你有没有尝试过将ChatGPT或其他AI工具融入到你的个人学习过程中?
有很多鼓舞人心的帖子强调了人工智能辅助学习的好处,同时也涌现了大量的浅显的人工智能生成的文章。其中一些被推广的好处已经在专注于学术科目的人工智能导师那里得到实现。然而,这些人工智能工具通常对成年人来说用处不大——除了像LanguaTalk和Talkpal这样的语言学习AI工具,由人工智能驱动的面试工具,例如用于求职准备的面试模拟,以及其他一些专门用于特定学习场景的软件。
当然,你可能已经习惯了与ChatGPT或Claude讨论各种问题,这已经成为你的习惯。这样一来,通过不断尝试和错误,你可以获得一些帮助,来实现各种学习目标。
然而,如果你正在寻找一个更简便且不那么费力的过程和工具来建立基于AI的学习习惯(就像我正在寻找的一样),你目前会感到无路可走。原因在于,截至2024年为止,目前没有适合成年学习者的多功能AI学习助手。
你可以相信这个说法,因为我花了好几个月的时间研究这个话题——对我来说有个人原因,也有工作上的市场调查。顺便说一下,我没有要“卖”给你的人工智能助手(我的产品是B2B);我只是分享我的研究结果和自己的AI提示。
这是你可以用于任何AI聊天机器人或AI助手的详细教程。这意味着你不必使用专门的AI教育平台,并且不限定于特定的学习场景,例如准备面试之类的。
太长不看有时一个简单的提示就能像有魔力一样起作用,但同时也伴随着许多限制。一个更复杂的提示可以弥补简单提示的许多不足,但仍需要一些技术来为AI提供必要的上下文信息。
这篇文章还为ChatGPT和Claude用户提供了实用的指南,并解释了这些提示的工作原理。这将帮助你调整提示并以最适合你的方式来掌握新技能。
介绍让我来介绍一下我自己,我是一个高效的自学成才者 😇。在从俄罗斯顶尖的技术大学MIPT(莫斯科物理和技术学院)毕业后,我掌握了六个新专业领域。其中三个领域——人力资源、系统分析和市场营销——完全是自学的,没有接受正规教育、导师指导或同伴学习的帮助。此外,我还有大约20年的兼职从事教学设计的经验,这让我养成了反思学生学习挑战以及自身成长的习惯。
这篇文章着重于以实践为基础的自主学习。
- 自主学习 不仅包括按照自己的节奏解决学习任务的过程,还包括独立设定这些任务和目标,而是完全不需要导师或教师的直接指导。
- 基于实践的学习 指的是通过将知识应用于新情况来解决实际中的问题。如果你熟悉 布鲁姆分类法,实践对应的是布鲁姆分类法中的第三级“应用”。
注意:我使用“问题”这个词作为一个广泛的术语,涵盖复杂的挑战和特定的任务,或任何实践相关的活动。“问题”指的是任何你需要处理或解决,帮助你达成学习目标的任何事情。
无论你是哪种学习风格,实践学习是掌握任何领域技能的重要一步。然而,在自己安排的学习过程中,这会变得特别有挑战性。
除了解决问题之外,你还必须思考这样的问题:‘你将如何将<这个概念>应用于解决这个问题?’或者‘你可以使用什么方法,哪个方法似乎最有效?’没有这些思考,你可能解决了问题,但却未能真正学到东西。
有经验的人类教师知道哪些题目能为任何给定的技能等级带来最佳的学习成果。他们也知道哪些引导问题可以引导学生找到最有效的解题路径。此外,他们还能为每个学生推荐最适合的题目。
现代的生成式AI有可能在这些方面上替代人类教师(其他方面请参阅结论部分)。
在我看来,AI 对于实践性学习特别有帮助(即布鲁姆分类法的第三层次),但在保持动机和定义更广泛的目標方面,学习导师的作用是至关重要的。
在布鲁姆分类法的较低层次(如第1级“记忆”和第2级“理解”),AI在提供个性化的学习体验方面很有帮助。然而,如果你不关心个性化,通常在这些层次上不使用AI可能更有效(例如,通过完成传统的自主课程来学习)。
在 Bloom 的第三级(实践导向的学习)中,即使没有个性化,AI 也可以带来显著的好处。接下来我将通过一个例子来说明这一点。
示例 #1:一个简单的“Magic Prompt”,用于练习首先,在任何AI驱动的学习场景中,要明确地向AI定义你的角色定位和学习目标。这里我们假设你的场景满足以下两个前提条件:
- 你的学习目标非常 明确具体,并与 常见的 实用技能相关。
- 你很乐意让AI 设计 一个全面的学习方案来帮助你获得这些技能,不进行深度个性化的这样的方案。
在这种情况下,一个约100字的提示模板会很合适。一个很好的例子是实践模拟(出自:沃顿商学院研究),我将称其为提示#1。
