我第一次意识到“知识讲解提示词”这个词的分量，是在帮一位做在线课程的朋友改提示词的时候。她原来写的提示词是：“请介绍一下光合作用。”AI给回来的内容不算差，但读起来像百科词条的搬运，干巴巴的，没有节奏，也没有考虑听课的人是谁。后来我把它改成了一段角色明确、受众清晰、结构有要求的指令，输出结果完全变了个样——有引入、有类比、有重点拆解、有小结。那一刻我才真正理解，提示词不是“问问题”，而是在给AI排一场戏。
这一章我想把基础打牢。不聊花哨的技巧，只聊清楚一件事：知识讲解提示词到底是什么，它为什么能起作用。
1.1 知识讲解提示词的定义与核心目标：让 AI 像讲解者一样传递知识
我习惯把知识讲解提示词定义为一种结构性指令，它要求AI扮演讲解者角色，把某一块知识按照特定逻辑、面向特定对象、以特定方式讲出来。它和普通的“问一句答一句”有本质区别。普通提问追求的是“得到答案”，知识讲解提示词追求的是“让受众理解”。这两个目标的距离，比很多人想象的要远得多。
答案正确，不等于受众能懂。我见过太多AI输出，信息密度极高，术语堆得密密麻麻，懂的人看了觉得没问题，不懂的人看了直接关掉。知识讲解提示词要解决的就是这个断层——它逼着AI从“我知道什么”切换到“对方需要怎么听才能明白”。讲解者的核心能力不是知识储备，而是翻译能力，把专业内容翻译成受众能接住的语言。
所以每次我写这类提示词，脑子里想的都不是“我要问什么”，而是“如果我是坐在台下的人，我希望台上的人怎么讲”。这个视角的切换，是我认为知识讲解提示词最核心的东西。
1.2 知识讲解提示词的关键构成：角色、受众、知识范围、讲解结构、输出格式
写多了以后我发现，好的知识讲解提示词基本离不开五个要素。角色决定AI用什么身份说话——是大学讲师、是技术文档工程师、还是带新人的老员工，语气和深度完全不同。受众决定讲解的起点在哪里，给零基础的人讲“函数”，和给程序员讲“函数式编程”，根本是两件事。
知识范围这个要素经常被忽略。我早期写提示词就吃过亏，只说“讲讲人工智能”，结果AI从图灵测试讲到深度学习再讲到伦理争议，什么都碰了一点，什么都没讲透。后来我学会划定边界：只讲某个概念、只覆盖某个流程、只解释某条原理。范围一收窄，内容的可用度立刻上升。
讲解结构和输出格式是让内容“能读下去”的关键。结构是内在的逻辑顺序，比如从现象到原理、从问题到方案、从整体到局部。格式是外在的呈现方式，分几个小节、要不要例子、要不要对比表格。我通常会把这两项写得很具体，因为AI在缺少约束时，默认输出往往是一大段平铺直叙的文字，读起来很累。
这五个要素像五根柱子，缺一根房子就歪。角色和受众定方向，知识范围定边界，结构和格式定体验。
1.3 与普通问答、内容总结、教学脚本提示词的差异
有人问我，知识讲解提示词和普通问答到底差在哪。我通常用一个比喻回答：普通问答像查字典，你问一个词的意思，它给你一条释义，准确、简短、用完就走。知识讲解提示词像请了一位私教，他不仅告诉你这个词是什么意思，还告诉你它从哪来、容易和什么混淆、在什么场景下用得上。
内容总结提示词又是另一种东西。总结的对象是已经存在的内容，目标是压缩和提炼，把长的变短。知识讲解提示词的目标不是压缩，而是展开，是把一个点撑开成一棵树，让受众看到枝干和叶片。一个是做减法，一个是做加法，方向正好相反。
教学脚本提示词和知识讲解提示词最接近，但侧重不同。教学脚本更关注“怎么教”的过程设计——什么时候提问、什么时候练习、什么时候互动。知识讲解提示词更关注“怎么讲清楚”，它把重心放在内容本身的组织和表达上。我自己的经验是，教学脚本是导演的活儿，知识讲解提示词更像是编剧加讲解员的活儿，两者可以配合，但不能互相替代。
分清楚这些差异，写提示词的时候才不会把几种需求搅在一起，导致AI输出一个四不像的东西。
1.4 典型应用场景：课程讲解、概念科普、操作教程、深度答疑
我梳理过自己用知识讲解提示词最多的几类场景，排在前面的有四种。
