1.1 课程测验题生成提示词的定义、作用与教学价值
我第一次接触“课程测验题生成提示词”这个概念时，脑子里冒出来的第一个念头是：不就是让AI出几道题吗，能有多复杂？后来在真实备课场景里折腾了几轮才发现，事情远没有想象中那么简单。同一个知识点，我随手敲一句“帮我出五道关于光合作用的选择题”，跟认真写一段结构清晰的提示词，拿到手的题目质量差距大得让人有点沮丧。前者经常给我一堆“光合作用是什么”这种记忆层面的送分题，后者则能产出真正有区分度的测验内容。
课程测验题生成提示词，说白了就是教师向AI系统传递出题意图的一套结构化表达。它跟日常聊天里的随口一问有本质区别：你需要把“教什么、考什么、怎么考、考到什么程度”这些原本藏在脑子里的隐性信息，转化成机器能准确理解的显性指令。这中间隔着一层翻译工作，而提示词就是那座桥。
从教学价值来看，这件事的意义远不止“省时间”三个字能概括。我观察到身边用得顺手的老师，往往把提示词当成一个教学设计的思考工具来用。你在写提示词的时候，被迫要把学习目标拆清楚、把认知层级标明白、把题型难度定准确。这个“被迫想清楚”的过程本身就很有价值。很多老师平时出题靠经验直觉，写得出来但说不清楚为什么这么出。提示词逼着你把那些模糊的直觉转成明确的参数，对教学反思也是一种倒逼。
再往深一层说，好的提示词能让测验题生成从“随机抽奖”变成“定向定制”。普通提问像是你站在食堂窗口说“随便打点菜”，厨师给你什么你接什么。结构化提示词则是你拿着菜单在点菜：我要一道清蒸鱼，少油少盐，火候偏嫩，配姜丝和葱段。出来的东西不说百分之百合心意，至少大方向不会跑偏。
1.2 提示词中的关键信息：学科范围、学习目标、题型难度、认知层级与约束条件
我见过太多老师的提示词写成了这样：“帮我生成十道关于牛顿第二定律的题，要有答案，适合初中生。”这句话看着像模像样，实际信息密度极低。AI收到这种指令，大概率会给你一堆“F=ma套公式”的重复计算题。问题出在哪儿？关键信息缺位太严重。
学科范围这块，很多人觉得写个“物理”就完事了。实际上初中物理和高中物理同一个知识点能差出好几个量级。我在提示词里通常会写到具体章节和教材版本，比如“人教版八年级下册第八章第二节”，这样AI才知道边界在哪，不会把动量守恒硬塞进八年级的卷子里。
学习目标的表述最容易被忽略。你写“关于牛顿第二定律”，AI哪知道你是想让学生记住公式、理解因果关系，还是能用来分析生活现象？我一般的做法是直接贴一句可观察的行为描述，比如“学生能用F=ma解释电梯启动时人为什么会有超重感”。这句话比一百个形容词都管用，AI立刻就能把出题方向锁定在“应用情境分析”上。
题型难度和认知层级经常被混为一谈。选择题不代表简单，简答题也不代表难。我在提示词里会明确用认知动词来锚定层级。记忆层写“识别”“回忆”，理解层写“解释”“举例”，应用层写“计算”“解决”，分析层写“对比”“归因”。你写“请设计需要学生分析两种情境差异的选择题”，出来的题就跟“请设计考查公式记忆的选择题”完全两码事。
约束条件是我踩坑最多的地方。早期我老忘记写“每题四个选项”“干扰项要有迷惑性但不能有歧义”“答案唯一且不得出现‘以上都对’”，结果收上来的题经常出现两个正确答案或者选项明显凑数的情况。后来我干脆在提示词末尾加一段“格式与质量要求”，把必须遵守的规则像清单一样列出来。约束条件越像产品验收标准，出来的东西越经得起用。
1.3 从教师需求到提示词表达：避免模糊描述与重复指令的基本原则
我在教研会上看过一位老师写的提示词，整整三段话，反复在说“要贴合教学目标”“题目质量要好”“难度要适中”。绕来绕去其实就一句话的事，但AI读完之后大概率一脸茫然——什么叫“好”？什么叫“适中”？你让它怎么执行？
模糊描述是提示词写作的第一大坑。人的语言里充满了这种偷懒的表达：“有深度”“有层次”“别太简单也别太难”。这些词在教师之间交流时心照不宣，但机器没法领悟。我自己的经验是，每写一个形容词，就逼自己追问一句：我怎么知道它做到了？ 如果答不上来，这个词就删掉，换成具体的数量、动作或示例。比如“难度适中”改成“预计班级中等水平学生正确率在60%到75%之间”，“有层次”改成“每道题设两小问，第一问考查识别，第二问考查解释”。