用这样一个简单的提示,AI 就可以以一种相当“有创意”的方式来挑战你,通常会产生令人印象深刻的结果,感觉就像真正的魔法。这次与 GPT-4o 的对话 展示了现代大型语言模型既能充当导师,又能模拟现实生活中的场景的非凡能力。然而,并不总是这么出色。
聊天从提示#1开始,我在这里填写了学习者的角色(“初级产品负责人”),学习目标(“创建用户故事”),并添加了对模拟情境的请求(“描述一个应用程序”;这并不是原来沃顿商学院提示中包含的内容)。这是我对提示的版本:
提示#1:你是一名初级产品负责人,需要创建用户故事。请描述一个应用程序,并具体描述该应用程序的用户故事。
我想练习创建用户故事。你将扮演我的导师角色。我将扮演初级产品经理的角色。
我的目标是练习为移动应用编写用户故事。
首先,用两句话描述这个应用(例如某个特定的游戏、效率应用或学习应用等)。
然后,创造一个情景,在其中我可以练习编写用户故事和面对围绕它们的现实生活中的问题。我需要面对问题,并做出相应的决定。给我在情景中的问题。
经过三次互动之后,为我设置一个需要做出的决定。然后总结一下我在本情景中的表现,以及下次我可以做得更好的地方。请只扮演其他角色。请等待我回复。
BTW,对于像 GPT-4 这样的最新大型语言模型,最后一两句提示语可能不需要。现在的 AI 可以理解你的意图而不需要这些短语。
这里有一个例子展示了AI在回应学习者在尝试创建一个包含验收标准的用户故事时所能带来的好处:
提示 #1 正在进行中。来源:作者的 与 gpt-4o-2024—08—06 的对话
在这个特定情况下,指令在各个阶段都表现得很好:它提供了精准的反馈,并提出了可能在实际情况中遇到的相关挑战。这些挑战。
简单提示的三项限制然而,当提示要求AI 立刻 生成并立即执行一个学习任务(如提示#1所示那样)时,经常会遇到一些问题。
问题1对于许多人来说,完成诸如“编写用户故事”这样的创造性任务是太难了点,即使他们掌握了相关理论(在这个例子中,理论涉及用户故事的结构和描述验收标准的方法)。难度在某种程度上是有益的,因为简单的任务无法促进学习成长。然而,如果认知负担过大,学习效果就会打折扣。
此外,当AI生成的情境令人困惑或对学习者来说是全新的时,认知负荷会进一步增加。在上面的例子中,情境是关于自由职业者的生产力应用。我对自由职业者和这种类型的生产力应用几乎一无所知,这让情境对我来说非常模糊,因此很难理解。虽然我对用户故事这个话题很熟悉,但如果我是新手,这种额外的复杂性会让我放弃学习或者给出一些草率的答案。
第2个问题AI仍然无法真正理解你在研究的领域,更别说你工作的具体情况了。比如说,它总是搞不清各种用户故事的相对复杂性和价值。
因此,在许多情况下当我应用提示#1时,AI变得“太有创意了”:它会生成不现实的任务,编造我解决方案中的一些无关紧要的缺陷,等等类似的情况。
第三期号假如你练习的不是通用技能,而是与你的公司或国家相关的特定类型的技能。或者你需要一些非常专业、在网上难以找到详细信息的技能。在这种情况下,由AI生成的学习场景会显得过于通用,与你实际遇到的挑战不相关。
最糟糕的问题是,作为一个该领域的新手,你可能无法察觉问题2和问题3。这意味着你可能不清楚由这些简单的提示引起的学习问题是否与实际情况相关。
所以,如果你正在掌握特定或高阶技能,你可能需要与一位在这些领域有专长的人类导师分享你的ChatGPT对话。
话虽如此,即使在没有人类导师帮助的自我导向学习与AI的情境下,也有一部分方法可以一定程度上缓解上述问题。一些方法甚至可以在这种背景下减轻这些问题。
具体而言,你应该给AI提供关于该主题的信息来源,最好是专家推荐的,其次是您认为可靠的网络资源。这些“来源”可以是文件、网页链接,甚至像Google文档这样的在线文档。ChatGPT可以处理所有这些格式。理想情况下,这些资料不仅要包含理论,还应提供解决问题的实际方法。
这种方法有助于实现几个目标。
- 它将实践与理论结合在一起。
- 它解决了常见话题中第二点问题。它限制了AI的过度创造力,使其专注于那些真正重要的方面——基于专家的信息,而不是你的猜测。
- 它解决了专业话题中的第三点问题,这些没有专家的知识是不可能学会的。
关于如何解决第一个问题,我将在下一节中介绍解决方法。
优化认知负担如果你对“认知负荷”这个概念不熟悉,它的构成,以及为什么它需要保持在“最佳状态”(既不能太高也不能太低),我建议你阅读这篇文章:
