做了快十年高中数学竞赛教练，我最头疼的事一直不是学生，而是讲义。每周要出两到三套学案，从选题、难度分层、例题编排、配套变式一路做到答案解析，一套像样的数竞学案没个四五个小时下不来。今年我试了个新路子：把"学案制作"这件事本身做成一组skills——把教研决策、选题、排版、改稿全塞进一个技能包里，让AI替我把脏活累活干完，我只负责拍板和把关。这套流程跑下来，学案制作时间压缩了一大半，而且教研经验第一次能沉淀成可复用的资产。这篇文章把我踩过的坑、理清楚的设计思路和能直接抄走的配置方案，一次性倒出来，给同样在竞赛教研一线挣扎的朋友们做个参考。
1. 先把问题摆清楚：竞赛教研为什么需要一场"学案革命"
1.1 传统学案制作的四个死结
先说结论：大多数竞赛教练做学案的方式，还停留在"手工车床"阶段。这里有四个长期存在的死结，我相信每个一线教研的人都深有体会。
第一个死结是选题靠翻书。给高二学生准备一份关于"数列不等式"的学案，传统做法是翻开各种竞赛教材、真题集、内部讲义，从里面人工挑题。翻到什么算什么，运气占比很高。同一个知识点，A老师选的题和B老师选的题，难度曲线可能完全不一样；即便同一个老师，今天和明天选出来的题也可能千差万别。这种随机性会导致教研质量不稳定，尤其当教研组里不止一个人的时候，学案风格能差出几条街。
第二个死结是难度靠感觉。老教练凭经验能大致判断"这道题对这批学生来说偏难了"，但这份感觉很模糊。难多少？难在哪一步？是知识点没学过还是技巧太冷门？说不清楚。新人教练就更抓瞎了，经常出现整页学案学生做不出来几道题的情况，信心打没了，课也白上了。
第三个死结是格式靠手工。公式排版、题号调整、留白控制、答案对齐，这些活儿极其耗时，又不产生任何教学价值。很多教练做学案，一大半时间不是在思考教学，而是在跟LaTeX语法较劲、跟Word格式打架。
第四个死结，也是最要命的，是传承靠口口相传。老教研员的经验大部分存在脑子里，没有物化为可传递的资产。一个带出过冬令营学员的老教练退休，他对题目的感觉、对难度的拿捏、对课堂节奏的判断，基本也就跟着退休了。新人只能从头摸索，把所有坑再踩一遍。
1.2 "一体化"到底是在解决什么
其实"一体化"这个词不是噱头，它指向一个非常具体的目标：把教研分析和学案制作从两张皮变成一条流水线。
传统的流程是：教研是教研，学案是学案。教研会议讨论"这批学生这周应该学什么、学到什么深度"，讨论完之后散会，各人回去自己翻书出讲义。教研结论和最终产品之间的连接，靠的完全是教练的记忆力和自觉性。学案做的过程里，那些教研结论很快就变形了，甚至被遗忘了。
一体化的意思是，让"教研决策"直接变成"学案内容"的输入参数。你不需要把教研结论翻译成一份纪要再翻译成学案，而是让决策本身就能驱动生成。往上游说，输入是"学生现在在哪、要往哪去、本周练什么能力"；往下游说，输出是一份可以直接进课堂的学案。中间的选题、排序、变式、难度标注、解答编写，全部由一套规则体系自动完成。
这其实就是工程领域说的"Software 2.0"思路——不直接写死逻辑，而是把规则和示例喂给系统，让它按你的标准生成结果。放在教研场景里，就是把教练的"手艺"变成"参数"，把不可言说的经验变成可运行的规则。
1.3 为什么靠skills而不是普通AI聊天
可能有人会说：我也用AI帮我出题啊，直接问"给我出三道数竞不等式题"不就行了吗？
用过的都知道问题在哪：你每次都要把上下文重新交代一遍，AI的产出风格飘忽不定，第一次给你一份高质量讲义，第二次就给你一堆陈题。这背后的本质差别在于：普通聊天是"调教"，skills是"固化"。
你可以这样理解：普通聊天是每次去餐厅都对厨师说"我要一道微辣的宫保鸡丁，花生米要脆，不要放黄瓜"；而skills是直接把一份完整的"菜单+后厨标准作业程序+食材清单+摆盘要求"打包交给后厨系统，每次下单只需要说"今天做这个菜"。