重复指令是另一个隐形陷阱。有些老师怕AI漏掉信息，把同一个要求换着说法写三遍。“要注重基础知识”“基础题为主”“不要出太偏的题”——三句话意思几乎一样。这样做有两个副作用：一是提示词变得臃肿，重点被稀释；二是AI可能过度补偿，反而把“基础”理解成“只能出记忆题”。我一般会把相似要求合并到一条里，说清楚就够了，不必反复强调。
还有一个原则我觉得挺重要，那就是用例子代替解释。你花五行字描述“选择题的干扰项要合理”，不如直接给一个示例选项让AI参照。AI对示例的学习效率远高于对抽象描述的揣摩。我现在写提示词，遇到说不清的格式要求就塞一个小样例进去，比什么形容词都管用。
最后想说的是，写提示词这件事不用追求一次到位。我早期写提示词时总想憋个大招，一口气把所有细节塞进去，结果自己写得累，AI消化得也乱。后来想通了，提示词本质上是可迭代的草稿，先跑一版看差在哪儿，再针对性补约束补示例，反而比一次性憋完美更高效。教师对学习目标的理解本身就是在动态修正的。提示词只是把这个修正过程外显出来了而已。
2.1 通用提示词模板的结构：角色设定、任务说明、输出格式与质量标准
我刚开始正儿八经写提示词模板的时候，犯过一个特别低级的错误：把“角色设定”当成走过场的客套话。随手敲一句“你是一位经验丰富的数学老师”就完事了，然后直接开始列题目要求。后来跟一位做自然语言处理的朋友聊天，他一句话点醒了我——角色设定不是给AI戴个帽子，是给它的输出风格和行为边界定调子。“经验丰富的数学老师”和“数学教研员”和“命题专家”这三种身份，产出的东西侧重点完全不一样。教研员更在意知识点覆盖是否全面，命题专家更看重题目的区分度和信效度，一线老师则更关心题目跟课堂实际教学的贴合程度。
所以我现在写通用模板，第一段一定是把角色写细。不是“你是一位语文老师”，而是“你是一位有十年以上教龄的初中语文老师，熟悉部编版教材的单元编排逻辑，擅长设计考查阅读理解能力和语言表达能力的题目，出题风格偏向在真实语境中考查语文素养”。这段话看着长，但每多写一个限定词，AI跑偏的概率就低一分。角色设定越具体，输出风格越稳定。
任务说明这块，我的经验是把它拆成三个明确的动作。第一个动作是“拆解需求”，让AI先复述一遍它理解到的出题要求，这一步能筛出大量理解偏差。第二个动作是“执行生成”，按约束条件逐条出题。第三个动作是“自查校正”，让AI在输出后对照质量标准过一遍。这三个动作写进模板之后，我发现题量偏差和格式错乱的问题少了一大半。输出格式我一般用表格或者固定字段来约束，题干、选项、答案、解析各占一栏，不给AI自由发挥排版的余地。质量标准则是把之前说的那些“好”“适中”翻译成可检验的条目，比如“每道题必须标注对应的知识点编号”“选择题四个选项的词长差异不超过三分之一”“正确答案在选项中的位置随机分布但不得连续三道题同一位置”。这些条目写出来像产品验收单，AI拿到手就知道该对齐什么标准。
2.2 按题型组织的模板：选择题、填空题、简答题、案例分析题与综合应用题
不同题型在AI生成的时候，坑的位置完全不一样，模板得跟着题型走。我一开始偷懒，所有题型共用一个模板，结果选择题的干扰项老是做得太假，填空题的答案有时候不唯一，简答题的评分标准写得含糊不清。后来才想明白，题型本身就是一种隐性的质量约束条件，模板里得把这种约束显性化出来。
拿选择题来说，模板里我专门加了一块“干扰项设计规范”。要求每个干扰项必须对应一种典型的学生错误类型，比如概念混淆、公式误用、单位遗漏、因果倒置。还要说明干扰项不能是明显荒谬的凑数选项。举个例子，出一道关于浮力的选择题，错误选项不能写成“浮力大小等于物体重力”这种跟正确概念八竿子打不着的话，得设计成“浮力大小与物体浸没深度成正比”——这是学生常犯的迷思概念，拿来当干扰项才有诊断价值。
填空题的模板核心在“答案唯一性约束”和“空格位置设计”。我会明确要求空格不能设在有歧义的地方，比如“力是物体对物体的____”这种填空，答案写“作用”没问题，但空格设在“物体对物体的作用”中间某处就可能出现多种合理填法。答案唯一性我在模板里写了三条检查规则：语法上只能有一种填法、物理意义上只有一种正确答案、不同水平的学生填出来的正确内容必须字面一致。少一条，收回来的卷子就得面对学生拿着“我觉得我写的也没错”来找你理论的尴尬场面。