进入学习状态中的“心流”状态:阅读时模拟心理努力像许多自我导向的成人学习者一样,当我对某个新话题感兴趣时,我会从入门开始尝试……rts-1988.medium.com在实践学习中,优化认知负荷主要就是调整你解决问题的难度。这可以通过几种不同的AI方式来实现,接下来我会介绍三种方法。
方法1. 首先,AI 应该先提出直接的问题,再到更深层次、更开放性的问题,例如提示#1 的问题。这样做有什么好处呢?
- 聊天并不是这样的人机交互的典型界面:我们更习惯于点击按钮,而不是键入回复。
- 我将根据我的基于聊天的教育产品的用户反馈,他们抱怨在面对开放式问题时不知道该怎么写,害怕犯错等。
方法2. AI是如何决定什么时候生成简单的问题或任务,什么时候提出更复杂的问题或任务的?你可以将每个AI生成的任务的难度等级包含到提示中。
例如,示例 #2 描述了人工智能如何根据您的评估调整其辅助,从而提高您对学习过程的满意度。具体来说,其中的第 3 和第 4 点旨在降低任务复杂性的感知,使手头任务的复杂性感知降低。
方法三。 从一开始,你可以建立一个个人背景信息,AI会考虑这一点。这意味着在应用提示#1(或其他任何任务生成提示)之前,你可以指定你的背景、技能水平和兴趣领域。更多细节请参阅提供背景信息的部分。这样有什么帮助呢?
- 大部分的认知负担来自于遇到不熟悉的AI生成的情景。这些情景在未来不太可能相关,从而使得这部分负担变得没有必要。只需向AI提供你的个人背景,就能消除这种负担。
- 通过这些背景信息,AI可以理解哪些情境和例子对你来说是熟悉的。因此,可能不再需要更复杂的第二种方法来简化任务。
让我们尝试以更高级的方法来达到例子#1(“编写用户故事”)的学习目标。目标是解决前述问题1和2:减少不必要的认知负担,通过上下文来控制AI的过度创造力,并将实践与理论结合起来。当然,这种情况下,提示会更长(超过500字)。
如何处理长的输入提示为了使较长的提示更容易管理,我建议把它们分成两部分:
一个简短的提示语,反映你现在的目标和周围的环境。
2. 一个较长的固定指令,定义AI的任务以及其作为专家、教师、导师等角色的身份。这通常被称为“系统提示”。
这样,你不必每次都要从长提示中找到需要修改的地方。你可以在你的个人文件或笔记应用中直接复制,粘贴到ChatGPT、Claude或Gemini。
如果你用这个“系统提示”作为自定义GPT的指令,会更简单。这样你甚至不需要复制提示——它保持隐藏,你就可以完全专注于当前需要的。
这是一个系统提示
这里是我的第二个实践学习的提示 。它不涉及特定的例子,比如用户故事,也不假设实践必须涉及写作。这意味着这个提示适用于任何学习目的。
你可以使用我的自定义GPT,它已经包含了这个提示。
与之前解决问题2和3时的建议不同,此GPT(提示#2)不引用任何外部资料。相反,提示只是赋予AI您所需领域的导师、导师和专家的角色,以及学习算法。这种方法可能不够可靠(GPT可能会产生幻觉),但这对你来说可能更简单,因为为每个任务找到合适的资料可能颇具挑战性,特别是当你无法向人类专家求助时。
然而,你可以在提示的简短描述部分提供链接到来源(见下方),这几乎肯定会消除GPT的幻觉。请记住,来源不仅应该包括理论,还应该包含与你的学习目标相关的问题解决方法。
了解背景并更新知识现在,你可以在这里查看提示#2是如何工作的示例在这个和GPT的聊天中 。接下来的部分会解释它是如何运作的,以便你可以根据自己的需求调整提示。
如何写简短的提示部分取决于你的学习目标?不用担心,一旦发送任何单词,比如“你好”,GPT会自动询问所有必要的信息。
这种方法称为翻转互动法。顺便说一下,你不需要像#2那样使用长提示来使用这种方法。在这个ChatGPT对话里,你会发现一个非常短的提示,它先提问,再帮助你练习一种技能(即学习如何为图像生成编写提示的技能)。
_> 所以,你只需要按照提示#2回答AI的问题(你不必回答所有问题)。你的回答将成为后续聊天学习的主要依据。
不过,这还不是全部的辅助信息。在学习过程中,提示#2还会与你探讨与所选问题相关的一些概念和技巧。重要的是,这些技巧会一直在这个环境中,让你能更好地把解决问题的方法和一般知识联系起来。另外,你的回答也会被保留下来,这样AI就能更好地根据你的理解程度来调整它的回答。
减少认知负担,通过实践学习这样一来,聊天上下文现在包含了实践性学习法所需的一切,并已根据你的水平和学习目标进行了调整。
提示#2引导的学习过程具体是什么样的?
