最近一段时间，很多人都在讨论 AI 编程助手里的一条特殊指令：/teach。
有人把它看成“提问模板”，有人觉得只是换了个说话方式，还有人试了几次之后觉得“好像也没那么神”。我的判断可能不一样：/teach不只是提示词技巧，它代表了一种正在被重新重视的学习方式——让 AI 从“答案生成器”变成“苏格拉底式陪练”。
这篇文章先回答三个问题：为什么传统教程学了容易忘？/teach的底层机制到底是什么？怎么把它接到你自己的开发环境里，真正跑通一次“交互式学习”？
读完之后，你不会只拿到一句“可以学 XX”，而会得到一整套可配置、可复制、可验证的实践方案。
1. 为什么“教程看了很多，代码还是写不出来”
先看一个很常见的程序员学习场景。
你发现某个新技术需要掌握，于是开始找教程：B 站视频打开两个，CSDN 文章收藏五篇，GitHub 仓库放进 Star。看完之后觉得“懂了”，但当自己真的动手写一个功能时，却不知道从哪一行开始。
你可能会责怪自己不够自律，或者怀疑教程质量不够好。
但问题不在“教程不够多”，而在“接收方式本身”。传统教程的基本结构是线性的：概念 → 示例 → 练习。它在“读”和“看”层面做了大量工作，却很少要求你“主动回忆”和“现场推理”。读的时候觉得自己理解了，实际上大脑只是完成了语义识别，并没有建立可迁移的知识结构。
更麻烦的是，AI 编程助手普及之后，这个局面上演得更快了。
以前面对一个报错，你至少会去搜日志、查文档、看源码。现在你直接把报错复制给大模型，几秒钟就得到一段“看起来能跑”的代码。代码跑通了，但下次换个场景还是不会。
我不是说不要用 AI。恰恰相反，AI 是这几年学习效率提升最大的工具。问题在于，大多数人用的是“索取答案”模式，而不是“建立能力”模式。
/teach的价值就在这里：它通过一套特定的交互协议，逼着 AI 在教我们的时候，不再做纯粹的“输出答案”，而是通过提问、拆解、反馈，让我们把知识重新思考一遍。
2. /teach 是什么：一个把 AI 变成导师的斜杠指令
/teach不是一个标准化的官方命令，而是一种在 AI 编程工具社区中广泛流传的“自定义指令”思路。你在 Claude Code、Cursor，以及其它支持斜杠命令的 AI 编程助手中，都可以通过配置把它变成一个真正的斜杠命令。
它的核心设计是：让大模型不再扮演“知识搬运工”，而是扮演一位“引导型导师”。
普通提问和/teach式教学，区别非常明显。
| 维度 | 普通提问 | /teach 式教学 |
|---|---|---|
| AI 的目标 | 快速给出答案 | 让你自己推导出答案 |
| 输出的形态 | 完整代码或结论 | 问题、场景、提示、反馈 |
| 学习者的角色 | 被动接收 | 主动推理和作答 |
| 成功标准 | 任务完成 | 理解建立 |
| 交互节奏 | 一次性问答 | 多轮对话式推进 |
我见过一个非常贴切的类比：普通提问是“请厨师把菜做好端上桌”，/teach是“请教练在旁边看着你炒菜，只在关键时刻提醒你”。
这种设计看起来简单，实际对 AI 的能力要求不低。因为大模型默认有“补全欲望”，你问什么它就倾向回答什么。要让 AI 忍住不直接说答案，还能追问、纠偏、控制信息量，必须在指令层面把规则写清楚。
更重要的是，它给了学习者一个“安全犯错”的空间。你在跟真实导师学习时，最怕暴露自己不会。但在/teach的对话空间里，你的每个错误回答都会成为 AI 继续引导的线索。这种环境非常有利于知识内化。
3. /teach 为什么有效：从学习原理看引导式教学
如果只看表面，很多人会觉得/teach只是“让 AI 多问几个问题”，没什么特别。
但它的有效性有比较扎实的学习科学基础。
第一个关键机制是“主动回忆”。当你被迫在没有参考的情况下去回答问题、去解释一个概念时，大脑会主动检索已有知识。这种检索过程比重新读一遍资料更能巩固记忆。传统教程很少制造这种检索压力，而/teach的提问循环正好补上了这一环。