skills的核心特征是：它不只是给AI一组指令，还包含示例、边界条件、自检清单和修订规则。这些东西组合起来，相当于给AI装了一个"领域滤镜"，让它输出的时候始终待在竞赛教研的范围内。你不需要每次重新描述一遍什么是"好的数竞学案"，skills已经把"好"的定义埋在运行机制里了。
我在实践中最直观的感受是：用skills之前，AI是个"什么都知道但不稳定的助手"；用skills之后，它像一个"受过专门训练的新教研员"——至少不会犯低级错误，而且每次交上来的东西风格统一、结构规范。
2. 把教研员的"手艺"拆成可编码的决策节点
2.1 一份学案诞生背后藏着哪些决策
要做出能用的skills，第一步不是写代码，而是打开自己的脑袋，把做学案的过程从"潜意识动作"变成"显性步骤"。我花了整整一个周末，坐在书桌前复盘我自己出一份学案的完整过程，最后拆出了五个关键节点。
第一个节点是知识点拆解。一份学案必须有明确的覆盖范围，比如"本节聚焦柯西不等式的三类变形"，而不是含糊的"不等式综合"。知识点拆得越细，选题方向越明确，学案的主题也越不容易飘。
第二个节点是目标分层。同一份学案，给联赛冲刺的学生用和给刚开始接触竞赛的高一学生用，完全是两个版本。需要明确每个知识点上学生要达到的"认知层次"：是了解、熟悉、掌握还是熟练运用。
第三个节点是例题筛选。这里要解决的问题是：在浩如烟海的竞赛题里，哪几道最适合当前这批学生。筛选标准包括难度匹配度、解法是否与本节课主线一致、是否覆盖典型技巧、是否容易被变式改造。
第四个节点是变式设计。好的竞赛学案一定不是若干孤立题目的拼盘，而是围绕核心方法的一组"题族"。一道例题后面跟着两三个变式，每个变式改变部分条件、保留核心结构，让学生在做题中自然领悟方法本质。
第五个节点是反馈闭环。学案发下去之后，学生的完成情况如何？哪些题目得分率低？暴露了哪些认知缺陷？这些反馈必须回流到下一份学案的难度设置和选题设置里。
传统教研中，这五个节点全靠教练的脑力，而且往往是模糊运行的。我的做法是：把这五个节点全部变成skills内部的处理流程，每个节点都有明确的输入、输出和决策规则。
2.2 把经验写进"决策表"：我的难度映射表
下面这张表是我skills里最重要的一张压舱石。它把抽象的"难度"变成了可操作的档位系统，每个档位对应明确的学生人群、题源和学案占比。
| 难度档位 | 对应场景 | 参考题源 | 学案建议占比 | | L1 课内拔高 | 高一同步，刚接触竞赛 | 高考压轴题改编 | 约20% | | L2 联赛一试 | 高二联赛冲刺 | 高中联赛一试真题 | 约40% | | L3 联赛二试 | 冬令营备赛阶段 | 高联二试真题与改编 | 约30% | | L4 拔尖集训 | 省队/国家集训队方向 | IMO短名单、国家集训队测试题 | 约10% |
这张表不是凭空拍出来的，它的设计逻辑是：即使在"数竞学案"这个大背景下，一份学案也不能全是难题。全是难题的学案会让大部分学生全程受挫，学完没有获得感；全是简单题则浪费时间。所以我的默认比例是"基础过渡"20%"核心训练"40%"挑战拔高"30%"压轴视野"10%。这个比例很像赛跑训练里的配速设计——大部分里程用巡航速度跑，最后几公里才开始发力。
实际使用中，我会根据学生画像动态调整占比。如果学生群体是"高一刚入门"，L3和L4的比例要压缩到20%以内；如果是"省队冲刺"，L1可以完全去掉，L4的比例上调到20%～25%。
2.3 给skills一个"学生画像"接口
skills不是万能的，它必须知道它在给谁做学案。所以我在skills里设计了一个标准化的输入接口，叫做"学生画像"。它像医生问诊的病历单，每次调用skills之前必须填清楚。