- AI 提出一个挑战,并要求你评估其难度等级,使用 5 分制。此外,你可以(可选)说明是什么因素使得挑战困难:情况不明、相关知识和经验不足或者其它因素。
- 如果你将难度评为 1 或 5,AI 将生成一个不同的挑战,并再次要求你评估。
- 如果你将难度评为 4,挑战本身不会改变,但 AI 会从直接了当的问题开始,并明确指出解决问题所需的理论和方法。这有助于降低挑战的感知复杂性。
- 如果你的评分是 3,AI 将与你讨论解题方法(参考上文)。
- 之后,AI 将要求你描述你的解决方案,等等。如果你将难度评为 2 或 3,任务将会比评为 4 更加复杂一些。
- 注意,解决挑战可能会超越回答开放性问题。一个常见的例子是将一种技巧在工作中应用(例如,如果你正在学习管理,你可能会尝试用新的方式进行几次一对一的会议)。只有在此之后,你才会回到 AI 那里,分享你的见解,并获得下一个任务或问题。
- 在任何时候,如果你不确定如何回答下一个问题或如何处理下一个任务,不要犹豫向 AI 寻求帮助或建议。
- 最终,AI 将提供对你表现的反馈。请注意,在这个阶段幻觉出现的频率最高!此外,AI 被提示扮演一个“友好导师”的角色,因此它会大大表扬你。因此,对待反馈要保持适度。
如下是我的与GPT聊天中三次展示的步骤:[我的与GPT的聊天](https://chatgpt.com/share/66f9673f-4bf4-800b-b1f4-8c3bfa031dc2)
-
在第一个场景中,难度等级是3,GPT问道:“首先,你会如何……?你会重点关注哪些关键要素……?”(这完全符合要求。)
-
在第二个场景中,难度等级是5,但与要求的符合程度仅是部分的:GPT提到了难度,但没有提出新的挑战。
- 在第三个场景中,由于我给了它一个新的指令,GPT进一步偏离了系统要求。下一节将展示这种偏离如何发生,并提供避免方法(如有必要)。
在那次聊天的最后,我给GPT简短地指示了一下,说明我当时想要什么样的挑战:
我不想写长篇文章,创造一个挑战让我遇到问题或困境,并决定该如何应对。
结果比我预想的还要好。你可以看看这个屏幕截图,评估一下质量和针对性。
比如当用户想了解挑战的种类时的输出结果。
所以,我建议给出这样的指令:“创建一个挑战,让我必须……并决定如何应对”,因为这些指令可以引导生成高质量的挑战,而无需做额外的工作。但是,请准备好这样的指令会让AI偏离系统提示。在我的情况下,尽管应该有难度评估请求,但实际上并没有出现。
这个问题可以通过直接将自定义指令加入系统提示来解决,但这样会让提示不够灵活,你需要经常修改它。
此外,如果你是ChatGPT Plus用户,我建议你在练习阶段暂时切换到o1模型,否则你可能会错过一些步骤。据我观察,这有助于避免与指令的不一致,无论是引入新指令(比如场景3)还是没有新指令(比如场景2)的情况。
如果你觉得GPT的回复让你觉得不够周全,你还可以试试o1模型(例如),该模型可以在生成文本之前“思考”复杂的问题或不同的选择。
注:请留意,o1仅在您直接使用ChatGPT而不是通过其他方式使用时可以使用。
这个例子问题“创建用户故事”是我从专业教育中回忆起来的最简单的例子之一。通常,专业技能通常比仅仅编写某种特定结构的文本要复杂得多。问题可以以多种方式被构架和解决,而最佳方法往往取决于个人和具体情境。这就是为什么在实践性学习中,一个大型且个性化的背景非常重要。
示例#3:AI辅导之后的个性化训练作为后续步骤有许多方法可以为AI提供丰富的上下文,从而实现高度个性化的练习。然而,根据我的经验,大多数方法很难养成有效的学习习惯。难点在于花费很多时间来收集背景信息——即使你使用上述的翻转互动法来减少认知负担。因此,这就是我更喜欢重用对话的原因。