课程讲解是最标准的场景。老师要备一节课，或者做知识付费的人要录一节音频，都可以用提示词让AI先产出一版讲解稿，自己再改。这种情况下提示词里的受众和结构要求会写得特别细，因为课程是有进度、有目标的。
概念科普的受众更泛，通常是零基础的大众。我写这类提示词时会刻意要求AI少用术语，多用类比和生活化的例子。比如讲“区块链”，不要一上来就讲分布式账本，先讲一群人共同记账、每个人都有一本账本这个画面，理解门槛一下就降下来了。
操作教程的重点在步骤和可执行性。这类提示词要明确要求AI按顺序输出，每一步说清楚做什么、在哪里做、做完会看到什么。我一般还会要求它标注容易出错的地方，这个对新手特别有用。
深度答疑面对的是已经有基础的人，他们不需要科普，需要的是把某个模糊的地方彻底打通。这类提示词要允许AI展开细节、引用对比、讨论边界条件，讲得深比讲得全更重要。
四种场景，四种讲法。同一个知识点，因为场景不同，提示词的写法可以完全不同。
1.5 有效知识讲解提示词的底层原则：准确性、层次性、可理解性与可迁移性
前面聊的都是“怎么写”，这一节我想聊“凭什么算写得好”。我看过很多提示词，辞藻很华丽，结构很花哨，但输出内容经不起推敲。真正有效的知识讲解提示词，我认为要守住四条底线。
准确性是第一条，也是最不能妥协的一条。AI有时候会一本正经地胡说，如果提示词里不强调准确性、不要求它标注不确定的地方，输出就可能带着错误一路讲下去。我通常会在提示词里加一句类似“如遇不确定内容请说明”的约束，效果立竿见影。
层次性决定受众能不能跟上。知识不是平的，有主干有分支，有前置有后续。好的讲解会一层一层铺垫，不跳步。可理解性则关乎表达，再准确的内容，如果用受众听不懂的语言说出来，等于没说。
可迁移性是我最看重的一条。讲解的目的不只是让人“知道了”，而是让人“会用”。如果受众听完之后，能把这个知识用到新场景里，能举一反三，那这次讲解就是成功的。我写提示词时会专门要求AI给出应用场景或迁移示例，就是在为这一点服务。
这四条原则之间有时候会打架。追求准确可能牺牲通俗，追求层次可能拉长篇幅。我的做法是先保准确和层次，再在可理解性上做优化，最后用迁移示例收尾。顺序不能乱，乱了就容易翻车。
写完这一章，我对知识讲解提示词的理解又清晰了一层。它不是一种话术，而是一种思维方式——先想清楚讲给谁听、讲什么、怎么讲，再动笔写提示词。第2章我会进入实操，把这一章讲的这些原则，一条一条落成可以复用的写法和模板。
上一章聊完认知层面的东西，这一章直接进入动手环节。我把自己写知识讲解提示词的过程拆开来看，发现里面有一套可以重复使用的流程和模板。这篇文章就是把这套东西完整摊开，从第一步到成品，尽量讲得细一点。
2.1 知识讲解提示词怎么写：从教学目标到提示词指令的五步法
我写每一条知识讲解提示词之前，都会先花两分钟想一个问题：我希望对方看完之后能干什么？这个问题听起来特别朴素，但它帮我省掉了大量返工的时间。教学目标不清楚，后面写的全部指令都是散的。把目标想清楚，后面四步才有方向。
想清楚目标之后，我会开始搭骨架。第一步是确定讲解的终点，也就是受众听完之后能做到什么。不是“了解”，不是“知道”，而是具体到能完成什么动作。第二步是确定起点，受众现在站在哪里，有什么基础、缺什么前置。起点和终点之间的差距，就是讲解内容要覆盖的范围。这两步定完，整个提示词的边界就出来了。
第三步我习惯先把讲解结构画出来。是总分总还是递进式，是先讲问题再给方案还是先给结论再拆解，这些要在写指令之前就想明白。第四步才是把角色、受众、知识范围、结构要求、输出格式这五个要素写成具体的提示词文本。写的时候我尽量用短句，避免模棱两可的描述。第五步是加约束条件，哪些必须做、哪些不能做、遇到不确定的内容怎么处理，这些放在提示词末尾。
这五步下来，我写一条提示词大概要花五到十分钟。比随手打一句话问AI慢多了，但输出质量完全不在一个量级。花在写提示词上的每一分钟，都在后面省回来了。
2.2 知识讲解提示词模板：通用模板结构与变量替换说明
