说实话，第一次认真琢磨用AI做讲义这件事，我心里是有点打鼓的。那会儿我手头有一门做了三年的企业内训课，每次开课前改讲义都能把我折腾掉半条命。后来一个做产品经理的朋友跟我说，你干嘛不试试让AI帮你先把框架搭出来？我当时的反应是——AI能懂我的课吗？它能知道我那些学员是什么水平、课堂上会卡在哪个环节？
这个问题我想了很久。后来我慢慢意识到，与其纠结“AI能不能做”，不如先搞清楚“我的讲义到底需要什么”。这个认知上的转变挺关键的。你得先把自己的课程拆明白了，知道一份好讲义的核心要素是什么，再谈AI能不能帮上忙、帮到什么程度。这一章我想聊的就是这件事——在真正打开任何一个AI工具之前，我们得先想清楚的几件事。
1.1 课程讲义的核心要素与教学目标对齐
我见过太多讲义，包括我自己早期做的那些，犯了同一个毛病——知识点堆得密密麻麻，什么概念都有，什么理论都全，唯独看不出来这门课到底要让学员学会什么。学员翻完一遍，感觉好像什么都看了，合上讲义脑子里啥也没留下。这种讲义的问题出在根上：它跟教学目标没对齐。
一份讲义的核心要素其实不复杂。知识点的选取和排列是骨架，案例和练习是血肉，但这些都服务于一个东西——教学目标。你希望学员学完这节课能做什么、能判断什么、能解决什么问题，这个问题的答案决定了讲义里该放什么、不该放什么、哪里该展开讲、哪里点到为止。我现在做任何一份讲义之前，都会先逼自己写一句话：学员学完这节课，能够独立完成什么事。这句话写不出来，后面的事就不着急往下走。
这件事说起来简单，做起来很容易跑偏。特别是用AI的时候，你给它一个宽泛的题目，它能洋洋洒洒给你生成一大篇，看起来特别全面，实际上跟你的教学目标根本不搭。我踩过这个坑。有一次我想做一门“数据分析入门”的课，顺手把课题丢给了AI，它给我整了一大堆统计学原理和模型推导，看着特专业，可我的学员是一群零基础的运营人员，他们需要的是“看懂报表、做简单的趋势判断”，不是去推导回归方程。那次之后我就学乖了——先把教学目标钉死，再把学情摸清楚，AI才有发挥的空间。
1.2 AI在讲义生产中的角色、能力边界与常见误区
我对AI在讲义生产中的定位，现在慢慢清晰了——它是个不知疲倦的初级助理，不是替你做决定的人。它能帮你快速生成知识点的解释、列举常见的学员疑问、把零散的想法组织成有逻辑的段落，这些活儿它干得又快又好。但它不知道你的学员上周在课堂上因为哪个例子笑翻了、不知道你们公司的合规红线在哪里、不知道哪年哪月你在课上用错了一个案例被学员当场纠正——这些只有你知道。
能力边界这事，我是吃过亏才认清的。AI生成的内容看起来流畅、专业、结构完整，这种表面上的“靠谱感”特别容易让人放松警惕。我最早用AI写讲义的时候，有一整段关于行业标准的描述，读着特别顺，我就直接用了。后来一个行业内的老讲师看了一眼，说“这个标准两年前就更新了，你引用的是旧版”。我当时冷汗都下来了——那个数字和条款写得有模有样，但它是编的。这种“一本正经地胡说八道”是AI最常见的坑，尤其是涉及具体数据、法规条文、专业标准的时候，你不查证，它就敢给你编。
还有一个误区，我管它叫“全面陷阱”。你会发现AI特别喜欢把什么东西都往里塞，你问它一个概念，它能给你列出八个相关方向。用在讲义里就是——主次不分，什么都重要等于什么都不重要。学员的认知带宽是有限的，一节课能消化三到五个核心概念就不错了。AI没有这个“取舍”的概念，它倾向于给你无限供料。这个取舍的工作，得人来干。
1.3 学情画像、教学场景与输出形态需求分析
学情画像这件事，我以前做得比较糙。大概知道学员是哪个部门的、什么岗位，就觉得差不多了。后来有一次给一个高校做师资培训，我按企业内训的思路设计了一堆实操演练，结果现场老师们的反应是——他们更关心怎么把这套东西讲给学生听，而不是自己动手做。那次我意识到，“谁在听”和“他为什么来听”是两回事。
现在我判断学情，会从三个维度去看。一个是学员的起点水平，他们已有的知识基础决定了你的讲义从哪里切入。第二个是他们来上课的动机，是公司安排的、自己选的、还是被同事拉来的，动机不同，注意力的分配完全不一样。第三是他们学完之后要面对什么场景，考试、汇报、实操、还是单纯拓宽视野。这三个问题想清楚了，讲义里该放什么案例、该用什么语气、练习该设计成什么样，心里就有谱了。
教学场景和输出形态也得提前想。你是要一份学员自己阅读的自学手册，还是课堂上配合你讲解的辅助材料？是打印出来人手一份的纸质版，还是在线平台上的电子文档？这几种形态对讲义的要求差别很大。自学手册得把逻辑写得特别完整、前后衔接要密实，学员卡住的时候得能靠文字自己走出来。课堂辅助材料可以留白多一些，把空间留给你的口头讲解和互动。我曾经干过一件蠢事，把课堂用的讲义写得像教科书一样密，结果学员课上光顾着低头看材料，没人抬头听我讲。那次之后我就分清了——讲义的形态得跟着教学行为走，不能一个模板打天下。
1.4 讲义结构蓝图、章节颗粒度与素材清单规划
结构蓝图这个词听着挺唬人，说白了就是——在动手写之前，先把讲义的骨架画出来。我习惯在一张白纸上画框框，每个框代表一个章节或者一个模块，框跟框之间用箭头连起来。箭头表示逻辑走向：先讲什么、再讲什么、哪里引入案例、哪里做练习、哪里做小结。这个草图不用太整齐，自己能看懂就行，关键是它强迫你在写具体内容之前先想清楚整体脉络。
章节颗粒度是个容易翻车的地方。切得太粗，一个章节塞了太多内容，学员读到一半就迷路了。切得太细，全是小碎片，每个点只能说一两句话，讲不透。我自己的经验是——一个三级标题下面的内容，学员能在五到十分钟内读完并理解一个完整的知识动作，这个颗粒度大概就是合适的。拿AI来帮忙的时候，你可以让它按这个粒度先出一版大纲，你自己看着哪里太胖了拆一拆、哪里太瘦了合并一下。
素材清单是我后来才养成的一个习惯。以前我是想到哪写到哪，写到一半突然想起来“这里应该配个真实案例”，然后停下来到处翻资料。有了素材清单之后，我会在结构蓝图定下来之后，把每个章节需要的案例、数据、图表、练习题类型先列一张表。哪些素材手头就有、哪些需要去找、哪些可以让AI先给个初稿再改，一目了然。这个清单还有一个好处——它能让你看到素材上的重复和缺口。有些章节你标了五六个案例，有些章节一个都没有，这种时候就得回头看看结构是不是有问题。做完了这些前期功课，你再打开AI工具，不管是写提示词还是评估它的输出，心里都会踏实得多。
我第一次认真整理AI工具清单的时候，打开了一个收藏夹，发现里面躺着四十多个链接。文本生成的、做PPT的、画图表的、整理知识库的，什么都有。那会儿我的心态是“先囤着，总有用得上的时候”。后来真到了做讲义的时候，我发现常用的翻来覆去就那五六个。剩下那些要么功能重叠、要么学习成本太高、要么生成的东西我还得花半小时去修，得不偿失。
工具这东西，多不等于好。我现在的判断标准特别朴素：它能不能让我少干一道重复劳动，同时不给我新增一堆校对工作。这一章我想把我自己用过、淘汰过、留下来的工具捋一遍，不是给你列一个“必备神器”的排行榜，而是聊聊不同环节该用什么、怎么配、什么情况下不值得折腾。你拿去做个参考，根据自己的课和预算来挑就行。
2.1 AI制作课程讲义工具推荐：文本生成、结构化大纲与知识整理工具