简答题和案例分析题共用一套“分层评分标准”模板。案例题的麻烦在于情境材料的长度和复杂度很难控制，AI要么给的材料太短根本撑不起分析，要么塞一大段跟考点无关的背景信息。我在模板里设了两个参数：材料字数区间和分析步骤数量。比如“请提供150到200字的案例材料，材料中至少包含两个与考点相关的关键信息点和一个干扰信息点，要求学生分三步作答：第一步指出问题所在，第二步运用XX原理解释，第三步提出改进建议”。每个步骤对应分值也提前标好，评分标准就不会沦为一句空话。
综合应用题是我花心思最多的题型。这类题要求学生在多个知识点之间建立联系，AI经常犯的毛病是把一个大题拆成几道互不相关的小题拼在一起，前面考速度后面考密度，中间没有任何逻辑衔接。我的模板里专门有一段“情境锚定指令”：先描述一个完整的真实情境，再从情境中自然生长出需要调用多个知识点的任务链。比如设计一道关于“设计校园雨水收集系统”的题，从计算集水面积到估算储水量再到评价材料选择，每一步都绑在同一个项目上。模板里我还会要求AI标注每个子任务对应的知识点和认知层级，方便后续检查覆盖情况。
2.3 模板参数化与可复用设计：年级、知识点、题量、难度分布与答案解释
把模板做成参数化这件事，我最初纯粹是图省事。每次出新卷子都从零写提示词，光是改年级和知识点就得折腾半天，烦得不行。后来试着把那些每次都要变的信息抽出来做成“填空位”，剩下的固定框架直接复用，效率一下子提上来了。现在我的参数表里常驻五组变量：年级与学段、知识点范围、题量配比、难度分布比例、答案解释的详细程度。
年级这个参数比很多人想的要敏感。同样是“一元一次方程”，六年级和七年级的认知要求差很多。我的参数表里年级字段后面跟着一串隐性约束，选“六年级”自动关联“不出现负数解”“未知数不在等式两边”“情境贴近生活消费”这些限制，选“七年级”就切换成“允许负数解”“可含分母”“情境可涉及简单物理量”。这套对照表是我攒了快两年的教学笔记一点点磨出来的，一开始全靠手动记忆，漏掉一两个约束就得返工重来。
题量配比和难度分布我习惯一起设。一份标准的单元测验，我的默认参数是选择题六道、填空题四道、解答题三道，难度按容易比中等比困难等于五比四比一。这个比例不是拍脑袋定的，是根据我带班的实际学情调的。模板里我会写清楚“容易题对应认知层级中的记忆和理解”“中等题对应应用和分析”“困难题对应评价和创造”，并且要求AI在输出时每道题后面标注难度标签和认知层级标签。这样我拿到结果扫一眼标签分布就能判断有没有跑偏，不用逐题去读。
答案解释的详细程度是我最近才加进去的参数，用下来觉得早该加。以前AI给的解析要么一句话“根据公式可得”，要么啰嗦半页纸把推导过程全写一遍。现在我把解释分成三档：简版只给关键步骤和最终答案，适合课堂快速核对；标准版包含解题思路和易错点提示，适合学生自主订正；详版再增加变式拓展和知识点链接，适合学有余力的学生做深度复盘。同一个题目模板，改一个参数就能产出三种不同用途的解析版本，在布置作业和制作讲评课件的时候特别顺手。
参数化的另外一个好处是版本管理变得清晰。我给每个模板编号存档，比如“初中物理-力学-选择题模板-v3”，模板里哪些参数被固定、哪些可调、最近一次修改动了哪里，全都记录在案。上个月有个老师问我借模板用，我直接把参数表发过去让她自己填，她用完之后反馈说“改两个参数就能生成我们学校月考卷的框架，比从别人那儿要现成卷子好用多了”。这套东西的价值不在模板本身有多精巧，在于它把出题这件事从一次性劳动变成了可以反复调用的工作流。
2.4 模板使用中的常见问题与修正策略：题量偏差、难度漂移与答案歧义
模板用得再熟，翻车也是常有的事。我遇到最多的三个问题是题量偏差、难度漂移和答案歧义，每一个我都交过学费。