第二个关键机制是“生成效应”。学习者在尝试自己产出答案时，哪怕答案是错的，后续接收反馈时的注意力也会更高。这有点像程序员调试代码：如果错误信息是你自己跑出来的，你会更认真地看日志；如果是别人告诉你“那里有问题，改掉就行”，你可能根本记不住原因。
第三个关键机制是“及时分层反馈”。好的导师不会一下子把一个复杂系统全部讲完，而是会根据你的反应，决定下一轮给多少信息。/teach的交互式设计天然支持这种“逐步去除脚手架”的过程：先给提示，你回答后它再揭示更多，直到你能独立完成。
我习惯把这种方式理解成“面向学习过程的 TDD”：传统 TDD 是“先写测试，再让代码通过测试”，/teach是“先让你尝试思考，再让 AI 用反馈修正你的思考”。两者都在用“持续的反馈循环”保证最终结果不是一次碰巧的成功。
理解这个原理之后，你就不会把/teach当成“聊天玩法”，而会把它当成一套可以控制节奏和难度的方法论。
4. /teach 落地环境与配置方法
想用上/teach，最简便的方式是把它配置成 AI 编程工具里的自定义斜杠命令。不同工具的配置位置和语法可能不同，但思路是一致的：准备一份指令文本，告诉 AI 在/teach被触发时，按哪套规则进行教学。
下面是一个通用配置示例，你可以保存在项目目录或全局配置目录里，具体路径以你使用的工具文档为准：
# 文件路径示例：.claude/commands/teach.md # 或者：项目根目录/.cursor/commands/teach.md # 不同工具的配置目录不同，请在对应工具文档中确认 description: 引导式互动学习，不直接给答案，通过提问让我自己理解 argument-hint: 你想学习的技术主题或具体问题对应的指令文件，可以写成这样：
当用户输入 /teach 时，请不要再扮演“直接给出答案的助手”。 请你扮演一位经验丰富、耐心细致的软件工程师导师。 你的教学法必须遵循以下规则： 1. 首先了解背景：询问用户当前的技术水平、项目语言、以及具体想解决什么问题。 2. 拆解主题：把一个复杂主题拆成 3 到 5 个递进的小知识点，从最基础的一环开始。 3. 一次只讲一层：不要一股脑把全部内容讲完，先解释当前层所需的最小概念。 4. 用提问代替直接灌输：每次讲解一个片段后，向用户提出一个针对性问题，让用户自己推理下一步。 5. 等待用户作答：用户回答完之后，你才继续揭示下一层内容。 6. 判断回答质量： - 如果用户答对了，简短肯定，并追加一个更难一点的问题。 - 如果用户答错了，不要直接给出正确答案，而是给一个类比或提示，让用户重新思考。 - 如果用户完全不会，再提供一个最小例子，但仍要引导用户自己总结规则。 7. 总目标是：让用户在对话结束时，能够用自己的话解释所学内容，并独立完成一个最小练习。这段指令的要点是“等待用户作答”。很多 AI 工具在生成回答时，倾向于一口气输出全部内容。如果你希望它停下来，就得在指令中明确写清“等待用户作答”“一次只讲一层”。
配置完成之后，你在对话里输入：
/teach 我想理解 Git 里面暂存区和工作区的关系，使用场景是平时提交代码经常搞混。AI 就会按你设定的规则开始交互式教学。
如果你用的工具不支持自定义斜杠命令，也没关系。你可以直接把上面那段规则复制到一个普通对话里，再附上你想学的内容，效果基本一样。
5. 一套可复制的 /teach 提示词模板
为了让使用门槛更低，我整理了一套可以直接拿来用的中文提示词模板。它不是最长的那一种，但覆盖了“了解水平、拆解任务、提问引导、纠错反馈”的核心流程。