文本生成这块，我主力用的是两三个工具轮着来。一个是ChatGPT，我习惯用它来做前期的框架讨论和概念解释的初稿。你给它一个话题，它能很快给你搭出一个回答的骨架，虽然未必精准，但至少让你有个修改的底子。另一个是Claude，我发现在处理长文档的时候它更稳，你扔给它一份三五千字的课程材料，让它提炼要点、重组结构，出来的东西逻辑连贯性更好，不太容易漏掉前后文的呼应关系。国内的DeepSeek和Kimi我也常用，Kimi读长文献的能力不错，有时候我要把几篇行业报告的核心观点整合到讲义里，让它先帮我摘一遍，省很多时间。
结构化大纲的工具，我其实没有用特别复杂的。Xmind这种思维导图软件配AI插件就能干不少活，你把课程主题丢进去，让它生成一个初步的分支结构，然后你自己拖拖拽拽调整层级和顺序。我有个做高校老师的朋友推荐过Miro的AI功能，适合团队一起在一个白板上边讨论边改大纲，不过我一个人干活的时候嫌它打开太慢，还是习惯用最轻量的工具。大纲这件事的核心不在于工具多先进，在于你能不能快速地把脑子里的想法摆出来、看到它们之间的关系、然后动手调整。工具能做到这个就够了。
知识整理这块我踩过一些坑，值得多说两句。Notion的AI功能我用过一阵，它的好处是笔记和数据库在一个地方，你把课程素材按标签归类之后，让AI帮你从已有的笔记里去抓相关内容来填充讲义，这个思路很好。但它对中文内容的支持有时候不太灵光，而且加载速度看网络心情。Obsidian加上AI插件是另一种选择，更轻、更本地化，适合那种素材积累了很多年、需要一个第二大脑来管理的老师。我现在对知识整理工具的要求是——它得让我愿意往里存东西。如果存一条笔记要跳三个界面、填五个字段，我坚持不了一周就会放弃。选那个让你觉得顺手、不别扭的就行。
2.2 AI制作课程讲义工具推荐：课件排版、图表生成与多模态素材工具
排版这件事，我的态度经历过一个转变。早年我特别迷恋那种设计感很强的PPT模板，觉得讲义看起来高级很重要。后来我发现，学员真正在意的不是你用了什么渐变背景、什么动画效果，而是内容能不能看懂、重点能不能一眼抓到。排版工具的核心功能是帮你把信息层次理清楚，不是帮你炫技。
Canva是我现在用得比较顺手的。它的AI功能可以帮你把一段文字自动排成图文混排的页面，你输入讲义的一个小节内容，它给你几个版式方案挑。做课件PPT的话，Gamma值得一试，你把大纲贴进去，它自动生成一套幻灯片的草稿，风格简洁，改起来也方便。缺点是它对中文排版细节的把控还差一些，字号和行距有时候需要手动调。如果你做的是那种要打印发给学员的纸质讲义，我建议还是用Word或者Google Docs先把内容写到满意，再考虑用排版工具美化。内容没定稿之前就急着排版，改起来更痛苦。
图表生成这块，Napkin AI我最近用得比较多。你把一段文字丢给它，它能自动生成流程图、对比图、关系图，省去了在PPT里手动画框连线的功夫。数据图表我用的是ChatGPT的代码解释器功能，把数据表扔进去让它直接生成图表，效率很高。不过我要提醒一句——AI生成的图表，数据准确性你得自己核对一遍，我遇到过它把百分比算错的情况，图看起来漂漂亮亮的，数字是错的，这种错误在讲义里是致命的。多模态素材方面，配图我现在主要用AI生图工具出一些抽象的概念示意图，真实场景的照片还是去图库找，AI生图在人物和具体场景上还是容易翻车，手指头数量不对这种事你放大一看就露馅了。
2.3 工具选型矩阵：按课程类型、预算、协作方式与合规要求评估
工具选型这件事，我后来给自己画了一张特别简单的表。横轴是四个维度——课程类型、预算、协作方式、合规要求，纵轴是我备选的工具。每接一个新课程项目，我就对着这张表打个勾，很快就知道该用哪套组合。
课程类型对工具选择的影响挺直接的。知识传授型的课，文本生成和大纲工具是主力，排版可以简单一点。技能实操型的课，你得重点看图表生成和练习设计工具，最好还能嵌入模拟操作或者互动测验。我做过一门面向销售团队的产品培训课，讲义里需要大量的产品对比表和场景话术，ChatGPT在这块帮了大忙，但排版我用的就是最基础的Word表格，没折腾花哨的东西。
预算和协作方式得放在一起看。个人讲师自己掏钱的话，免费版够用就别急着升级，ChatGPT免费版、Kimi、Canva免费版组合起来能干不少活。团队协作的话，得考虑工具的分享和评论功能，Notion和飞书文档在这块做得比较顺，多人同时编辑、评论、留痕都方便。合规要求是最容易被忽略的一条。企业内训涉及内部数据和业务流程的，你得确认工具的数据隐私政策，别把敏感信息传到不该传的地方去。高校课程涉及版权的，AI生成的图片和文字能不能商用、要不要标注来源，这些都得提前搞清楚。我现在的习惯是，涉及客户内部信息的讲义，只用支持本地部署或者明确承诺数据不用于训练的工具。
2.4 工具组合工作流：从需求输入到讲义成稿的链路设计
工具选好了，怎么串起来用是个更实际的问题。我现在的标准链路是这样的——先用ChatGPT或者Claude跟它聊课程目标和学情假设，把第一章里说的那些前期规划的内容过一遍，这一步不用太正式，就当找个聪明人陪你捋思路。聊完之后让它按我给的颗粒度生成一版大纲，我拿着大纲去Xmind里画一遍，调整层级和顺序，把太胖的章节拆开、太瘦的合并。
大纲定稿之后，我把它贴回文本生成工具里，一个章节一个章节地让它扩写正文。这一步我不会让它一口气把整份讲义写完，那样质量根本没法控制。写一节、看一节、改一节，改完再让它写下一节。写的过程中遇到需要案例的地方，我单独开一个对话让它生成三五个备选案例，我挑一个顺眼的再让它展开。图表和排版是最后一步，把文字内容全部定稿之后，再扔进Gamma或者Napkin去生成视觉素材，最后在Word或者Canva里做终排。
这个链路听起来顺，实际跑起来会有反复。有时候写到一半发现大纲的某个章节逻辑不对，得退回去改大纲。有时候排版的时候发现某段文字太长、视觉上不好处理，又得回头删内容。我的经验是，别指望一次跑通，留出两到三轮的修改时间。还有一个小技巧——每个环节的输入和输出我都单独存一个文件，标好版本号，这样万一后面改乱了，还能退回到上一个能用的版本。工具组合这件事，顺不顺手比先不先进重要得多。你用得别扭的组合，再理论上完美也坚持不下去。
我见过很多老师用AI的方式——打开对话框，打一行字“帮我写一份关于XX的课程讲义”，然后等着奇迹发生。出来的东西不能说完全没用，但基本就是一篇百科词条加上一些正确的废话。问题不在AI，在提示词。你给它的信息量太少，它只能给你一个平均值的答案。做讲义这件事，平均值的答案等于没用。
我花了大半年时间反复调提示词，从一开始的一句话指令，到现在手头攒了十几个打磨过的模板，中间踩的坑够写一本错题集。这一章我把这些模板拆开给你看，不是让你照抄，而是让你理解每个部分为什么放在那里，然后改成适合你自己的版本。提示词这东西没有标准答案，只有合不合适。
3.1 AI生成课程讲义提示词模板的构成要素：角色、目标、受众、结构、约束与输出格式