题量偏差这事特别气人。你明明在模板里写了“生成十道选择题”，AI给你八道或者十二道的情况都出现过。我分析下来，原因多半是模板里其他约束条件太强势，把题量要求给盖过去了。比如你写“每道题必须覆盖一个不同的知识点”，AI发现可选知识点只有八个，就自作主张砍到八道题。修正的办法是在题量参数后面加一句刚性声明：“题量必须精确等于N道，若知识点数量不足，允许同一知识点从不同认知层级出题，不得减少题量”。加了这句话之后，题量偏差率从大概三成降到了不到一成。还有一种情况是AI把“十道题”理解成“十个题干”，结果给你一个大题下面挂五个小问，按小问算确实是十道，但格式完全不对。我在模板里补了一条“题量计数以独立编号的题目为准，大题下的子问不计入题量统计”，才把这个漏洞堵上。
难度漂移比题量偏差更隐蔽。你设了“中等难度占四成”，AI交上来的题看起来确实不简单，但仔细一分析，它把“中等”理解成了“计算步骤多”。题目步骤多不等于认知层级高，有时候只是数字凑得复杂，思维含量并没有上去。我后来在难度参数旁边加了一组行为动词作为锚定，比如“中等难度对应‘分析’层级，要求学生能拆解情境中的多个条件并找出关联”，同时要求每道中等题必须写出学生可能出错的两种典型思路。这样AI就没法用“步骤多”来冒充“有深度”了。还有一个小技巧是在模板里放一道难度基准例题，告诉AI“难度参照此例，出题时保持认知复杂度相当”。给个参照物比写一堆形容词管用。
答案歧义是最让人头疼的问题，因为一旦漏过去被学生指出来，场面很尴尬。我遇到过的歧义类型五花八门：填空题出现两个都能填的词、选择题有两个选项在某种理解下都算对、简答题的答案要点里混进了有争议的说法。现在我的模板里固定有一块“答案校验指令”，要求AI在给出答案之后逐题做三项自检：第一，把正确答案代入题干，检查是否存在其他合理答案；第二，检查每个干扰项是否在任何解释框架下都不可能正确；第三，简答题评分标准中的每个得分点是否对应学生可观察的作答行为。这三条写进去之后，答案歧义的发生频率明显下降，但也没有完全杜绝。我的兜底策略是把模板生成的结果先发给同教研组的另一位老师盲审一遍，重点看答案部分，两个人独立判断都通过的题才放进正式卷子。AI出题再方便，教师把关这条防线不能省。
3.1 理科课程测验题生成提示词示例：数学、物理、化学中的计算与实验情境
理科出题用提示词，最大的坑是“算得对但题不像题”。我头一回用AI生成数学测验，要求是“设计五道关于一元二次方程的应用题”。AI交上来的五道题，四道都是“某商品原价x元，经过两次降价后售价为y元，求降价率”的变体，就换了换数字和情境外壳。学生做完前两道后面的直接跳过去套公式了，起不到检验能力的作用。问题出在我给的提示词里只有知识点和题型，没给“情境多样性”和“建模复杂度”的约束。后来我把数学题的提示词改成这个结构：先限定知识点范围，再指定情境类型至少覆盖几何测量、增长率、运动轨迹三个不同领域，最后加一条“每道题必须包含一个需要学生自行设定的未知量，不得所有题目都直接给出方程形式”。这样改完之后，题目的思维含量明显不一样了。下面是我现在常用的一个数学提示词片段，你们可以直接抄：“你是一位初中数学命题老师，请围绕‘一元二次方程的建模与应用’生成四道解答题。情境分别取自几何图形面积计算、连续增长问题、物体抛射高度、以及一个需要学生自己画示意图的矩形围栏设计问题。每道题给出完整的现实情境描述，学生需要先设未知数再列方程，不得在题干中直接给出方程。每道题标注对应的认知层级和预计作答时间。”这个提示词里“需要学生自己画示意图”那句话是我特意加的，因为AI默认习惯把图形信息全部用文字描述完，学生少了把文字转成图形的机会，而这恰恰是数学建模的关键一步。
物理和化学的提示词跟数学不太一样，核心区别在实验情境的约束要写得更细。物理题我踩过一个坑：AI设计的浮力实验题里，让学生用弹簧测力计测量一个密度小于水的物体浸没时的浮力，但题干没说明怎么把物体压进水里，学生做题时直接懵了。实验情境题必须把器材条件和操作可行性交代清楚，否则题目从根上就不成立。我的物理提示词里现在固定有一段“实验约束声明”，要求AI在出题前先列出实验器材清单和可用的物理条件，再围绕器材设计问题，不得引入清单以外的测量工具。比如“探究滑动摩擦力与压力的关系”这个考点，我会在提示词里写：“可用器材限弹簧测力计、木块、砝码、长木板、毛巾。请设计三道实验探究题，第一道考查实验操作步骤的排序，第二道给出部分实验数据要求学生分析规律，第三道要求学生对实验方案提出一条改进建议并说明理由。”化学提示词还要多一层“安全边界”和“微观表征”的约束。我要求AI生成化学实验题时必须标注涉及药品的危险等级，并且每道题至少包含一个需要从微观粒子角度解释的设问。像“酸碱中和反应”这种考点，如果只考pH计算就太单薄了，我的提示词会明确要求“设计一道题要求学生用离子方程式解释反应实质，再配一道题让学生判断反应后溶液中溶质的微观构成”。理科提示词写到这个颗粒度，产出的题目才经得起教研组长的审。