我自己用得最多的是一个通用模板，结构分四块。第一块是角色和任务声明，告诉AI它是谁、要干什么。第二块是受众和场景描述，说清楚讲给谁听、在什么场合用。第三块是内容范围和结构要求，划定知识边界、给出讲解的逻辑顺序。第四块是输出格式和约束，规定呈现方式、篇幅、必须包含或必须避免的元素。
这个模板长这样：
你是一位[角色]，擅长向[受众描述]讲解[知识领域]。 现在需要你围绕[具体知识点]进行一次讲解，用于[使用场景]。 受众的基础是[前置知识描述]，讲解的起点应该从这里开始，终点是让受众能够[教学目标]。 请按照以下结构进行讲解：[结构描述]。 输出格式要求：[格式描述]。 注意事项：[约束条件]。
方括号里的内容就是变量，每次用的时候替换成具体的描述。我特意把模板做得很“素”，没有花哨的修饰，因为越简洁的模板越容易替换变量，也不容易让AI把模板本身的语言跟讲解内容混淆。
替换变量的时候有两个坑我踩过好几次。一个是变量写得太笼统，比如受众描述只写“初学者”，这个信息量太少了。后来我改成“没有编程基础、但日常使用电脑办公的成年人”，AI输出的语言风格和类比方式立刻精准了很多。另一个坑是结构描述写了一堆但彼此打架，前半句说按时间顺序，后半句又说从原理到应用，AI夹在中间只能瞎编一个折中方案。结构描述只保留一条主线，其他细节放在约束里补充。
2.3 面向不同受众的知识讲解提示词模板变体：新手、进阶者、专家
同一个知识点，面对不同的人，提示词写法差别能有多大？我拿“机器学习”这个概念试过。给新手写提示词，我会把角色设成“科普作者”，受众描述写成“完全没有技术背景、但好奇心强的普通读者”，结构要求里明确规定“先给生活化类比，再引入正式概念，最后回到类比加深理解”，约束里加上“禁止使用数学公式和代码”。
给进阶者写就变了。角色换成“有经验的技术导师”，受众是“学过基础统计、写过简单代码但没系统做过机器学习项目的人”。结构变成“先回顾他们已知的内容，再从已知内容出发引出新概念，重点讲清楚概念之间的区别和联系”。约束从“禁止公式”变成“公式和代码可以出现，但每个公式必须配一句白话解释”。
给专家写的提示词又是另一个样子。角色是“领域内的同行”，受众是“有多年从业经验的专业人士”。结构偏向“直接进入争议点和边界条件，跳过基础铺垫，重点讨论不同流派的差异和适用场景”。约束会写“不需要解释术语，不需要举入门级例子，把篇幅留给深度分析和前沿讨论”。
这三套变体最核心的区别不在语气，而在“默认对方已知什么”。新手提示词要把默认已知量设到最低，专家的设到最高。写提示词的时候我会反复问自己：这句话里有没有对方已经知道的东西被我当成新的在讲？有没有对方不知道的东西被我当成已知的跳过去了？这两个问题问完，受众定位基本就准了。
2.4 面向不同知识类型的模板调整：概念型、流程型、原理型、案例型
知识本身是有形状的。有的知识是一个概念，有的是一条流程，有的是一套原理，有的是一个案例。形状不同，提示词的模板结构也得跟着变。
概念型的知识，比如“什么是熵”“什么是机会成本”，讲解的核心是定义、特征、边界和类比。写这类提示词时我会在结构里明确要求四段：先用一句话给核心定义，然后用两到三个特征帮受众锁定这个概念的范围，接着用类比或对比让它变得可感知，最后说明这个概念容易和什么混淆。概念型最怕的是只给定义不给边界，受众听完还是不知道什么时候该用、什么时候不该用。
流程型的知识，比如“如何做用户访谈”“如何部署一个网站”，重点是步骤、顺序、每步的输入输出、常见卡点。这类提示词的结构要求通常是线性的：前置条件是什么，第一步做什么，做完会得到什么，接着进入第二步，依此类推。我会额外要求AI在每一步标注“新手容易在这里犯的错”，这个对操作类讲解特别有价值。流程型最怕的是跳步，写提示词的时候要把“不跳过任何中间环节”写进约束里。
原理型的知识，比如“为什么会有通货膨胀”“Transformer的注意力机制是怎么工作的”，核心是因果链和机制。写这类提示词我会要求AI按“现象—原因—机制—推论”的顺序展开。先描述一个可观察的现象，然后追问背后的原因，接着把机制一步步拆开，最后推导出这个原理还能解释什么别的现象。原理型最怕的是只讲结论不讲推理过程，受众记住了结论但不知道怎么用。