我最早的提示词特别简陋，就一句“你是一个老师，帮我写讲义”。后来我发现，角色设定不是随便说一句“你是老师”就完事了。你说“你是一个有十五年经验的高中数学老师，擅长把抽象概念用生活例子讲清楚”，出来的内容跟前面那句完全不是一个质感。角色越具体，AI的“语气”和“视角”就越稳。我现在写角色的时候会带上三个信息：教龄或经验等级、擅长的教学风格、以及这门课的特殊背景。比如“你是一位在企业培训领域做了八年、习惯用案例驱动教学、了解销售团队工作节奏的内训师”，这种角色描述会让AI自动往实战方向靠，少说废话。
目标这块我吃过亏。有次我只写了“生成课程讲义”，结果它给我来了一份大而全的教材式内容。后来我改成“生成一份用于90分钟线下授课的讲义，学员在课后需要能独立完成XX操作”，内容立刻聚焦了。目标里要包含时长、使用场景和学员的终点行为，这三个信息给到位，AI才知道该写多深、写多细。受众就更不用说了，你告诉它“学员是刚入职的应届生，没有相关背景知识”，和告诉它“学员是有三年经验想进阶的老员工”，出来的内容深度和举例方式天差地别。我一般会写清楚受众的已有知识水平、学习动机和可能的难点。
结构和约束是控制输出形态的关键。我会明确告诉AI“按‘概念引入—原理拆解—案例演示—常见错误—练习任务’的五段式结构展开每一节”，或者“每个知识点后面跟一个一句话的检查问题”。约束还包括字数范围、术语使用规范、是否允许使用类比、要不要标注出重点难点。输出格式我习惯指定用Markdown，标题层级、表格、代码块这些说清楚，后面排版的时候省事很多。这些要素拼在一起，一个基础模板大概长这样：角色描述＋课程目标与场景＋受众画像＋内容结构要求＋约束条件＋输出格式。六块内容，少一块效果就打折扣。
3.2 分场景提示词模板：课程目标、课程大纲、讲义正文与知识图谱
课程目标这个场景，很多人觉得没什么好写的，不就是“学完这门课能干什么”嘛。我一开始也这么想，后来发现让AI帮你写课程目标有个巨大的好处——它会逼你把模糊的期待翻译成可观察的行为。我现在的模板会要求AI“用布鲁姆分类法的动词来描述学习成果，每个目标包含行为动词、条件和标准”。比如它会把“了解用户调研方法”改写成“能够针对一个给定的产品场景，选择合适的用户调研方法并说明选择理由”。这种改写对课程设计本身就有帮助。
课程大纲的提示词，我加了一个“颗粒度控制”的模块。我会告诉AI“每个一级章节下面不超过四个二级标题，每个二级标题对应一个15到20分钟的教学单元”。不指定这个的话，它要么给你分得太粗，一章涵盖半本书，要么分得太细，碎得没法讲。我还习惯让它在大纲阶段就标注出“核心知识点”和“了解即可”的层级差异，这样后面写正文的时候知道哪里该展开、哪里该带过。知识图谱那个场景比较特殊，我一般会要求AI“用‘概念—关系—实例’的三元组格式输出，每个概念标注难度等级和前置依赖”。出来的东西直接可以导入Xmind或者Neo4j，省不少手工整理的时间。
讲义正文的提示词是最考验细节的。我现在的模板里会明确写“每节开头用一段150字左右的场景引入，不要用‘本节将介绍’这种套话”、“概念解释之后必须跟一个正例和一个反例”、“重难点部分用‘注意’和‘易错点’两个标签单独标出”。这些约束看起来琐碎，但它们决定了生成的内容是能直接用的讲义还是需要大改的草稿。我还会加一条“不确定的事实和数据请标注[待核实]”，这个习惯救过我好几次，AI有时候会编一些看起来很真的数据，标出来之后我至少知道哪里需要查。
3.3 分场景提示词模板：教学案例、课堂练习、测验题与答案解析
教学案例的生成，我摸索出一个还算好用的套路。模板里我会写“生成三个不同行业的案例，每个案例包含背景描述、冲突点、决策选项和结果分析四个部分，案例长度控制在300字以内，冲突点要真实到让学员产生分歧”。为什么要三个不同行业？因为同一份讲义可能给不同班级用，多几个选项方便我根据学员背景挑。冲突点要“让学员产生分歧”这条特别重要，没有分歧的案例讨论不起来，大家一分钟就达成共识然后开始玩手机了。
课堂练习和测验题的提示词，我重点控制两件事：难度分布和干扰项质量。选择题我会要求“正确答案的表述长度与其他选项相当，干扰项必须对应学员的典型误解而不是随便编的错答案”。不加这条约束的话，AI出的选择题正确答案往往写得特别长特别详细，学员一眼就能看出来哪个是对的。填空题我会让它“每个空格的答案不超过四个字，避免歧义”，判断题要求“错误题目要基于真实存在的常见误区”。这些要求写进模板之后，出的题基本能直接用。
答案解析是我最近才开始重视的一块。以前我觉得解析嘛，写个“正确答案是B”就够了。后来发现学员对答案的时候最需要的是“为什么其他选项不对”。我现在模板里会要求“每个选项逐一分析，说明正确选项的依据和错误选项的典型错误原因，解析总字数控制在150字以内”。这个约束让AI不能偷懒只写一句话，也不至于啰嗦到没人看。我还会加一句“如果题目涉及计算，请给出完整的解题步骤”，防止它跳步。
3.4 提示词迭代策略：多轮追问、示例校准、风格控制与结果比对
第一版提示词出来的结果，我从来没满意过。我的做法是把它当草稿，然后开始追问。追问的方向一般有三个：哪里太泛了让它收窄，哪里太干巴了让它加例子，哪里逻辑跳了让它补过渡。比如它写了一段“敏捷开发的核心原则包括……”，我会接着问“用一个非软件行业的例子解释这条原则怎么落地”，它就不得不从抽象回到具体。多轮追问的关键是每次只追一个维度，同时追三个问题它容易顾此失彼。
示例校准是我觉得最有效的迭代手段。与其跟AI解释“我想要什么风格”，不如直接给它一段范文，说“参考这段文字的语气和详略程度来写”。我一般会找一段自己以前写的讲义片段贴进去，让它照着这个调性来。这个办法对风格统一特别管用，尤其是系列课程需要保持一致的讲述感的时候。风格控制还有个小技巧——告诉它“不要做什么”有时候比“要做什么”更有效。比如“不要用‘众所周知’‘显而易见’这类词”、“不要用排比句做段落开头”、“每段不超过四句话”，这些负面约束能去掉很多AI味儿。
结果比对这件事我做得比较笨，但管用。同一个提示词我会跑两到三个不同的大模型，把结果并排放在一起看。ChatGPT给的版本通常结构工整但偏保守，Claude的版本叙述感更强、更适合直接当讲义读，DeepSeek有时候会给一些意想不到的切入角度。我把三个版本里各自最好的部分摘出来拼在一起，形成终稿。这种“模型混搭”的做法比死磕一个模型的提示词效率高得多。我还会把每次调整提示词前后的输出都存下来，隔几天回头对比，往往能看出当时没注意到的模式——比如某类提示词总是导致AI过度使用列表格式，或者某个约束条件实际上没有生效。
3.5 提示词复用与模板库建设：变量化、版本化与团队共享
我一开始把提示词散落在各个对话记录里，用的时候翻半天找不到。后来我开始建自己的模板库，用的就是最朴素的文本文件加文件夹，按场景分：课程目标、大纲、正文、案例、练习题、解析。每个文件里存两到三个版本，标上日期和适用场景。这个习惯让我每次开新课程的时候不用从零开始想提示词，打开文件夹复制一份改改就能用。
变量化是模板库能不能规模化的关键。我会把模板里跟具体课程相关的部分抽出来，用方括号标成变量，比如[课程名称]、[学员画像]、[章节主题]、[课时长度]、[重点难点]。用的时候替换方括号里的内容就行，模板本身不动。这么做还有个附带好处——团队里其他人拿到模板，不需要理解每个约束条件为什么这么写，只要把变量填对就能产出质量稳定的内容。我带过一个三个人的课程开发小组，用同一套变量化模板，出来的讲义风格基本统一，省了很多互相改稿的时间。