3.2 文科课程测验题生成提示词示例：语文、历史、地理中的阅读理解与材料分析
文科题目用AI生成，我最大的感受是“材料好找，好设问难求”。语文阅读理解尤其明显。你让AI出三道关于朱自清《背影》的阅读理解题，它给的三道题大概率是“文章中父亲买橘子的细节表现了什么”“结尾再次写到背影有什么作用”“概括文章主旨”这种放之四海而皆准的套路题。学生从初一做到初三，见的全是这种问法，答题完全靠背套路，思维根本不动。我现在写语文提示词，会在“设问角度”上做硬性拆分。拿记叙文阅读来说，我的提示词里会写：“请围绕以下文本设计四道题，分别考查：一道题考查学生对叙述视角的理解，要求判断本文的叙述人称并分析其对情感表达的作用；一道题考查细节描写的赏析，要求从用词和修辞两个角度写赏析文字；一道题考查学生对文章结构的把握，要求画出情节发展的情感曲线并说明转折点；一道题要求学生比较本文与另一篇同主题文章的结尾处理方式，说出各自效果。”这四道题分别对应不同的阅读能力层级，AI没法用同一个思维模板批量生产。材料来源我一般两种方式，要么直接贴一段文本进去让AI基于给定材料出题，要么让AI自己找经典篇目但必须在提示词里限定“选用部编版七年级上册课文或同等难度的课外散文”。前一种方式可控性更强，后一种方式要加一道人工审核材料的工序。
历史材料分析题的关键在史料选取和设问的层次递进。我一开始给的提示词太笼统——“围绕辛亥革命出三道材料分析题”，结果AI给的三段材料两段是政策文件摘录，一段是孙中山语录，设问全是从材料里找信息直接抄下来就能答的那种。后来我把提示词升级成“材料类型必须包含一则一手史料、一则后人评论、一则数据图表”，设问按“信息提取—背景关联—观点评价”三个层级递进设计，并且要求每道题标注需要调用的历史学科核心素养（史料实证、历史解释、时空观念等）。这个改动之后题目的含金量上来了。地理学科我侧重的是图文信息转换能力。我的地理提示词里固定要求“每道题至少配一段文字描述和一个需要学生自己绘制的示意图或读图分析图”，比如出“等高线地形图判读”的题，我会让AI先描述一个具体区域的地形特征，然后要求学生根据描述绘制等高线草图并标注山脊山谷位置，再设置一道迁移应用题让学生判断该区域适合修水库还是建梯田。地理不读图不画图，光靠文字背知识点，跟真正的学科能力差得远。
3.3 语言类与素养类课程示例：英语、信息技术、艺术体育中的技能与情境任务
英语题生成我用下来最顺手也最容易翻车。顺手是因为英语的语法点和词汇范围可以写得很精确，翻车是因为AI默认的题目太偏向机械操练。你让它出十道一般过去时练习题，它给你十道填空题，全是“He ___ (go) to school yesterday”这种单句操练，学生做一百道也学不会在真实语境里用过去时叙事。我现在的英语提示词会在“任务类型”上做强制搭配：一份测验至少包含一道对话补全、一道短文改错、一道基于图片或图表的信息转述、一道半开放写作。每种任务后面跟着具体的交际情境限定。比如写关于“旅游计划”的单元测验，我的提示词会写：“设计一道两人对话补全题，情境为中国学生向外国友人推荐本地景点，需要用到本单元的目标词汇和‘建议’‘推荐’‘委婉拒绝’三个功能句式，对话中预留五处空格，每空答案词数不超过三个。”这种颗粒度的提示词产出的题目才有课堂实操价值。信息技术课我遇到的特殊情况是操作题的描述成本特别高。你说“出一道关于Excel数据排序的题”，AI会给你一段文字描述操作步骤让学生填空，但信息技术要考的是学生实际动手能力，纯文字题考不出真正的技能。我的做法是在提示词里塞进“模拟操作情境+关键步骤判断”，比如“请描述一个学生成绩表的数据处理场景，表中包含姓名、语文、数学、英语、总分五列，共十行数据。