银杏海

在清水河畔度过快两个学期，使用AI辅助学习已经是“家常便饭”。教育变革的浪潮正以润物无声的姿态漫过传统课堂的堤岸，我们怎么样在AI时代找到学习的“准度”和“温度”呢？

虽然AI已然司空见惯，但我在刚开始使用AI时仍然保有一种好奇，有时甚至想戏弄一下AI。在大一上学期开学时，我就向AI提出各种问题，比如“如何学好线性代数与空间解析几何？”等，虽然AI的回答只是泛泛而谈，但也初步满足了我的好奇。

趁着这个新鲜劲，我继续向AI追问：“如何学好工科数学分析基础？”这时的AI相当于搜索引擎，它回答说：“要掌握微积分基础、级数理论、微分方程、向量分析与场论等内容”，并建议掌握“吃透概念与定义”等技巧。对一个初学者，这个回答显然太笼统了，但也激发我进一步追问。

很快，我就发现AI存在很多不足。如果单方面地依赖AI，就会被它所误导。因为AI可能连一个简单矩阵的高斯消元都无法解答，用AI编程时它甚至会忽略题目中输入输出的要求，用AI制作的PPT可能会出现大量意义不明的神秘小图标。

既如此，是不是要抛弃AI呢？答案是否定的。我认为，和AI相处，要学会“双向奔赴”，让AI更好地成为我们的伙伴。

首先，我们要学会主动思考，这时使用AI的前提。比如，上学期学习线性代数中的矩阵乘法问题时，老师抛出一个问题：“矩阵乘法不满足交换律，为什么？”我当时想到用最粗浅的举反例的方式，却也想不到更深的方式，带着这个思考向 AI求助，它就不再直接给出结论，而是给出了多个更深层次的思考角度，例如“几何角度：矩阵 A 表示旋转，矩阵 B 表示缩放，计算 AB 和 BA，图形变换顺序将影响结果”。也就是说，不完全依赖AI，才可能达到思维的升华。

那么，怎么向AI更好地提问呢？

我曾听过有关“大语言模型”的讲座，其中思维链（CoT）与Prompt工程给我带来很大的启发。思维链（CoT）是一种模拟人类分步推理的技术，要求AI在生成答案前展示完整的思考过程。例如，在解决数学题时，AI模型会先列出公式、逐步推导，再给出最终结果，而非直接输出答案。这种技术通过“思考过程可视化”提升了把复杂问题分解为逻辑子步骤、减少跳跃性错误的准确性，增强了推理链路可解释性。Prompt工程是通过设计输入指令激活模型特定能力的技术，其关键是使任务明确化，既要有上下文提供与示例示范，又要有角色设定与格式约束，比如：要求输出结构，提升结果规范性；使用动词引导任务（如“分析”“计算”），避免模糊指令（如“说说你的看法”）；补充背景信息（如用户身份、场景限制），减少模型猜测空间（如“你是一名大一初学者，请用零基础学生能理解的方式解释”）；嵌入分步推理示例（如“第一步：列出公式；第二步：代入数值”），激活模型的CoT能力；指定模型角色（如“你是一位历史学家”），增强任务针对性。

AI的回答达不到我们预期使用体验的重要原因之一，就是我们对AI的提问方式存在一些对于AI来说很难“猜测”的角度。提问要求越是精准，AI完成效率就越高，方向准确性越好，反之则越低越差。

我们要使用好AI，就要学会理解AI的“思维”逻辑。这就是我所谓的“双向奔赴”。或许最好的学习状态，就是机器与人的“心有灵犀”。

(《电子科大报》1248期3版)