：方程/几何类，适合展示“分步引导能力”

用户：我不会。

Agent：没关系，我们先只找“宽”。题目说宽比长少 3 厘米，长是 8 厘米，那宽应该怎么算？

用户：8-3？

Agent：对，就是这一步。那宽是多少厘米？

用户：5 厘米。

Agent：很好。现在长方形面积的公式你还记得吗？

用户：长乘宽。

Agent：那这题就只剩最后一步了：8×5 等于多少？

用户：40。

Agent：对，面积是 40 平方厘米。你看，其实这题不是难在算，而是先把“宽”找出来。

这种设计特别适合中国家庭里常见的场景：孩子不愿意看大段解释，但愿意一问一答往下走。

---

中国用户尤其要注意的 4 个本地化问题

1. 家长常用“拍照发题”，不是完整文字输入

这意味着 Agent 不能假设题意总是清楚的。

如果识别结果含糊，应该先复述题目确认，而不是直接开讲。

2. 孩子通常不愿意读长解释

所以提示要短，最好一轮只做一件事。

一段 200 字的完整讲解，往往不如一句“你觉得先算哪一步？”

3. 中文数学表述容易有歧义

比如“比……少 3”“至少”“还剩”“一共”，这些都是典型卡点。

Agent 要优先帮助孩子拆词，而不是直接列式。

4. 应试训练和启发式学习要平衡

中国家长最现实的问题不是“AI 能不能启发”，而是“别耽误做题效率”。

所以守门员不能过硬，教师也不能过慢。真正好的策略是：平时多引导，关键收尾阶段适度提速。

---

真正可复用的 Prompt 技巧，是让 AI 学会“忍住不答”

如果你也想把这套“数学陪练 Agent”自己跑一遍，可以直接把文中的系统提示词放到兼容接口的平台里测试。我平时会用 api.884819.xyz 做这类多轮对话对比，因为它很适合快速验证不同 Prompt 版本的差异。

如果你是普通用户，注册后平台内置 AI 对话功能，直接就能试；如果你是开发者，也可以拿它做多版本 Agent 调参，比如比较“教师/同伴/守门员”三个角色在同一道题上的表现差异。

8848AI 的注册流程也很简单：用户名+密码即可注册，不需要邮箱验证；注册即送 5 元体验额度；国产模型如 Deepseek R1/V3、通义千问 Qwen3、Kimi K2.5、GLM-5 完全免费；平台没有月租、没有订阅，按量付费。

对学习场景来说，最难的不是让 AI 更聪明，而是让 AI 在该忍住的时候忍住，在该递台阶的时候递台阶。

而这，才是 OpenAI「学习模式」真正值得学的地方。

下一篇，我准备继续往下拆一个更难、也更影响稳定性的点：数学陪练 Agent 最难写的，其实不是教学能力，而是拒答策略。什么时候该拦，怎么拦了还不让孩子反感，这里面还有一整套细活。

#AI教程 #Prompt技巧 #教育AI #Agent设计 #8848AI #人工智能 #学习模式