请使用“引导式教学法”教我以下主题： 主题：{{在这里填主题}} 我的编程基础：{{例如：Python 学了半年，能写简单脚本，但没有系统学过设计模式}} 我的目标：{{例如：想理解装饰器，并用它做一个日志功能}} 要求： 1. 不要先给我完整答案。 2. 先根据我的基础和主题，设计一个最小递进路线，并向我确认是否合理。 3. 从第一层开始，用通俗语言解释该层的最小核心概念。 4. 讲完概念后，用代码片段展示“问题场景”，不要展示完整解决方案，先问我：你觉得这里的问题是什么？ 5. 我回答后，你根据我的回答决定下一步：答对就继续向前；答错就给一个类比提示；仍然不会再给出该片段的小解法，但还要让我解释为什么这个解法能生效。 6. 全部学完后，让我用自己的话总结整个主题，并布置一个扩展练习。实际使用时，把模板里的占位内容替换成自己的信息，就能开始一次高质量对话。
我还建议你在模板里加上一条“信息量控制”：
如果接下来内容较多，请把回答压缩到 300 字以内，确保我每轮只消化一个知识点。只有我明确说“继续”时，才进入下一节。这条限制很关键。它把一次“知识轰炸”变成了可控的“增量加载”，也符合第 3 部分提到的分层反馈原则。
6. /teach 实战：两个真实学习场景的对话示范
光有模板还不够，我来模拟两个具体的学习场景，让你直观感受/teach的对话节奏。
6.1 场景一：学习 Git 工作区、暂存区、版本库的关系
普通提问是这样的：
问：Git 里工作区、暂存区、版本库是什么？ 答：工作区是你当前可编辑的文件目录，暂存区是一个临时存放改动的地方，版本库是保存历史提交的地方。你读完可能点头，但半小时后照样会忘记。而/teach的节奏是这样的：
AI：我先确认一下，你已经掌握了 git add 和 git commit 的基本命令，但对“暂存区”到底是什么感到模糊，对吗？ 你：对。 AI：好。请你现在运行 git status，观察一个未跟踪的新文件会出现在哪一栏。然后告诉我：你觉得 git add 这个动作，在物理上可能把文件“移动”到了哪个地方？ 你：移动到一个叫暂存区的地方？ AI：这没错，但注意一个细节：git add 并没有真的把文件复制到某个特殊文件夹。暂存区更准确地说是一个记录“下一次提交要包含哪些文件快照”的地方。 现在第二个问题：如果你执行 git add 后又修改了文件，再运行 git status，你会看到文件同时出现在暂存区和工作区。你觉得这说明什么？这种对话方式，让学习者在一个个问题中主动补全了模型。
6.2 场景二：学习 Python 装饰器
传统教程会直接给出装饰器代码：
def decorator(func): def wrapper(*args, **kwargs): print("before") result = func(*args, **kwargs) print("after") return result return wrapper新手看完往往不理解“为什么装饰器要嵌套三层”。/teach的做法是从“需求变化”开始：
AI：假设你有一个函数 log()，现在希望每次调用它时自动打印“开始执行”和“执行结束”。在不改动 log() 函数内部代码的前提下，你会怎么做？ 你：可以写一个新的函数，调用 log() 前后打印日志。 AI：对，这是第一层。现在问题来了：如果 log()、send()、save() 三个函数都要加同一段日志，你打算怎么办？ 你：难道要写三个包装函数？ AI：这正是装饰器要解决的问题。装饰器的本质是“接收一个函数，返回一个包装后的新函数”。现在你能否基于这个定义，自己写出一个最简单的不带参数的装饰器？注意，AI 没有把三层结构直接倒给用户，而是先让用户面对“重复代码”的痛点，再引导用户理解装饰器的产生动机。这样学到的知识，才不是“背语法”，而是“理解设计”。
判断/teach是否成功，就看一件事：对话结束后，你能不能不看任何资料，自己讲清楚“这个东西解决了什么问题，为什么这样设计”。
7. /teach 使用中的常见问题与排查思路
/teach虽然思路简单，但实际使用时会出现各种“不听话”的情况。我整理了一份排错表。
