我给孩子做了个 AI 物理老师：整个思考过程，和 5 个可以直接抄的提示词

这不是一篇教程，是一份思考记录。从「孩子错题本抄了三本还是错」到「单文件 HTML + DeepSeek 的物理学习智能体」，我经历了三次推翻重来。这篇文章把每一步的纠结、调研、决策都摊开写，最后附 5 个我实际在用的提示词——你改改就能用。

1. 起点：错题本抄了三本，问题不在孩子

起因很具体：孩子高一物理，错题本抄了三本，同一类题还是反复错。我一开始以为是他不用功，后来发现不是——抄错题本身不产生学习。「抄」只是搬运，「归因」才是学习。

我当时的判断：市面上没有正好满足两个条件的工具——① 数据留在本地（孩子的学习记录不该上传到陌生服务器）② AI 讲题要讲对（物理公式错了比不讲更糟）。所以决定自己做。

2. 第一次推翻：我差点做成一个「答案机」

第一版功能很顺：题库 + 拍照对答案 + AI 讲解。孩子用了两天，我一看记录——正确率没变。为什么？因为 AI 讲得太「好」了：题目一贴进去，答案、过程、解析全出来了，孩子直接抄，脑子根本没动。

这时候我去调研了业界产品（可汗学院、多邻国、松鼠AI、作业帮这些），发现一个共性：做得好的学习工具，核心不是「给答案」，是「不给答案」。可汗的 AI 助教第一原则就是「不直接告诉学生答案，用提问引导他自己想出来」。

我把这个原则写成了系统提示词，这是全文第一个可以直接抄的：

你是一位苏格拉底式物理导师。你的任务是通过提问引导学生自己发现答案，绝不直接给答案。
规则：
1. 第一轮：提出1-2个引导性问题，帮学生回忆相关概念
2. 学生回答后：先肯定对的部分，再用提问引导思考不完整处
3. 学生答错时：换更简单的问题拆解，逐步逼近
4. 只有学生明确说"我不会/提示我"时，才给一个小提示，不给完整答案
5. 每次回复控制在80字以内，语气鼓励，多用问句

配合一个「求助阶梯」：学生点「我不会」第一次只提示概念名，第二次才给公式，第三次才给完整解答。每次求助都记录次数——他是独立做出来的，还是求助三次抄的，系统知道。

3. 第二次推翻：AI 把胡克定律写成了 F = kx²

苏格拉底模式跑通了，新的问题冒出来：AI 偶尔编错公式。有一次讲解里出现「F = kx²」——胡克定律凭空多出个平方。物理是硬约束学科，这种错误不能容忍。

我的方案不是换更大的模型，而是在模型外面加一道校验：内置一份力学公式权威库（16 个公式 + 4 个常量），AI 每次讲完题，代码逐条比对它的输出：

发现规律：AI 的幻觉，大模型自己很难拦住，
要靠模型外层的工程来兜底。教育场景尤其如此——
公式错了，比不讲更糟。

这也是我想清楚的一件事：「AI 学习工具」的护城河不在模型，在工程。模型负责生成，工程负责拦住模型的错误。

4. 第三次推翻：「第2章掌握 60%」这种粒度，对提分没用

功能都齐了，我拿自己的数据一看：洞察页显示「第2章掌握 60%」——然后呢？这个信息无法指导行动。60% 到底是哪个知识点不行？是概念不清还是公式记错？

我把 8 章拆成了 32 个细粒度技能点（受力分析拆成重力/弹力/摩擦力/正交分解…），每题关联技能点，答对 +8 答错 -5。错题再打「错因标签」——概念性错误、公式记忆、数学运算、模型选择、审题遗漏，五选一。

这一步的思考是：学习诊断的粒度，决定了干预的质量。「第2章 60%」只能让人「多做题」；「正交分解掌握 45%，前置的力的合成只有 30%，错因 50% 是审题遗漏」才能让人「去补前置、去训练读题」。前者是焦虑，后者是处方。

给 AI 做深度分析时，我把这些数据打包进提示词——这是第二个可以直接抄的：

你是一位资深的高中物理学习规划师。这是学生的学习数据：
章节掌握度：{...}
错因分布：{...}
遗忘风险知识点：{...}
考试记录：{...}
要求：
1. 先诊断学习状态（3-4句话）
2. 给出3条最优先的改进建议，每条具体到章节或题型
3. 指出一个最容易提分的点
4. 给出未来两周的学习计划框架

5. 一个意外的收获：孩子开始「质疑 AI」

用了两周，发生了一件我没想到的事：孩子遇到 AI 讲的和课本不一致的地方，会自己翻书核对，然后跑来跟我说「AI 这次讲错了，应该是这样」。

我一开始有点慌——AI 出错不是好事。但转念一想：这不就是 AI 素养吗？六层模型里，最高层不是「会用 AI」，是「能判断 AI 的对错」。一个敢质疑 AI 的孩子，比一个全盘接受 AI 答案的孩子，将来更不容易被 AI 坑。

我把这个想法的提示词也写进了错题讲解：

如果学生指出你讲错了，先道歉并承认错误，然后给出正确的
解法。不要辩解，不要维护自己的错误答案。物理没有面子，
只有对错。

6. 总结：这个事到底值不值得做

值不值得抄作业式照做？看情况。适合两类人：想给孩子做学习工具的家长；想做教育类 AI 应用的开发者。

但更值得带走的，是三个判断：

1. AI 学习工具的核心是「不给答案」，不是「给答案」。给答案的产品有一堆，不缺你一个。
2. 大模型的错误，要靠模型外的工程兜底。公式校验、错因归因、粒度拆解，都是模型之外的活。
3. 学习诊断的粒度决定干预质量。「掌握 60%」是焦虑，「正交分解 45% + 前置 30% + 审题遗漏 50%」是处方。

最后那句是孩子说的，我觉得比这篇文章都值：「爸爸，AI 不是老师，AI 是陪练。老师告诉你答案，陪练看着你自己打。」