学生画像的字段包括：学生年级、目标赛事（联赛二试/冬令营/CMO）、当前知识点盲区、已掌握的方法工具、每周可投入的自学时间、上一份学案的完成率和错题分布。字段越具体，skills生成的学案就越贴地气。
比如同样一份"多项式与复数的综合"学案，输入"目标是联赛一试，学生处理复数旋转的几何意义有困难"，和输入"目标是冬令营，学生需要强化多项式根的分布与大模数估计"，两者生成的学案完全不是一个层次的题目。这个接口是整条流水线的"总闸门"，也是教研一体化最关键的一环。
3. 学案制作一体化skills的架构与关键参数
3.1 技能包的整体结构
一个完整的学案skills包，我倾向于把它拆成六个模块。这六个模块不是代码层面的硬性结构，而是文件和指令层面的分工，你可以在支持skills的环境中按这个思路组织你的素材。
主指令文件描述整个技能的整体目标和运行流程，相当于"操作手册第一页"。它向AI说明：本技能是做什么的、使用者是谁、输出物是什么样子的。
规范文件详细描述一份合格学案的格式要求，包括栏目标题、字号和留白规范、题目标号格式、答案位置等。这些细节决定了AI的输出是否"直接用"。
示例学案提供两份完整的学案样本，一份是"高一入门版"，一份是"联赛冲刺版"。这两份示例是AI模仿的模板，价值极高——与其写一百句"要结构清晰"，不如给一份好样本直观。
题库清单是知识点的覆盖范围列表，告诉AI在选题时优先搜索的方向。不是硬性题库，而是一个"关键词地图"，例如"柯西不等式""组合恒等式""第二数学归纳法""解析几何定值问题"。
学生画像模板用于统一输入格式，确保每次调用都提供足够完整的上下文。
修订规则定义了技能如何接受反馈并自我改进。比如课后统计显示某道例题的得分率只有20%，说明难度设置偏高，修订规则就会要求下次类似场景降一档难度。
3.2 题量预估与时间配比的计算逻辑
做学案的时候最怕的是"贪多"——一道又一道地堆题，以为学生做得多就学得多。实际上效果很差，学生在题海里疲于奔命，根本来不及消化思路。所以我在skills里写死了题量与时间配比的默认逻辑。
默认配置是：45分钟课堂，例题3道，每道例题配1～2道变式，课后练习4道，其中2道巩固、1道挑战、1道拓展。这样一个知识点的完整课时大约覆盖9～10道题，其中课堂内完成5～6道，课外完成4道。数学竞赛的一节课和普通课不一样，学生需要比较长的时间沉浸在连贯的思路推进里，频繁切换题目会破坏思考深度。
计算逻辑是这样的：一节课45分钟，前5分钟回顾和引入，中间35分钟讲练结合，最后5分钟总结与留作业。35分钟的核心时段里，一道中等偏难的竞赛例题，学生独立想+听讲+复盘，大约需要8～10分钟。这样3道例题已经占满了核心时段，每道例题的变式只能作为"第一道做给老师看，第二道学生自己做"的即时检测。课后4道练习则安排在课外时间，每道平均20～30分钟，保证学生有充分的独立思考和书写时间。
3.3 难度系数的校准方法
这里补充一个关键细节：难度档位表只是"预设值"，真正要让它准确，必须做数据校准。怎么校准？靠学生的完成数据。
我常用的校准公式是：若一道题的班级正确率超过80%，说明它只起到了"熟悉题型"的作用，没有足够挑战性，下次同类知识点要把难度上调半档到一档；若正确率低于20%，说明这题超出了大多数学生的最近发展区，看见题目就放弃了，下次下调一档；正确率在40%～60%区间，说明难度合适，维持不变。
这个校准逻辑我也写进了skills的反馈模块里——每次课后，技能会根据学生反馈和正确率数据，自动调整难度映射表中各个档位的默认比例。跑过三轮之后，生成的学案就像一双穿过一段时间的手套，越用越贴合手型。
4. 实操流程：从"输入学生画像"到"输出可发学案"的四步走