如果我们现有的对话中有特定练习阶段所需的上下文,我们可以利用这些对话。例如,我有时会通过文字或语音与ChatGPT聊天,以确保我理解了这个主题。之后,我可以用那次对话来生成关于同一主题的练习。
例如,在这次聊天中,AI 作为导师帮助我回顾了“待办事项排列优先级”的主题。最后,在聊天的结束,GPT-4 回复了一个简短的后续请求,要求生成一个示例待办事项以及基于它的挑战。利用聊天记录,ChatGPT 产生了一个相关示例待办事项,并且设计了一个出色的与我的专业兴趣相符合的实践任务。
上下文如何影响GPT的输出的一个例子
如何用同一个提示得到更好的效果上述截图不仅展示了上下文如何影响AI的回复,还展示了ChatGPT的一个实用功能:只需单击即可重新生成回复。
- 此功能特别方便用来生成示例和挑战,因为在这里需要AI发挥其创造力,这意味着存在很大的随机性。如果你对初始生成的挑战不满意,并不意味着AI不能满足你的要求。通常,点击再生按钮1或2次就能得到一个更好的结果。
- 在ChatGPT中,可以直接在最初书写提示的地方修改提示,这也非常方便,这也会导致一个再生的回应。此功能有助于避免聊天中因为多个版本的冗长文本而造成的混乱。
所以,最简单的方法来收集用于定制练习的上下文是重复使用另一个对话。要让它高效运作,你得解决一些问题:
第一个问题: ChatGPT不擅长整理聊天记录,以便以后能轻松找到。
- 您可以使用类似 这个 Chrome 插件 的插件来启用聊天分组和全文搜索功能。
- 作为替代方案,Claude.ai 的 Pro 计划(每月 $20)则提供项目功能,这使得聊天的组织更加方便。此外,该功能还提供了项目的聊天上下文(见下文)。
问题 2: 重复利用聊天记录导致聊天内容变得极其冗长(数十万字的对话)
这样的长度可能超过大型语言模型(LLM)的上下文窗口大小(目前,对于OpenAI来说是128,000个token)。对于GPT-4o分词器来说,大约相当于100,000个英文单词。我在与ChatGPT的实验中发现,当上下文大小达到LLM窗口大小一半左右时,问题就会出现,即上下文开始丢失重要细节。在Claude中,上下文窗口更大(目前为200,000个token),但这并没有带来多少帮助。
_> 这就是为什么你应该提示你的聊天机器人在重新使用对话之前总结出所需的关键点。这样的总结就成为了对话中最重要的部分,因为LLM会主要关注最新的用户消息。
永久上下文背景信息不仅仅应该反映你对当前主题的知识水平,比如在上面的例子#3中所示。关于你的基本信息和兴趣 通常对于定制练习来说更为关键。
理想情况下,信息应包括您的性格类型、强项和弱点、学习偏好以及您在职业发展方面的期望和目标。此类数据不会经常改变。这真是个好消息。
坏消息是,每次学习之前提供这么多的信息太耗时了。这可能分散你的注意力,从而降低你的积极性。
这样我们应努力做到将与学习相关的个人信息存放在一个地方,并确保它总是最新的。
- 克劳德的项目(https://www.anthropic.com/news/projects)是一个理想的存储地方。你克劳德 Pro 账户中的这种项目不仅包括带有你学习偏好和抱负的系统提示,还可以包括你的简历、性格测试结果和其他文件,以便在每次请求时检索相关的信息。当然,编写提示和查找相关文件需要一些时间,但你只需要做一次,每一年只需稍作调整即可。
- 如果你不每天都使用 AI 聊天机器人,ChatGPT 的记忆功能(https://help.openai.com/en/articles/8590148-memory-faq)可以解决同样的问题,并且它是免费的。与克劳德的项目不同,记忆功能无需特别设置。当你与 ChatGPT 聊天时,它会自动更新并在聊天中显示这些更新。然而,每个 ChatGPT 账户只有一个记忆(不像克劳德.ai 中可以创建多个项目)。