案例型的知识，比如“某公司如何做增长”“某次危机公关的处理过程”，重点在背景、决策、结果和复盘。这类提示词的结构是叙事性的：先交代背景和约束条件，然后讲关键决策点，接着讲执行过程和结果，最后做复盘和迁移。案例型最怕的是只讲故事不提炼，受众听了个热闹，但不知道跟自己有什么关系。我会在提示词里要求AI专门加一段“这个案例对受众的启示”，把案例和受众的实际场景连接起来。
2.5 知识讲解提示词的优化与迭代：评估维度、常见问题与避坑指南
没有一条提示词是一次成型的。我自己的做法是，拿到AI第一版输出之后，按四个维度打分：准确性、层次性、可理解性、可迁移性。四个维度里哪个分最低，就回去改提示词里对应的部分。准确性不够，就在约束里加强事实核查要求。层次性不够，就回去检查结构描述是不是太模糊。可理解性不够，就调整受众描述和语言风格要求。可迁移性不够，就补上“请给出两个应用场景”这样的指令。
迭代的过程中有几个常见问题反复出现。一个是提示词越改越长，最后变成一篇小作文。我的经验是，提示词超过一定长度之后，AI反而会抓不住重点。这时候要做减法，把优先级低的要求删掉，只保留最核心的三到五条约束。另一个问题是改了受众描述但忘了改结构，导致讲解的深度和顺序不匹配。受众从新手改成进阶者，结构里的“先给生活类比”就应该相应调整，这两个变量是联动的。
还有一个坑是过度依赖某一次效果好的提示词。我早期会把一次跑出好结果的提示词存下来，下次遇到类似任务直接拿来用。结果发现换了一个知识点，同样的提示词输出质量直线下降。后来我才明白，提示词里的很多描述是跟具体知识点绑定的，换内容就要重新审视每一条约束是否还成立。模板可以复用，提示词文本本身要重新过一遍。
避坑的核心原则就一条：把提示词当成一个需要调试的系统，而不是一句咒语。每次输出不理想，先问是哪个变量没写好，而不是换一个更复杂的提示词。
2.6 实战示例：使用模板生成一段结构化知识讲解
光讲方法不够直观，我拿一个具体的例子从头走一遍。假设我要给公司新入职的产品经理讲“什么是用户留存率”。受众是刚入行、有基本数据概念但没做过留存分析的人。教学目标设定为：听完之后能解释留存率的含义，能区分次日留存、七日留存和三十日留存的不同用途。
提示词写出来是这样的：
你是一位有五年经验的产品数据分析师，擅长向刚入行的产品经理讲解数据指标。 现在需要你讲解“用户留存率”这个概念，用于新员工入职培训。 受众有基本的数据概念，知道日活和月活的含义，但没有做过留存分析。 讲解的终点是让受众能够：说出留存率的定义，区分次日、七日、三十日留存，并说明各自的使用场景。 请按以下结构讲解：先用一句话定义留存率，再解释留存率为什么重要，接着分别说明次日、七日、三十日留存的计算方式和适用场景，最后给出一个虚构的例子说明留存率如何指导产品决策。 输出格式：分小节，每节配一个小标题，总字数控制在800字以内。 注意事项：不要用复杂公式，计算方式用文字描述即可。如果涉及行业基准数据，请注明是参考值。
我拿到AI输出之后，第一遍读下来发现定义和场景部分都不错，但虚构例子那部分有点空，只是泛泛说了“留存率下降要分析原因”，没有落到具体动作。我回去在提示词结尾加了一句：“虚构的例子中请包含一个具体的产品场景，并列出两个根据留存数据做出的产品调整。”重新跑了一遍，输出质量立刻上来了。
这个例子说明一件事：模板提供的是骨架，真正决定输出质量的是变量填得够不够具体，以及约束条件有没有卡在关键位置。每次拿到不理想的输出，先别急着推翻模板，回去看看是哪个变量可以再具体一点，哪个约束可以再明确一点。大部分问题都能在这一步解决掉。
写到这儿，第2章的内容就完整了。五步法管的是思路，模板管的是效率，变体管的是适配，迭代管的是质量，实战示例管的是把前面所有东西串起来。这几块拼在一起，才构成一个能反复使用的知识讲解提示词工作流。第3章我会带着这套工作流，去拆解几个完整的真实案例，把每个案例从需求到成品的过程都走一遍。