4.1 第一步：维护一份学案规范文件
我强烈建议，不管你是自己用还是教研组一起用，先把"学案规范文件"写出来。这份文件是让AI输出稳定的地基，也是未来所有学案统一风格的总纲。
我的规范文件包含六个强制栏目：目标栏（本节课要达成的能力目标）、知识链接栏（唤起哪些旧知）、例题栏（核心讲解题目，含思路分析和方法提炼）、变式栏（随堂检测的变形题）、方法沉淀栏（用几句话概括本节课的方法论）、课后作业栏（分层布置）。你看这六栏，其实对应的正是前面拆解的教研决策节点。每一栏都在约束AI，让它生成的不只是题目集，而是完整的教学流程方案。
规范文件里还要写清细节格式，包括：每道例题需要标注难度档位和来源、解答过程必须具名写出关键步骤（不允许只给"化简得"）、变式题必须与例题共享核心方法但改变表面形式。这些要求看起来琐碎，实际它决定了学案的可用性。
4.2 第二步：调用skills生成初稿
我以一次真实操作为例。某次我给高一一个刚接触数竞的班做"柯西不等式及其变形"学案，输入的学生画像是：高一，联赛方向刚起步，已掌握均值不等式但不会处理结构不对称的分式型不等式，每周自学时间约3小时，上一份学案中二次型配方法的完成率不错，但"待定系数"类技巧失分高。
skills生成初稿的用时大约是5分钟。它给了我一版学案：目标栏写的是"能识别柯西不等式适用的结构特征，掌握凑配法与待定系数法两类变形手段"；知识链接栏自动调出了均值不等式与向量点积作为预备知识；例题栏选了3道从易到难的题目，分别是标准型柯西、分式型凑配、带参数的柯西变形；每道例题下配了变式，最后还给出了一份课后作业。
这版初稿的完整性已经达到了"可以直接上课"的七成水平。剩下三成是什么？是"人味"——它不知道我上周课堂里跟学生强调了什么易错点，不知道这个班有两个学生的特殊情况，这些信息需要我在下一环节补充修正。
4.3 第三步：人工把关与修订
AI初稿再好，也必须过教练的眼。这是经验问题，不是效率问题。我的把关流程有固定的三看：一看难度匹配，把学案里每道题的难度档位与班级实际情况对照，感觉偏难或偏易就换题或调整标注；二看逻辑连贯性，检查例题和变式是否在同一个思维框架内演进，避免"例题讲的是柯西，变式却跳到了排序不等式"；三看解答严谨性，重点排查那些"跳步严重"的环节，把关键的因式分解、参数讨论步骤补全。
这一次我做了三处修订：把第二道例题的来源换成了去年某省联赛真题的改编版，因为原题对高一学生太直接；把第三道例题的变式改成了与待定系数法相关的一道小题，因为上一份学案的失分点就在这；把知识链接栏里默认的"向量形式柯西"挪到了课后阅读材料，课堂时间不够讲。整个过程大约15分钟。
4.4 第四步：回收反馈、迭代skill
学案发出去了，不等于工作结束，真正让skill变强的是课后反馈环节。每次作业批改后，我会把三个数据录进skill：完成率、各题正确率、学生问得最多的问题描述。这些反馈会驱动skill对难度映射表做校准。
我这里举一个真实的数据反馈案例：一次"数列放缩"学案，第三道例题也就是压轴题的直接正确率只有18%，但我从学生的问题描述中发现，大部分错误发生在"裂项放缩的缩放尺度"这一步。这说明问题不在难度档位，而在前置知识——学生对裂项模式的敏感度不够。于是我更新了学生画像的"当前盲区"一栏，并在下一份学案的知识链接栏里加入了裂项模式识别的基本训练。这种动态迭代，正是"一体化"和"一次性打印"的本质区别。
5. 真实踩坑记录与问题排查速查表
5.1 坑一：skills生成的学案难度飘移
我第一个月用的时候就遇到一个问题：同样输入"联赛一试层次"，上周的学案难度正常，这周同一档位却突然变成"二试难度"。排查了半天，发现是学生画像里的"已掌握的方法工具"字段填得太满，AI误以为学生已经具备了大量高阶工具，于是上调了难度。