版本管理我吃过亏。有次改了一版提示词觉得效果更好，把旧的覆盖了，结果两周后做另一门课的时候发现旧版本更适合那个场景，找不回来了。现在我改模板的习惯是另存一个新版本，文件名带上日期和改动说明，比如“正文模板_v3_增加反例要求_20250312”。团队共享的话，我们用飞书文档维护一个共用的模板库，每个人用完可以在文档里留一句使用反馈，积累下来就知道哪个模板在什么场景下最稳。模板库这东西不需要多精致，关键是养成“用完就存、改了另存”的习惯，半年下来你会发现手头的资产比想象中多得多。
去年秋天我接了一门企业内训课的开发任务，客户要求两周内交付一份三小时的线下讲义，主题是“新员工用户运营入门”。搁以前我肯定先打开Word写大纲，写到一半卡住，再去翻参考书。这回我换了路子——全程用AI跑了一遍完整流程，从课程目标一直干到可交付的讲义稿。两周时间其实还提前了两天交，中间省掉的不是脑子，是那些机械的、重复的、找素材拼格式的活儿。
这一章我把那次实操的完整过程拆开复盘。每一步我做了什么、给AI喂了什么、它哪里出了岔子、我怎么修的，都摆出来给你看。不是让你复制我的动作，是让你看清楚这条流水线是怎么转起来的，然后按你自己的节奏改。
4.1 用AI生成课程目标、学习成果与学情假设
动手之前我手里只有三样东西：客户发来的岗位能力要求文档、学员是一群刚入职一到三个月的新人、课程时长三小时。信息不多，但够启动了。我打开AI，第一段话是这么写的：“我需要在两周内开发一门三小时的线下培训课，主题是新员工用户运营入门。学员是刚入职的应届生，基本没有运营经验。请先帮我生成一份学情假设，列出这群学员可能具备的前置知识、常见的学习障碍、以及他们对这门课的真实期待。”
它给我回了五条假设，我扫了一遍，有三条靠谱，两条明显跑偏——比如它假设“学员熟悉主流社交平台的内容分发机制”，实际里面一大半人连小红书和抖音的推荐逻辑都说不清楚。这种偏差很正常，AI没见过我的学员，它只能按平均画像猜。我的做法是把它当草稿，逐条手动标注“保留/修改/删除”，改完之后的学情假设才是我后面所有设计的锚点。
学情锚定了，接着让它生成课程目标和学习成果。我给了一个约束：“用‘能够+行为动词+条件+标准’的格式写，每个目标要能在课后通过观察或作业验证，不要出现‘了解’‘熟悉’这种不可测量的词。”它憋出来六条，其中三条我直接用了，另外三条我改写了动词——把“掌握用户分层方法”改成了“能够根据给定数据把用户分成至少三类并说明每类的运营策略差异”。这个改写过程其实就是在逼自己把课想清楚。AI给的初稿帮你拉开了架势，但真正的细活儿还得你自己往里填肉。
4.2 用AI搭建课程大纲、章节节奏与知识点层级
目标定完了，我把它丢回给AI，加了一句指令：“基于以上课程目标，设计一份三小时线下课的大纲，分为四个模块，每个模块45分钟，模块之间留10分钟休息。每个模块下面不超过三个二级标题，每个二级标题对应一个15分钟左右的教学单元。”它给出来的结构挺工整：用户认知基础、用户分层方法、运营策略匹配、实战演练。但我一眼看出问题——模块二和模块三的体量严重不均，分层方法塞了五个知识点，策略匹配只有两个，讲起来前面赶死后面闲死。
我没让它重写，直接指出来：“模块二太重，拆一个知识点到模块三，或者调整两个模块的内部顺序让节奏更均衡。”它改完的第二版好多了。这时候我加了一步让它标注知识点层级：“在每个二级标题下面用[核心][了解][拓展]三个标签标注知识点的重要程度，核心知识点控制在总数的百分之四十以内。”标完之后我一看，好家伙，密密麻麻全是[核心]，它根本舍不得降级。我手动划掉了几个它标核心但我认为可以一带而过的内容，比如“用户生命周期的理论溯源”，这种放拓展阅读就行，课堂上念一遍纯属浪费学员注意力。
大纲定稿之后我没急着写正文。我让AI把每个二级标题下面的知识点列成一个清单，每个知识点写一句话说明“这个知识点讲完学员应该能做什么”。这个动作相当于把大纲的骨架又细化了一层，也让我提前发现了两个知识点的逻辑断层——从“用户价值分层”直接跳到“分层运营策略”，中间缺了一个“不同层级用户的触达渠道选择”的过渡。补上这个缺口之后，整条教学线才顺下来。
4.3 用AI扩写讲义正文、概念解释与重难点拆解
正文部分我是分模块喂给AI的，一次只让它写一个15分钟的教学单元。提示词里我固定带几个约束：“每节开头用一段120到180字的真实工作场景引入，不要用‘本节将介绍’开头”、“每个概念解释之后跟一个正例和一个反例”、“重难点用【注意】和【易错点】两个标签单独标出”、“不确定的数据和案例标注[待核实]”。这些约束是从上一章那些模板里直接拿过来用的，省了我重新调的时间。
举个例子。讲“用户分层”那一节，它第一版写的开头是“用户分层是用户运营中的一项基础工作，它指的是……”，典型的AI八股。我退了回去，说“换成一个新员工第一天上班遇到的具体场景”。第二版它写了一个新人接手后台看到一堆用户数据不知道怎么下手的片段，这就对了。概念解释部分它写得偏学术，我又追了一句“用快递柜取件的例子解释分层逻辑”，它改出来的版本拿“常取件用户、偶尔取件用户、长期不取件用户”来类比高价值、中价值和沉睡用户，比我预想的还顺。
重难点拆解这块我多花了一些功夫。AI天然喜欢把什么都写得平滑均匀，难的地方和简单的地方语气一模一样。我后来加了一条指令：“对于标记为[核心]的知识点，每个概念至少展开三个层次——是什么、为什么重要、怎么用；对于[了解]级别的知识点，控制在两段以内，不要展开案例。”这个区分度一拉出来，讲义的疏密节奏就有了。重点地方学员能感觉到“这块要好好听”，非重点的地方也不至于拖沓。我还会让它专门为每个核心知识点生成一个“学员可能会在这里卡住的两个问题”，相当于提前帮我备好了答疑思路。
4.4 用AI生成案例、情境任务、练习与测验闭环
案例和练习这块，我一开始想偷懒，直接说“帮我生成三个关于用户分层的教学案例”。出来的东西假得离谱——案例里的公司名字叫“某电商平台”，数据整齐得像编的，冲突点是“管理层决定要分层运营”这种毫无张力的伪冲突。我后来把提示词改了，变成：“生成一个真实感强的教学案例，背景是一家做了三年母婴用品的中型电商，最近发现老客复购率连续两个季度下滑。案例要包含三个角色的不同观点——运营主管主张打折召回、数据分析师认为问题出在分层粗放、市场经理建议重新拉新。冲突点要能让学员分成两派吵起来。长度控制在350字以内。”
这个版本出来的案例直接能用。学员分组讨论的时候果然吵起来了，一派觉得先止损拉新、一派认为必须精细化运营老客。有分歧，讨论才有劲。练习和测验我是连着案例一起让AI出的，要求它“根据以上案例设计两道选择题和一道情境分析题，选择题的干扰项要对应学员可能的典型误解”。它出的选择题里有一个干扰项特别妙——“所有沉睡用户都应该用大额优惠券召回”，这个选项精准踩中了新手最容易犯的“一刀切”思维。我几乎没改就用上了。
测验闭环这个环节我加了一步AI容易忽略的事：让它为每道题写出“如果选错说明了什么理解偏差，对应的补救讲解应该指向讲义的哪个小节”。这样学员做错题的时候，我不只是给个正确答案，而是能直接定位到需要回看的内容。这个动作让整个讲义从“讲完就完了”变成了“学—练—测—回看”的闭环。AI干这个活儿特别合适，它不怕烦，让它把每道题的解析都写到150字以上它也不会偷懒。