就我个人而言,学习并不是我使用ChatGPT的唯一目标,而且我更希望对每个目标使用的具体信息有更多的控制权。因此,ChatGPT带来的负面影响对我来说超过了它的优势。不过,这对你来说可能不是问题。
摘要。这张图是由作者用FLUX 1.1 Pro制作的。
自导的“通过实践学习”的最大挑战是我们找到或创建合适的学习任务的能力有限。
AI可以在基于问题的学习过程中显著地提供帮助,但它需要学习者提供足够的上下文,才能像人类专家一样有效。
- 示例 #1 说明即使是一个 简洁 的 AI 提示也可以生成出色的问题或挑战,其中学习者必须做出决策并实施解决方案。
- 示例 #2 涉及认知负荷过重和学习挑战不适当的问题。虽然提示变得 冗长 ,并带来了一些复杂性,但我也提供了一些解决这些问题的方法。它还展示了如何将练习与更广泛的知识联系起来。
- 示例 #3 说明了将练习适应您上下文的最简单方法。但更深层次的个性化需要更多地向 AI 提供个人化的上下文。
无论如何,你应该专注于最省力的由AI驱动的技术。否则,你可能会因为没有将AI纳入你的学习习惯而错过AI辅导和指导的明显好处。这就是为什么我提供了一些小技巧来帮助你使用ChatGPT和Claude.ai,帮助你节省时间并提高学习效果。
文章的一个独立部分专注于减少认知负担。这对于保持学习的动力非常关键,特别是在没有那种能够激励你的老师、个人导师或团队学习氛围支持的情况下。
我希望这篇文章不仅提供给你提示和实用建议,也让你明白为什么它们有效。这样你就能以最适合你的方式掌握新技能。
现在,你可以比以前没有人工智能时快很多地做这件事了!
实践学习的其他视角 AI 教练 vs人类教练一个AI聊天机器人可以作为一个高效的个性化问题生成器,用于解决个性化问题或探索相关话题——前提是它能够访问你的背景信息。本文中描述的人机交互可能更适合用“AI辅导式”这一术语,而不是“AI教学辅导”或“AI辅助学习”。个性化练习可以是AI辅导会话的一部分内容,而会话的其他部分则提供有意义练习所需的情境。
当然,你仍然需要一个人类导师来给你激励和更靠谱的反馈。然而,昂贵的人类导师不再那么必要来帮你解决实际问题,带你一步步解决问题。
你可以使用如 这个 类似的 AI 导师 提示来练习,这种方式与本文中的提示类似。此外,如果你正在使用其中一种 AI 导师工具 来获取生活建议,你也可以将其应用于学习和练习中。在实践性学习之前,这些 AI 导师提示和工具似乎非常有用,让 AI 生成的挑战和反馈更加个性化。
AI工具 vs. AI提示词由人工智能驱动的学习体验可能会更好如果能够市场上有高质量的、多用途的适合成年人的实践导向的学习助手。目前,这样的工具仅限于特定的学习场景。
优秀的例子包括语言学习平台和生成面试问题并提供反馈的工具。如果你需要这样的学习工具,最好使用专门的工具,而不是依赖通用的AI聊天机器人,如ChatGPT、Claude或Gemini,因为这些通用聊天机器人通常需要更多的努力来达到这些目标。
不过,如果你是经验丰富的人工智能聊天机器人或大型语言模型(如ChatGPT或Claude)的用户,即便市场上出现了类似的商用AI学习助手工具,你可能也不会用它们来取代本文中介绍的基于提示的使用方法。
AI老师:成人学习者的AI老师在我的下一篇文章中,我将介绍另一种基于“柯氏学习循环”模型的AI驱动实践学习方法。这种方法同样采用提示而非现成的AI工具,在这种情况下,AI更像是世界级导师而非个人导师。
继续关注。
共同学习,写下你的评论
评论加载中...
作者其他优质文章