设计三道题：第一道要求学生写出按总分降序排列的具体操作路径；第二道给出一个筛选条件（语文及格且数学大于85分），要求学生判断筛选结果行数；第三道设置一个排序和筛选组合操作的易错情境，让学生指出操作顺序错误会导致什么结果。”这样至少能在纸面上考查学生对操作逻辑的理解。艺术体育的题目最难用纸笔测验，我的提示词策略是把“作品欣赏”和“动作分析”作为主要载体。音乐课的提示词会要求“给出一段乐曲结构描述，让学生判断曲式并说明理由”；体育课的提示词会要求“描述一个运动技术动作的完整过程，让学生指出关键技术环节和常见错误”。这种题型的区分度可能不如实操评价，但在纸笔测验的框架里已经算比较贴近学科本质了。
3.4 跨学科与分层教学场景的提示词扩展：项目式学习、差异化测验与综合能力评价
跨学科命题是我觉得AI最有用武之地的场景，因为跨学科要的就是把不同领域的知识缝在一个情境里，人脑想情境容易有惯性，AI反而能提供意想不到的连接方式。我做过一个“校园节水方案”的跨学科测验，涉及数学的统计与估算、科学的蒸发与循环、地理的水资源分布、语文的倡议书写作。我的提示词是这样写的：“请设计一个项目式学习评价任务包，情境为某初中学校启动校园节水行动。任务一要求学生调查本校一周用水量并绘制统计图，考查数据收集与图表呈现能力；任务二要求学生分析校园绿化浇灌方式中不合理之处，提出一条基于蒸发原理的改进建议；任务三要求学生阅读本地水资源公报的简要数据，写一段分析文字说明本校节水行动的区域意义；任务四要求学生撰写一份面向全校师生的节水倡议书，注意倡议对象和场合决定语言风格。”这个提示词的关键是把四个学科的任务用同一个情境串起来，每个任务独立评分但共享背景信息。AI生成这种复合任务的时候要特别注意一点——你必须要求它在每个子任务后面标注对应的学科和核心素养维度，不然它容易把跨学科做成四道不相干的题拼盘。分层教学场景的提示词扩展要围绕“同一情境、不同难度”来做。我的差异化测验提示词一般是“三层任务链”结构：给定一个共同的情境材料，设计基础层任务（对应记忆和理解层级，如识别关键信息、复述基本概念）、标准层任务（对应应用和分析层级，如解释现象、比较异同）、挑战层任务（对应评价和创造层级，如提出方案并论证、对给定观点进行批判分析）。三层任务共用同一材料但设问方式拉开梯度，这样一份测验就能同时照顾到班级里不同水平的学生，不用出三套卷子。综合能力评价的提示词要特别注意量规的嵌入。我现在写这类提示词，除了要求生成题目本身，还会要求AI同步输出一份“表现水平描述表”，把每道题对应的评分维度按“待改进—合格—优秀”三个水平写出具体的行为表现描述，而不是笼统地写“答案正确得满分”。这个做法来自一次教训：我让AI出一道理科综合探究题，它给的参考答案只有最终结论没有过程性描述，结果阅卷的时候三个老师对同一份答案给了三个不同分数。后来我把“同步输出评分量规”写进提示词模板，争议就少多了。
4.1 生成结果的质量评估维度：科学性、适切性、区分度、答案可靠性与格式规范
我刚开始用AI出题那阵子，判断一套题好不好的标准特别朴素——看着像不像期末考试卷。题干长度差不多、选项排得整齐、大题小题都有，我就觉得行了。用了半个学期才发现这个标准很危险。有一次月考用AI生成了一套初二物理的力学题，卷面看着挺正规，考完学生反馈“第三题读完不知道让求什么”，我拿过来重读了三遍，发现题干里给了动摩擦因数却问的是静摩擦力，两个物理量在题目情境里根本对不上。这套卷子“长得像”题，但科学性上直接翻车了。从那以后我把评估顺序调了个个儿：先查科学性，再查适切性，最后才看格式。科学性这一关我一般找同组另一个老师帮忙看一眼，因为自己出的题自己审容易顺着自己的思路走，别人扫一眼就能发现“这个条件多余了”“这个单位前后不一致”这类硬伤。
适切性和区分度这两个维度得放在一起看才有意义。适切性说的是题目跟你的学生匹配不匹配，区分度说的是这套题能不能把不同水平的学生拉开。我印象特别深的一次，给一个基础偏弱的班级用AI生成了单元测验，提示词里写了“中等难度”，结果AI理解的“中等”跟我理解的“中等”差了半个档。班级均分只有五十一，及格率不到四成。后来我学乖了，写提示词的时候不再写“中等难度”这种模糊词，改成“参照本单元课后练习A组题的难度水平，基础题占六成，中等题占三成，拓展题占一成”。区分度这块我一般看两个数据：高分组和低分组的得分率差距，以及每道题的答对率分布。如果一道题全班都对或者全班都错，那这道题在本次测验里就没有区分功能，下次迭代就得重点调它。