4.5 用AI辅助生成图表说明、视觉素材脚本与排版结构
讲义里的图示我以前都是自己画，费时间还不一定好看。这回我换了个思路：让AI写图表的“设计说明书”，我再拿去用工具生成或者直接手绘。比如用户分层那一节，我给的指令是：“用文字描述一张用户分层矩阵图应该怎么画——横轴是什么、纵轴是什么、分成几个象限、每个象限里放什么类型的用户、用什么颜色区分优先级。描述要细到设计师看了就能画出来的程度。”它给的版本把横轴设为“最近一次购买距今天数”、纵轴设为“累计消费金额”，四个象限分别对应高价值活跃、高价值沉睡、低价值活跃、低价值沉睡，颜色从绿到红渐变。我拿这个说明直接在PPT里拉了个散点图，十分钟搞定。
视觉素材脚本这块我也试了一把。有些讲义需要配短视频或者动图演示操作步骤，我让AI“为‘如何在后台导出用户分层数据’这个操作写一个分镜脚本，每个步骤一行，包含操作动作、界面上会出现什么变化、旁白说什么”。它写出来的分镜脚本直接可以交给录屏的同事用。排版结构我是在大纲阶段就让AI规划好的——每节课的讲义固定包含“场景引入—概念拆解—案例讨论—练习任务—本节小结”五个板块，用Markdown的标题层级标清楚。这样后面不管谁来排版，结构都是统一的。
配图说明我也让它顺手生成了。每张图下面需要一段图注，我要求“图注不超过40字，要说清楚这张图帮助读者理解什么，不要重复图里的文字”。这个约束逼着图注去承担解释功能而不是当摆设。整体排版的视觉节奏我也让AI给了一版建议：“哪些页面适合左文右图、哪些适合全宽表格、哪些适合留白做互动停顿”。它给的建议未必全对，但有一个完整的排版逻辑在，比我自己拍脑袋一页一页排要快得多。
4.6 人工审校与整合：形成可授课、可阅读、可分发的讲义稿
所有模块生成完之后，我面对的是七八个Markdown文件，加起来一万多字。直接拼起来肯定不行，里面风格不统一、有的地方啰嗦有的地方跳步、案例和数据也需要逐条核实。我花了一整天做人工审校，流程大概分四步。
第一步是通读一遍标出“AI味儿”重的地方——那些“综上所述”“值得注意的是”“通过以上分析我们可以看出”之类的过渡句，我全部删掉或者改成口语化的衔接。第二步是事实核查，所有标了[待核实]的数据和案例我都回到原始来源去对，对不上的直接换掉。第三步是节奏调整，把连续三段都是文字的地方拆出一个列表或者加一个提问，把连续两个案例堆在一起的地方删掉一个。第四步是统一术语和格式，确保同一个概念在全文中叫法一致、标题层级一致、练习题的编号格式一致。
审校完之后我把稿子发给一个同事试读，让她标出“读到哪里走神了”和“哪里没看懂”。她标了七处，我改了五处，剩下两处是她的个人偏好问题没动。最后交付的版本是一份带彩色标注的PDF讲义加一份讲师用的逐字稿备注。客户反馈里有一句话我挺受用：“看得出花了不少心思。”其实我心里清楚，心思花在审校和整合上，前面生成的部分反而快得不像话。工具帮你把砖搬过来了，砌墙的活儿还是得自己干。
讲义初稿跑出来那天我挺得意的，一万多字，排版清爽，案例齐全。过了两天我拿给一位做了十几年教学设计的老前辈看，她翻完说了句话让我后背发凉：“内容挺全，但你有没有想过，学员坐在下面听的时候，脑子里到底能不能装得下这么多东西？”她指着一页我自认为写得特别详实的知识点说：“这一段，你写了四个新概念，每个概念下面又挂了两个子概念，学员听到第三个的时候已经忘了第一个是什么了。”
这一章讲的就是初稿到交付之间那段最磨人的路。AI把东西写出来只用了两小时，我把它修到能上课用了整整三天。三天里干的活儿，一半是查事实，一半是调教学节奏，还有一小半是处理那些AI压根没意识到的合规问题。
5.1 事实核查、引用标注与知识准确性校验
AI生成的内容里，数据是最危险的地雷。我那个用户运营讲义里，AI写了一句“据行业报告显示，母婴电商的获客成本在过去三年上涨了约百分之四十”。这句话读起来特别顺，数字也像模像样，但我让AI给出处，它给我编了一个不存在的报告名。我当时冷汗就下来了——这要是直接印进讲义发给学员，底下坐着的万一有行业里的人，一句“哪个报告说的”就能把我问死。
后来我养成了一个死规矩：AI写的每一个数字、每一条“研究表明”、每一个案例里的具体数据，全部标黄，逐条溯源。能查到原始出处的保留并加脚注，查不到的要么删掉要么改成定性描述。比如上面那句话，我最后改成了“多家行业机构的调研都提到母婴电商获客成本呈上升趋势”，不写具体百分比，只说趋势。讲义不是论文，不需要每个判断都挂引用，但绝对不能出现假数据。我还会专门让AI做一件事：把讲义里所有事实性陈述列成一张表，分成“有明确来源”“来源待确认”“纯观点”三类。这张表我自己填一遍，填不出来的那几条就是必须处理的高风险项。
引用标注这个事我吃过亏。有一次我在讲义里用了一个模型框架，AI帮我扩写的时候把提出者的名字写错了，把两个学者的理论揉成了一个人。学员里恰好有人读过那篇原始论文，课后私信我指出来了。那种尴尬比讲错一个案例严重得多。现在的做法是：凡涉及人名、理论名、模型名、法规条款编号，全部手动复核一遍。AI对这些专有名词的“记忆力”并不靠谱，它会按照语言习惯自动补全一个看起来合理的名字，但你没法跟它较劲。我一般会用两到三个不同来源交叉验证同一个事实点，比如一个学术数据库加一个权威媒体报道，两边对上了才放心用。
知识准确性还有一个隐蔽的坑——AI会把“大致正确”的内容写得特别笃定。它说“根据认知负荷理论，工作记忆容量为7±2个组块”，这句话本身没错，但这是早期研究的结论，后来学界对这个数字有修正。讲义里如果直接这么写，懂行的学员会觉得你拿 outdated 的东西糊弄人。我处理这类学术性表述的方法是：要么加一个“经典研究认为”的限定词，要么干脆不写具体数字，只讲原理。讲义的功能是帮学员理解概念，不是替他们背文献综述。
5.2 教学逻辑、认知负荷与学习路径检查
那位老前辈点醒我的就是认知负荷这件事。AI写讲义有个天然倾向：它会把每个知识点都写得“完整”，一个概念的定义、背景、分类、案例、注意事项全给你铺上去。单看每一段都挺好，连起来读就是灾难——学员的脑子不是硬盘，塞多了直接死机。
我后来用了一个笨办法来检查：把讲义按教学单元切成一页一页的卡片，每张卡片上只写这一页要讲的核心信息点，不超过三条。然后我把这些卡片摊在桌上，像洗牌一样打乱顺序，问自己两个问题：第一，如果我是学员，按这个顺序听下来，哪个地方会卡住？第二，哪些卡片上的内容其实可以合并或者砍掉？有一次我发现连续四张卡片都在讲“用户分层的不同维度”，每个维度单独看都合理，但四个维度堆在一起，学员根本记不住哪个维度对应什么场景。我把四张合并成两张，另外两个维度放到课后阅读材料里，课堂时间省出来做练习。练习做完学员反而记得更牢。
学习路径检查还有一个实操方法：让AI扮演学员提问。我给的指令是“请你以一个完全没有运营经验的新员工身份，逐节阅读这份讲义，每读完一节提一个你最想问但讲义里没正面回答的问题”。它提的问题有时候很蠢，有时候一针见血。比如它读完“用户价值分层”那一节问：“分完层之后，我怎么知道哪一层该优先投入资源？”这个问题讲义里其实有答案，但藏在下一节的末尾。我一看就明白了——这个知识点该往前挪，或者在这一节结尾加一个预告式的过渡。教学逻辑的断裂往往就藏在这种“学员的疑问比答案晚出现”的地方。