解决方案是：在skills规范文件里加了一条硬性约束——难度档位必须严格按照难度映射表执行，学生画像中"已掌握"字段只能作为备选延展参考，不能作为难度上调依据。这个坑的深层原因是：AI非常容易被输入上下文中的"丰富性"误导，我们必须给它一个连接"输入"和"输出"的确定性锚点，否则它的输出会左右摇摆。
5.2 坑二：例题"撞车"严重
运行到第三周，我发现不同学案之间开始出现重复例题。原因是AI的训练数据中，竞赛题的高频例题就那些，每次选题时它都会优先选"最典型"的，结果就是重复。特别是"均值不等式与最值"这类经典主题，几乎每份学案都能撞上同一道题。
我的处理办法是：在题库清单模块里维护一个"最近选题记录"，每份学案生成后，把选用的题目编号记录下来，下一个主题的skills调用时会主动避让近三周已经用过的题目。这个"去重轮询"机制很简单，但极其有效。
5.3 坑三：AI在竞赛题严谨推理上翻车
竞赛数学有一个特殊性——对严谨度要求极高，一个细节失误就可能导致整个解答链崩塌。AI在处理代数运算时可以很稳定，但在涉及"充分必要性讨论"和"含参分类讨论"时，偶尔会出现逻辑跳跃或漏情况。
我的应对策略是：在修订规则中加了"文言双重验证"环节——每次生成解答后强制AI自问三遍：这个条件满足充分性吗？这个分类穷尽所有情况了吗？这个不等式的取等条件成立吗？同时，教练把关时专门检查这类题目的解答过程。这提醒大家：AI生成的学案可以大幅提升效率，但最后的数学品质责任，一定在作为教练的自己手上。
5.4 常见问题速查表
为了便于大家快速定位问题，我把这几个月遇到的重要问题整理成了一张速查表。
| 症状 | 可能原因 | 处理建议 | | 学案难度整体偏高 | 学生画像中目标赛事设置过高，或难度映射表未适配 | 检查目标赛事字段，调整L3/L4占比 | | 例题重复率高 | 题库清单缺乏去重机制 | 加入近三周选题记录，强制避让 | | 解答过程跳步 | AI压缩了推理步骤 | 规范文件中明确"不允许省略关键步骤"，逐题把关 | | 学案篇幅过长 | 变式和练习项太多 | 缩短变式数量，每题标注时间，按课堂总时间硬约束 | | 学案风格与班级不搭 | 示例学案与企业风格不匹配 | 更换示例学案，示例中要放最贴近你教学风格的样本 | | 知识点覆盖不均衡 | 题库清单偏向常见模块 | 梳理考点覆盖矩阵，为低频模块做加权提示 | | 内容更新跟不上新题 | 缺乏对最新竞赛题的注入 | 每学期初更新题库清单，补充新题来源 |
这张表格我贴在工位上，每次skills输出异常，先对号入座看看，绝大多数情况下问题能快速定位。
6. 写在最后：我自己踩完坑之后的一些体会
这套方法论跑了一个学期之后，我最直观的感受是：学案制作的时间成本被压缩了六成以上，但真正的红利并不是时间，而是教研的可复制性。现在教研组里哪怕只有我一个人掌握这套工作流，我也可以把规范文件、难度映射表和修订规则共享给其他老师，他们用同一套skill也能做出七成相似的学案。团队内部的风格统一问题，第一次可以通过工具层面解决，而不需要靠反复开会强调。
最后再分享一个小技巧：别急着把skill设计得很"大"。我最初的错误是想做一个"全自动教研员"，输入教材目录就输出整学期的学案，结果生成的每一份都不好用——目标太大了，AI把握不住。后来我把skill拆细，按"知识点+课时粒度"一个一个建立子技能：今天做一个"柯西不等式专题"，明天做一个"数列放缩专题"，每种子技能都是独立的。这样每个技能都能被反复打磨、测试、改到顺手，最后组合在一起才形成真正可用的学案生产系统。这个思路也适用于任何想尝试用skills改造自己工作流的人：从小处着手，先解决你最痛的那个环节，跑通一个，再复制到下一个。