答案可靠性是最容易翻车但也最容易被忽略的维度。AI给的参考答案我吃过不止一次亏，最典型的是语文阅读理解的“参考答案”写得像一篇小论文，洋洋洒洒三百字，学生答题区只留了四行。还有一次数学题，AI给的答案过程跳了两步关键推导，我照着讲评的时候被学生当场问住。现在我审答案的流程固定为三步：第一步自己按学生视角做一遍，看有没有需要绕弯的地方；第二步看答案步骤跟题干条件能不能一一对应上；第三步查主观题的答案有没有给出“给分点”而不是笼统的“言之成理即可”。格式规范反而是最省心的一环，我一般在提示词末尾加一句“输出时统一标注题号、分值、答题区域建议行数，选择题选项用A/B/C/D纵向排列”，AI执行得还算靠谱，偶尔题号会乱，手动调一下就行。
4.2 基于反馈的提示词迭代优化：教师审校、学生试测与错误类型分析
一套提示词写出来只是起点，后面还有好几轮打磨。我的习惯是每套新提示词生成的第一份测验不直接拿来考试，先走“教师审校—学生试测—错误归因”这个流程。教师审校环节我最看重的是同组老师的“挑刺会”。我们备课组有个不成文的规矩，谁用AI出了题，打印三份给同组老师，每人用红笔标出“这道题我会不会在课堂上这样问”。有一回我出了一道历史材料题，自己觉得设问角度挺新颖，结果三位老师全在同一个地方画了红圈——设问里用了“评析”这个词，但我们平时上课从来没用过这个行为动词，学生根本不知道要答到什么程度。这个反馈比我自己闷头改十遍都管用。后来我在提示词里加了一条“行为动词限定表”，把我平时常用的“说明”“概括”“比较”“判断并说明理由”这几个词列进去，要求AI只能从里面选，产出题目的课堂兼容性一下就上来了。
学生试测这个环节我一般用两种方式。小范围试测是找班里上中下三个层次各两名学生，让他们在自习课上做，我在旁边观察他们的读题反应。这个方式花时间但信息量大，有一次我发现三道题连着出现，学生做到第三道的时候明显不耐烦了，题干读到一半就开始直接看问题。后来我调提示词的时候加了一条“同一知识点连续出现不超过两道题，相邻题目的情境类型必须有变化”。大范围试测就是随堂小测，用真实数据说话。我一般统计每道题的得分率和选项分布，得分率低于三成的题要么是知识点没教透，要么是题干表述有问题，需要回去看学生卷面上的划线和草稿痕迹来判断。
错误类型分析是我迭代提示词时最依赖的工具。我把AI出题的常见毛病归了四类：知识点错位（考的不是我要求的内容）、难度漂移（题目实际难度偏离设定值）、答案歧义（不同老师对参考答案有不同理解）、格式混乱（题号分值排版一塌糊涂）。每类问题对应不同的提示词修正策略。知识点错位就在提示词里把知识点范围写得更细，精确到具体的概念和公式，不能只写单元名称。难度漂移就用“锚定法”，在提示词里附一道我认为难度合适的样题，让AI参照这道样题的认知复杂度和步骤数量来出题。答案歧义就在提示词里强制要求“主观题参考答案必须列出三条以上的给分点，每个给分点对应一个可观察的学生行为描述”。格式混乱就在输出模板里把格式要求写成硬性清单，AI一次不达标就再跑一次，跑三次还不达标就换模板。这个归因流程走顺了之后，我迭代提示词的效率高了很多，以前是凭感觉改，现在是看数据改。
4.3 将提示词嵌入教学工作流：备课、作业布置、阶段测评与个性化练习
提示词这个东西，写好了放那儿不用就是一堆文字。我真正感受到它省时间，是在把它嵌进日常教学流程之后。备课环节我用得最多，主要是备“课堂检测”这个小环节。以前备课到“巩固练习”这一步，要么翻教辅找现成题，要么自己编两道，翻教辅的问题是题目跟当堂讲的内容经常对不上号，自己编又费时间。现在我的做法是上完新课当晚花五分钟写一段提示词，把当天讲的核心概念、典型例题的解题思路、学生容易犯的错这三样东西写进去，让AI生成五道当堂检测题，第二天上课直接用。这个用法对提示词的要求不高，关键是把“学生易错点”写清楚，比如讲分式方程的时候我会写“学生常见错误包括去分母时漏乘不含分母的项、忘记检验增根，请针对这两个错误各设计一道辨析题”。