认知负荷还跟讲义的信息密度有关。AI特别喜欢写长段落，一段五六行不带喘气的。我审校的时候会刻意把长段落拆短，每段不超过三到四行，段与段之间留白。重点内容单独拎出来做加粗或者做成引用块。有次我让AI统计每一节的阅读时长——按每分钟三百字的默读速度估算——结果发现有一节光读文字就要十二分钟，那节课总共才四十五分钟。我大刀阔斧删了三分之一，把删掉的内容改成一张表格。表格的信息密度比文字高，学员扫一眼就能抓住结构，比听我念三分钟管用。
5.3 语言风格、分层适配与差异化教学调整
AI写出来的东西有一种“平均语调”——不冷不热，不紧不慢，像机场广播。这种语调用来写说明书可以，用来写讲义就少了点人味儿。我改语言风格的时候有一个很具体的参照：想象我在跟学员面对面说话，我会怎么开这个头。AI写“本节将探讨用户分层的基本概念及其在运营实践中的应用”，我会改成“咱们先看一个真实场景——你刚接手一个用户群，打开后台一脸懵，这么多人，从哪儿下手？”改完之后读一遍，语气对了。
分层适配这件事我一开始没太在意，后来发现同一个班里学员水平差得远。有的学员做过社群运营，对用户分层有直觉但缺体系；有的学员纯小白，连“留存率”都要解释。AI生成的讲义默认面向“中等水平学员”，两头都不讨好。我的做法是让AI为每个核心知识点额外生成两个版本：一个“零基础版”，用最生活化的类比解释；一个“进阶版”，加一个行业里的真实操作细节。正文用中等版本，两个附加版本放到讲义的侧边栏或者附录里。学员可以根据自己的情况选看。这个动作花不了多少时间，AI生成三个版本和生成一个版本的时间差不多，但对学员的友好度提升很明显。
差异化教学还有一招：让AI为同一道练习题生成不同难度的变体。比如用户分层那道情境题，基础版问“请指出案例中运营主管的分层思路有什么问题”，进阶版问“如果你是数据分析师，请设计一个分层方案并说明每一层的运营优先级”。同一个案例，不同深度的问法，小组讨论的时候我可以根据分组情况发不同的任务卡。AI干这种“一题多版”的活儿特别利索，比我自己手写快多了。不过要注意一点：变体之间的难度梯度要拉得合理，不能一个问“是什么”一个直接问“设计一个完整方案”，中间缺了“为什么”和“怎么分析”的台阶。这个梯度需要自己把关，AI有时候会跳步。
语言风格还有一个容易忽略的地方：术语的一致性。AI写长文档的时候会不自觉地换着叫法，前面叫“用户分层”，中间叫“用户分群”，后面又叫“用户细分”。学员读到后面会犯嘀咕：这说的是同一件事还是三件事？我审校的最后一步永远是全局搜索术语表，把同一个概念的不同叫法统一成一个。这个动作很枯燥，但做不做，讲义的 professional 程度差一大截。
5.4 格式规范、多平台输出与无障碍阅读优化
讲义做出来不能只在一个地方用。我那份用户运营讲义，最后要同时满足三个场景：打印出来发给学员当纸质材料、放到线上学习平台当电子书、截取部分内容做成微信推文。AI生成的Markdown初稿在这三个场景里都会出问题——打印出来表格跨页断行、线上平台图片加载不出来、微信推文里标题层级全乱。
我的处理办法是先用AI做一版“结构分离”的整理。指令大概是：“请把这份讲义的内容和格式标记分开，内容部分只保留纯文本和段落结构，格式部分单独列一张表说明每一级标题、每一个表格、每一张图片应该用什么样式。”这个动作相当于把内容和样式解耦。之后我要做PDF就用排版工具套样式模板，要做网页就用平台的富文本编辑器重新套一遍，要发推文就只取纯文本内容重新排版。AI做这种结构化的整理很擅长，你只要告诉它“输出纯内容版和样式说明表”就行。
无障碍阅读这个事我以前没太当回事，直到有一次培训里有一位视力障碍的学员，他用的读屏软件遇到讲义里的图片和复杂表格直接跳过了。那次之后我让AI帮我做了一轮无障碍优化检查，指令是“逐页检查这份讲义，标出所有读屏软件可能无法正确读取的元素”。它标出来三类问题：图片没有替代文字、表格缺少表头标记、颜色对比度不够。图片替代文字我让它自动生成了一版——“用户分层矩阵图，横轴为最近购买时间，纵轴为累计消费金额，四个象限分别为高价值活跃、高价值沉睡、低价值活跃、低价值沉睡用户”——这个描述读屏软件念出来，学员能脑补出图的结构。表格我手动加了表头行，颜色对比度问题在最终排版的时候换了配色方案。
多平台输出还有一个实操细节：文件命名。AI不会管这个，但讲义文件一多，命名混乱能把人逼疯。我现在的命名规则是“课程名-模块编号-内容类型-版本号-日期”，比如“用户运营-模块二-讲义正文-v3-20241015”。这个规则我写进了给AI的指令里，让它每生成一个文件就按这个格式命名。后面版本迭代的时候一眼就能看出哪个是最新的，谁改过哪一版也清清楚楚。
5.5 版权、隐私、学术伦理与AI生成内容声明
版权这个坑我踩过一次。AI帮我生成案例的时候，顺手写了一段“某知名连锁咖啡品牌的会员分层策略”，数据编得有模有样。我当时觉得反正没写品牌真名，改叫“某头部咖啡品牌”应该没事。后来法务的同事看到了，说你这个案例里描述的经营数据如果和那家真实品牌对得上，人家可以告你不正当竞争。我赶紧把案例整个重写成了一个虚构品牌，并且特意让数据和真实企业的公开数据有明显差异。从那以后我定了一条规矩：AI生成的所有案例，要么用完全虚构的公司和数据，要么用公开可查的脱敏数据并注明来源。绝对不能出现“某知名企业”加上编造数据的组合。
隐私问题主要出在学员数据上。有一次我想在讲义里放一个“学员练习数据集”，让AI生成一批模拟用户数据。它生成的数据看起来是假的，但邮箱格式和手机号格式太规整了，我担心万一和真实数据撞上。后来我让AI把所有数据都改成明显不可能存在的格式——手机号统一用“13800000001”这种连号，邮箱统一用“user01@example.com”。这样学员一看就知道是练习数据，不会误以为是真的用户信息。讲义里如果需要引用学员的真实作业当案例，必须提前拿到书面授权，并且做匿名化处理。
学术伦理这块，AI生成的内容到底算谁的，我在讲义里加了一个固定的声明页。声明写得很直白：“本讲义部分内容由AI辅助生成，经人工审核、改写与事实核查。课程设计、教学逻辑与最终内容由讲师负责。”这个声明我放在讲义扉页，不藏着掖着。有一次客户看到这个声明反而夸了一句，说你们挺坦诚。我的想法很简单——AI参与写讲义这件事本身没什么好回避的，回避的是责任。学员有权知道哪些内容经过AI处理，也有权知道出问题了找谁。
AI生成内容声明还有一个细化版本，我放在讲义末尾的“编写说明”里，写清楚哪些模块用了AI辅助、用了什么工具、人工审校覆盖了哪些环节。这个信息对同行有参考价值，对客户是质量承诺，对自己是工作留痕。有一次另一门课的讲师来问我要讲义模板，我把编写说明也发给她了，她看完说“原来你们连哪一段是AI写的都标了”，我说没标到段落那么细，但至少让人知道整个流程是怎么走的。