| 问题现象 | 可能原因 | 排查方式 | 解决方案 |
|---|---|---|---|
| AI 第一次回答就给出完整答案 | 指令中没有明确“等待作答” | 检查提示词是否写明“先不要给出完整答案” | 加入显式规则：禁止直接输出完整代码，先提问 |
| AI 提出的问题太难，完全接不上 | 没有先说明学习者的基础水平 | 查看对话开头是否符合“了解水平”的步骤 | 补充一句“请以我当前的基础为准，难度要循序渐进” |
| 每次回复内容太长，变成知识轰炸 | 缺少信息量控制 | 观察 AI 是否一次性输出多段代码 | 增加“每轮回答不超过 300 字”的限制 |
| 学到一半跑偏，开始聊无关知识 | 缺少学习目标和范围约束 | 看 AI 是否偏离你最初填写的主题 | 明确写出“只围绕当前主题拆解，不延伸扩展内容” |
| AI 始终用术语解释，没有通俗化 | 没有指定解释风格 | 让 AI 用“类比 + 最小代码场景”说明 | 在指令中加入：先给一个程序员熟悉的类比，再进入术语 |
| 自己懒得回答，想要答案 | 心态还是“索取答案”模式 | 反问自己：这个知识点想不想真正掌握 | 降低预期：把一次/teach的时长控制在 10 到 15 分钟 |
这里最常见的问题，其实不是 AI 配置不对，而是使用者没有坚持“作答”。一旦你连续几次不给反馈，AI 就会自动退回“直接给答案”的老路。所以使用/teach时，最需要记住的是：你在对话里不仅是在“看 AI 输出”，你是在“训练自己的思考肌肉”。
8. 最佳实践：把 /teach 变成一套长期学习系统
/teach不应该只是一个即用即走的指令，它可以成为你日常工程学习系统里的一个重要环节。这里有六条建议。
第一，先定义“最小成功”。在开始前，用一两句话写下“这轮学习结束后我能够独立做到什么事”。目标越具体越好，比如“能自己写一个带参数的装饰器”，而不是“理解 Python”。
第二，把/teach和真实项目绑定。空学概念容易遗忘，但如果你刚好在写一个 Restful API，想搞清楚中间件机制，就可以直接让 AI 用"/teach Restful API 中间件的执行顺序"来引导你分析自己项目里的代码。
第三，学会“主动暴露错误”。/teach最有价值的时候，是你答错的时候。不要怕答错，在对话里尽量给出自己的推理过程，这样 AI 才能更有针对性地修正你。
第四，用“费曼式收尾”完成闭环。每次/teach结束后，要求 AI 扮演“学生”，让你把这个主题解释给它听，它来检查你的表述是否有漏洞。这一步是主动回忆的最强形式，也不花多少时间。
第五，把优秀对话沉淀成笔记。我会把和 AI 的这段教学对话中，自己回答不出来的问题单独提炼成一张卡片，定期复习。知识遗忘很正常，关键是留下“当时卡在哪”的记录。
第六，在团队里推广。/teach特别适合作为新人入职培训的辅助工具。新人面对自己陌生模块时，可以直接用/teach请求 AI 引导入门，减少一上来就被复杂架构劝退的概率。
需要提醒的是，/teach不能完全替代阅读源码、查看官方文档、动手写项目。它更像是“第一盏灯”，帮你把某个黑暗的角落照亮，但真正走进去，还是要靠你自己。
9. 总结与后续学习方向
/teach最大的贡献，不是发明了某种神秘提示词，而是提醒我们：AI 时代的学习，重点已经从“更快速地获取答案”变成了“更高质量地构建理解”。
如果你只想记住一个核心，那就是：把 AI 当作教练，而不是答案供应商。让它在适当的节点提问，在你犯错时给提示，在你理解后增加难度。这套流程不仅适用于学 Git、学 Python，也可以扩展到系统设计、架构重构、领域建模等更大更复杂的主题。
我的建议是，今天就可以去配置一个/teach命令，然后找一个小知识点，完整走一遍“了解基础 → 主动回答 → 纠错反馈 → 费曼收尾”的流程。这个过程大概只需要十五分钟，但比起收藏一篇教程后吃灰，它的收益要实在得多。