作业布置这个场景我用得比较克制，因为作业涉及面广，万一题目有问题影响的是全班学生一个晚上的时间。我的做法是分层布置的时候用提示词生成“基础巩固”和“拓展提升”两个题组，基础组直接对应当天课堂内容，拓展组加一道变式题或一道跨知识点综合题。用之前一定自己先做一遍拓展组，确保没有超纲或者表述不清的地方。阶段测评是提示词发挥最大价值的场景，因为出一套完整的单元卷工作量很大，用提示词生成初稿再人工精修，时间能省下三分之二左右。我的操作流程是先用一个“总控提示词”把整卷结构定下来——几道选择、几道填空、几道解答、每题分值、知识点分布比例——生成一份卷子框架，再分段用具体的题型提示词往框架里填题。这样比一次性让AI出整卷可控得多，出了问题也容易定位是哪个环节的提示词需要改。
个性化练习是我最近半年才开始系统使用的场景，效果超出预期。具体做法是每次单元测验之后，把学生的错题按知识点归类，针对每个学生的薄弱点用提示词生成一组“靶向练习”。提示词里会写明“该生在第X题失分，错误表现为（具体描述），请设计三道递进练习：第一道复现该题的基本模型但降低数值复杂度，第二道在同一知识点上换一个情境角度，第三道将该知识点与前一单元的相关内容做简单综合”。这个用法对提示词的精度的要求比出整卷高得多，因为你必须把学生的错误描述得足够具体，AI才能生成真正对路的练习。我一般会翻学生的原始卷面，把他划掉的过程和写在旁边的草稿也作为信息写进提示词，这样生成的练习针对性明显更强。一个班五十多人不可能人人定制，我的做法是先把错误类型归成五六类，每类生成一组练习，再按学生所属类型分发，这样工作量可控，效果也比全班做同一份订正卷好得多。
4.4 伦理与风险控制：版权、数据隐私、学术诚信与AI生成内容的教师把关
用AI出题这件事，有几个底线问题我一开始没当回事，后来被现实教育了。版权问题是最先冒出来的。有一次我让AI生成一套语文现代文阅读题，它给的材料是一篇署名某当代作家的散文，我读着觉得文笔不错，差点直接印到卷子上。幸亏多问了一句“这段文字的出处是哪里”，AI承认是“根据该作者风格仿写”的。仿写作品拿来当阅读材料问题不大，但如果它直接搬了某本教辅上的原文和设问，那就涉及版权了。我现在用AI生成阅读材料类题目，如果材料不是我自己提供的，一定会做两步核查：第一步用查重工具过一遍原文，看有没有大段跟现有出版物重合；第二步把材料来源标注清楚，是AI原创、是公版作品、还是我提供的文本，在卷头或卷尾注明。教师用AI辅助命题这件事本身不丢人，藏着掖着反而容易出问题。
数据隐私这块我的原则很简单——不把学生的真实姓名、学号、成绩单、家庭信息这些内容输进任何AI工具。需要个性化练习的时候，我用“学生A”“学生B”代替真实姓名，错误描述也只写学科层面的表现，不涉及任何身份信息。有一次年轻老师问我能不能把全班成绩表贴进去让AI分析薄弱知识点，我说你换成“一组学生”来描述数据分布就行，没必要冒这个险。学术诚信是我在课堂上跟学生正面讲过的。我的态度很明确：考试和测验的题目由老师负责，学生不需要也不应该用AI去找答案或者代写作业。我甚至会故意在课堂上限时测验里出几道AI容易答错的题，比如需要结合本地实际情况分析的地理题、需要引用课堂讨论中某个观点的历史题，让学生明白真正的学习发生在他们自己的思考过程里，AI替代不了。这个话我在家长会上也讲过，家长的反应比我预想的正面。
最后一条也是最重要的一条——教师把关这件事没有任何工具能替代。提示词写得再精细，AI生成的题目在进课堂之前必须过我这双眼睛。我的硬规矩是“三不出”：自己没有完整做过的题不出，参考答案自己没推敲过的题不出，题干里有任何一个自己拿不准的表述的题不出。这三条听起来很基础，但执行起来确实花时间。我的体会是，AI把出题从“从零写”变成了“从初稿改”，省的是起草的力气，费的是审校的精力。但这个精力花得值，因为审校的过程本身就是在重新审视教学目标、学情特点和评价方式。有时候改着改着会发现，与其纠结提示词怎么调，不如自己动手把这道题重写一遍来得快。遇到这种情况我就直接自己写，AI出的稿子当参考，该扔就扔，心里一点负担都没有。