合规控制最后一道关是法规条款的复核。我的讲义里如果有涉及数据隐私、广告合规之类的内容，AI写的法规引用必须逐条对照现行法律原文。AI有时候会把已经废止的旧条款和现行条款混在一起写，或者把两个不同法规的适用范围搞混。这种错误在专业课上特别致命，学员里有法务背景的人一眼就能看出来。我的做法是让AI只负责“找出可能涉及法规的段落”，具体条款内容我自己去官方法规库里查一遍。宁可慢一点，不能错一处。
第5章末尾那堆合规检查表交出去之后，我瘫在椅子上发了会儿呆。单份讲义的质量算是稳住了，但我心里清楚，这套打法离开我一个人就转不动。上个月同时开了三门课，用户运营、数据分析入门、新媒体文案，三个讲义并行推进，我的浏览器标签页一度开到八十多个，提示词散在四个不同的聊天窗口里，有一份讲义改到第五版的时候我发现自己把第二版里删掉的一个错误数据又粘回去了——因为我已经记不清哪一版才是对的。
这就是单兵作战的瓶颈。讲义质量靠个人手感，产出效率靠个人体力，这种模式做一两个课程可以，做十个八个课程直接崩盘。这一章讲的就是怎么从“一个人硬扛”变成“一套系统稳定跑”，以及跑稳之后怎么让这套系统越用越聪明。
6.1 标准化AI讲义生产工作流与质量检查清单
我最早接企业内训单子的时候，流程极其随性。客户发来需求，我看一遍，打开AI开始聊，聊出大纲再聊正文，边聊边改，改到自我感觉良好就交稿。有一次客户临时要求加一个模块，我打开上一版讲义往里硬塞，塞完发现加进去的内容和前后章节的知识点有重叠，学员交上来的练习答案里出现了两种自相矛盾的分类标准。那次被客户教学负责人约谈了一个小时，对方说得很客气，但意思很明确：你们做课件的流程是不是没有质检环节？
回来我就开始画流程图。画完发现之前的问题不在于AI不好用，在于我压根没有定义过“什么时候算做完一步”。现在我手里的标准工作流是六个环节，每个环节有明确的输入物、输出物和放行标准。六个环节按顺序走：需求分析产出《课程需求确认单》，大纲设计产出《章节结构表》，提示词准备产出《场景提示词清单》，内容生成产出《讲义初稿》，人工审校产出《审校记录表》，终版交付产出《讲义终稿+配套资源》。每个环节的放行标准我写成了一张A4纸的检查清单，贴在显示器旁边，做完一项划掉一项。
质量检查清单我分了三层，每层十到十五条，越往下越细。第一层叫“硬伤层”，查的是事实错误、数据假引用、法规模糊、术语前后不一致、格式崩坏这类一票否决的问题。第二层叫“教学层”，查的是认知负荷超没超、学习路径顺不顺、案例和知识点贴不贴、练习有没有覆盖核心目标。第三层叫“体验层”，查的是语言风格统一不统一、段落长短节奏对不对、视觉素材有没有描述、无障碍标注全不全。每一层检查完签一次字，三层签完才能进入排版环节。这个清单我让AI也跑过一遍——把讲义和清单一起喂给它，让它按清单逐条打分并标出疑似问题——它找出来的硬伤类问题比我肉眼扫一遍准得多，尤其是数据前后矛盾和术语漂移这两类，人工检查太容易漏。
工作流里还有一个容易被忽略的环节：交接文档。每次讲义做完，我会让AI生成一份《生产说明》，记录这门课用了哪些工具、提示词主要版本号、人工改了哪些关键地方、遗留了哪些待确认事项。这份说明不交给客户，留着自己用。下一版迭代的时候打开一看，就知道上次哪个地方是硬改的、为什么改，省得从头回忆。我有一次隔了四个月回头改一门课，靠这份说明十分钟就找回了状态，没它的话我至少得花两个小时重新读一遍讲义。
6.2 团队协作、版本管理与提示词资产管理
一个人干活的时候版本管理靠文件名，加了人之后文件名就废了。去年下半年我们团队扩到三个人，我、一个教学设计师、一个兼职排版。三个人同时改一份讲义，不到一周就出了事故：教学设计师在第二版基础上改案例，我在第三版基础上调结构，排版同事拿着第一版做版式，最后拼出来的文件里有一节标题重复出现了两次，还有一节内容凭空消失了。我们对着屏幕面面相觑，谁也说不清到底丢了什么。
后来上了Git做版本管理，配合一个简单的命名规范：分支名用“课程缩写-模块编号-修改人”，提交信息必须写清楚“改了哪一节、为什么改、改完影响哪些下游文件”。教学设计师一开始嫌麻烦，说写个讲义用得着像写代码一样吗。用了两个月她自己改口了，说有一次她误删了一整节案例，靠版本记录五分钟就找回来了，搁以前得重写。提示词也跟着走版本管理，每个场景的提示词模板存在一个共享仓库里，用YAML格式写，变量和固定文本分开。谁想改模板就开分支改，改完跑五组对照测试，测试结果附在合并请求里，我和教学设计师都看过才能合进主分支。
提示词资产管理这件事我走过一个大弯路。一开始提示词就散在我的聊天记录里，用的时候翻半天，翻到了复制粘贴，粘完顺手改几个字，改完也没存回去。结果同一个“案例生成”的提示词，我手里有三个版本，教学设计师手里有两个版本，五个版本互相都不一样，生成出来的案例风格明显不统一。集中治理那次我们花了整整一个下午，把散落的提示词全部翻出来，按场景分类去重，每个场景保留一个主版本加一到两个变体，统一加上版本号和适用说明。整理完之后我让AI帮忙做了一件事：把每个提示词模板拆成“固定指令”和“可替换变量”两部分，固定指令锁死，变量用方括号标出来。这样任何人拿到模板，只需要填变量就能用，风格底线不会跑偏。
团队协作还有一个隐形资产：审校批注。以前审校意见写在邮件里，改完就散了。现在我们的做法是每份讲义的审校批注单独存一个文件，标注每条批注针对的是哪一节、属于哪一类问题（事实类/教学类/语言类/格式类）。一个课程周期下来，把批注按类型统计一遍，出现频率最高的那类问题就是下一轮提示词优化的重点方向。上个月统计发现“案例和数据脱节”这一类批注占了将近四成，我们回头就把案例生成提示词里加了一条硬约束：每个案例必须附带一个数据表格或一组可核验的数据点，不允许只写定性描述。
6.3 典型课程案例拆解：高校课程、企业内训与职业培训
三类课程我都做过，差别大到像是三个不同的工种。高校课程讲究理论体系的完整性，企业内训讲究场景的贴合度和落地速度，职业培训讲究考点覆盖和通过率。用同一套提示词策略去打三种课，出来的东西一定水土不服。
高校课程我拿一门《传播学概论》的选修课做过实验。课程负责人给我的要求是“概念准确、脉络清晰、每个理论至少配一个当代案例”。AI生成概念解释和理论脉络非常顺手，但配案例那一步翻车了。它给“沉默的螺旋”理论配的案例写的是“某社交平台上某话题的舆论反转事件”，写得有模有样，但没有具体平台、没有时间、没有可查证的细节，纯粹是一个泛化的场景描述。高校课程里这种“万能案例”学员一眼就能看出来是编的。后来我调整了策略：让AI只负责生成案例的“结构框架”，比如“请描述一个社交媒体舆论反转的案例，包含事件起因、舆论走向变化、关键节点三个部分”，具体的案例内容由课程负责老师提供真实事件，AI再把事件填入框架并扩写成教学案例。这样做速度慢一些，但案例的真实性和教学贴合度完全不一样。高校课程还有一个特殊要求是学术引用规范，我们最后交付的讲义里每一章末尾附了参考文献列表，AI生成的初稿里所有引用都被我要求标注了来源，查不到来源的全部降级为“延伸阅读建议”而不是正式引用。
企业内训的节奏完全是另一回事。上个月给一家连锁零售企业做《门店数字化运营》的内训讲义，从接到需求到交付只给了两周。企业内训的特点是“不讲废话、直接能上手”，学员是门店店长和区域经理，坐进教室的时候脑子里想的都是“这个东西明天上班能不能用”。AI生成理论框架和概念定义在这里反而是累赘，我调整了提示词的重心：每个知识点必须绑定一个“门店场景下的操作动作”，比如讲“库存周转率”不能只讲定义和公式，必须写清楚“店长每天早上打开系统看哪三个数字、看到异常之后第一步做什么”。案例全部用这家企业自己提供的脱敏数据做背景，AI只负责把数据包装成教学情境和讨论题。两周交付那天企业培训负责人翻完说了一句话让我印象很深：“你们这个讲义不像外面买的通用课，像是给我们店长量身写的。”其实AI出了不少力，但出力的方向是场景化包装，不是知识生产。
职业培训我做的是一门《互联网营销师》的考证辅导课。这类课程的核心指标是考试通过率，讲义的第一优先级是考点覆盖率。AI在这个场景里的最佳用法是“反向出题”：给它一份考试大纲和历年真题，让它按考点分布生成知识点讲解和配套练习题，每道题标注对应的考纲条目编号。我让AI把整个考纲拆成了一张“考点-讲义章节-练习题”的三列对照表，哪个考点没有对应内容一眼就能看出来。职业培训讲义还有一个刚需是“错题反馈话术”，AI帮我为每道练习题生成了标准化的错误原因分析和知识点回链，学员做错之后扫二维码就能看到自己的问题出在哪个概念上。这个功能在高校课和企业课里用不上，但对考证班来说是刚需。
三类课程的提示词模板我最后分了三套，共用一套底层结构但关键参数不同。高校课侧重“理论脉络+真实案例+学术规范”，企业课侧重“场景动作+数据情境+即学即用”，职业培训侧重“考点覆盖+真题风格+错题反馈”。模板之间不混用，混用必出问题。有一次我把企业课的提示词直接套到一个高校课上试了试，出来的讲义全是操作步骤，课程负责教授看了两眼就退回来了，说“这不是大学课，这是操作手册”。
6.4 学习效果评估、反馈收集与讲义迭代机制
讲义交出去不是终点。我以前有个坏习惯：课讲完、学员散场、讲义归档，这个课程就算结束了。后来有一回一个学员课后跟我说“老师你讲的那个用户分层模型我回去试了，发现我们公司的数据根本跑不出你说的那几个指标”，我才意识到讲义里的东西到底管不管用，得看学员回去之后用不用得上。
现在我的评估反馈分三条线走，每条线抓不同的信息。第一条线是课堂即时反馈，每节课最后留三分钟让学员填一个极简问卷，就三个问题：“今天最有用的一个点是什么”“今天最没听懂的一个点是什么”“如果改一个地方你希望改哪里”。这三个问题不记名，填完收走。别小看这三个问题，学员写“最有用的点”的时候其实在帮我验证教学重点有没有被感知到，写“最没听懂的点”的时候直接暴露认知负荷超标的环节。有一次连着三节课都有学员写“案例和概念对不上”，我回去把那一节的案例全换了。第二条线是课后作业和测验数据，哪个知识点对应的题目错误率高，就说明那个知识点的讲义需要重写或补案例。我们是小班制，每期学员几十个人，数据量不大但趋势看得清楚。第三条线是延迟反馈，课程结束一个月后给学员发一封简短的追踪邮件，问“课程里的哪个方法你在实际工作中用上了”“哪个部分你回去翻过讲义”，回收率不高，三成左右，但回来的信息含金量最高，因为经过了实际检验。
迭代节奏我定的是“小步快跑”——每期课程结束后两周内出一个小版本更新，主要改课堂反馈暴露的明显问题；每季度出一次大版本更新，把三条反馈线攒下来的问题集中处理，顺便把提示词模板和检查清单也迭代一遍。版本号规则是主版本号加次版本号，大改升主版本，小修升次版本，讲义扉页和文件属性里都写上版本号和更新日期。我让AI帮忙做了一件事：在每版讲义的末尾自动生成一个“版本变更摘要”，用三段话说明这一版改了什么、为什么改、对教学有什么影响。这个摘要合并到版本管理记录里，谁想看历史沿革直接翻摘要就行，不用去翻具体内容。
反馈里有一类声音我特别在意：学员说“和上一期比这次哪里不一样”。这句话背后是学员对课程连续性的期待。我们有一门课开了四期，第三期有个学员是回头客，他说第二期讲的那个案例第三期没了，他觉得挺可惜。我翻回去一看，那个案例因为数据有点旧被我在第三期换掉了。这提醒我一件事：迭代不等于不停做加法，有些旧东西被删掉可能只是因为当时觉得不够新，但学员认它。后来我们定了个规矩：每次做大版本迭代之前，先把上一版里所有被删掉的案例和知识点列出来，逐条判断是真的过时了还是只是不够新颖。真正过时的删，只是不够新颖的要么更新数据保留，要么放到扩展阅读里，不能一刀切。
6.5 从课程讲义到课程资源包：微课、题库、学习指南与未来趋势
讲义做到第六七门课的时候我发现自己手里攒了一堆“边角料”。每门课做完整合之后，总会剩下一些写了一半的案例、没放进正文的补充练习、审校时删掉的段落。这些东西扔了可惜，留着又不知道干什么用。后来有一次客户提了个需求，说你们能不能把讲义拆成几个十分钟左右的微课视频脚本，学员碎片时间也能学。我才反应过来，讲义本身就不是终点，它应该是一个资源包的“母体”。
现在我们的标准交付已经不只给一份讲义了。讲义定稿之后，我会让AI基于同一套内容骨架派生四样东西：微课脚本、题库、学习指南和讲师手册。微课脚本按知识点切，每个脚本五到八分钟，包含开场问题、核心讲解、一个例子、一个互动提问、收尾预告五个模块。AI写微课脚本比写讲义快得多，因为知识点已经打磨过一遍了，它只需要按视频节奏重新组织语言。题库是从讲义里的练习题和测验题扩出来的，AI按“同一个知识点三个难度层级”的规则扩充，我人工筛一遍剔除太偏的。学习指南是给学员课前预习和课后复习用的，一页纸说清楚这门课要学什么、重点在哪、学完能做什么。讲师手册是内部用的，包含讲义之外的补充注解、常见学员问题应答、时间控制建议。这四样东西和讲义共享同一套提示词资产的底层逻辑，改一个知识点的时候，讲义和派生资源同步更新，不会出现讲义改了题库没改的尴尬。
工具链上我也做了一轮精简。早先什么工具都想试，文本生成用三个、排版用两个、图表用一个，每个工具之间来回倒腾的时间比真正干活的时间还长。现在固定下来一套最小工具链：一个主力文本模型负责生成和改写，一个结构化工具负责大纲和知识图谱，一个排版工具负责最终输出，外加版本管理和共享仓库。工具数量砍下来之后，工作流的稳定性反而上去了。偶尔有同事推荐新工具，我的判断标准很简单：它能不能直接接进现有工作流、能不能减少而不是增加我的操作步骤。不能的话，再好用也先放着。
关于未来，我自己的判断是AI在讲义生产里的角色会从“代笔”慢慢转向“副驾”。现在AI擅长的是把已有知识重新组织和表达出来，下一步它可能会更深入地参与学情诊断和内容适配——比如根据学员的课前测评结果自动调整讲义里的案例难度和讲解深度。但这个方向有一个前提：人得先把“教什么”想清楚。我自己踩过的坑证明了一件事，AI能让讲义的“写”变快，但讲义的“教”好不好，取决于设计讲义的人对课程目标、学员状态和教学场景的理解够不够深。工具越强，人的判断力越值钱。
这门课的资源包上周刚交付完，版本号到了v4.2。打开文件夹的时候我下意识看了一眼日期，距离第一版讲义已经过去七个月了。七个月里这份讲义被改了不知道多少遍，提示词模板迭代了三轮，检查清单加了十几条，团队里三个人都在这份文件上留下过批注和修改记录。它现在已经不太像我一个人当初写出来的那个东西了，倒像是一个小系统自己长出来的产物。这种感觉挺奇妙的，也有点让人踏实——至少下次再同时开三门课的时候，我不用再开八十个标签页了。
