打開聊天框問「什麼是資產負債表」，AI 可以在幾秒內解釋。但解釋流暢，不代表學習者能在沒有答案時判讀一份新報表；模型說「你掌握得很好」，也不是能力證明。
@Lucian_Lc7 的〈從 0 到 1，講講怎麼把 AI 調教成你的私人家教〉提出一套更完整的做法：先確認目標與教材，再診斷起點、試教、換新題檢查，最後把教學規則與進度分開保存。原文附有每一階段的完整提示詞；本文不重製那套長模板，而是把它整理成一個可驗證、可交接的最小學習閉環。
核心只有一句：AI 可以協助教學，但不能自行宣告你已經學會。
先把「回答」與「學會」拆開
一次對話裡至少有三種不同產物：
- 目標卡回答「這次要學到哪裡才算完成」，不能用「了解基礎」之類的模糊願望代替。
- 學習計畫回答「教材涵蓋什麼，先後順序為何」，不能用模型憑常識臨時生成的完整課綱代替。
- 學習進度回答「哪些能力已被什麼作答驗證」，不能用對話很長、題目講過或模型的稱讚代替。
這個切分很重要，因為對話歷史同時混有問題、提示、示範、錯誤答案與修正。若只叫 AI「記住我的進度」，下一次它很容易把看過解答、提示後完成與獨立完成混在一起。
站內先前的二階思考文章談過：學習型任務需要保留「先嘗試，再看答案」的必要摩擦。這裡再往前一步，把那個原則變成六個有進入條件、退出條件與證據的狀態。
六步不是課表，而是狀態機
- 定標：從想解決的問題與可用時間開始；學習者確認範圍與完成標準後退出，留下學習目標卡。
- 備課：從教材、來源或明確的資料缺口開始；AI 說明實際讀到的範圍並排出順序後退出，留下學習計畫與待補資料。
- 診斷：從一次一題的起點問題開始；已知、未知與未測範圍分開後退出，留下起點作答。
- 練習：從一個知識點與可核對範例開始；學習者能解釋或應用後退出，留下初答、提示與修正紀錄。
- 驗證：從沒看過的新題與通過標準開始；無提示完成或明確標記仍需補練後退出，留下獨立作答與評分依據。
- 交接：從以上所有可追溯紀錄開始；下一次能從未完成處繼續時退出，留下助教規則與目前進度兩份文件。
把流程視為狀態機，可以阻止兩個常見捷徑：教材還沒讀到就開始編課，以及練習題剛改對就把整個單元標為通過。
第一步：先定義可檢查的終點
「我想學財務報表分析」只是一個主題，不是學習目標。可操作的目標至少要說清楚：
- 要解決的實際問題；
- 已知基礎與目前卡點；
- 可用時間與期限；
- 哪個表現出現時，才算完成。
例如「能說明三張主要報表的關係，並用一份沒看過的上市公司年報找出現金流與獲利背離的原因」，就比「理解財報」更容易驗證。
這一步不該排課，也不該開始講解。AI 先一次問一個必要問題，整理出目標卡，等學習者確認。目標若在開課前就漂移，後面的個人化只是在精準完成錯誤任務。
第二步：讓 AI 先證明它讀到了教材
把 PDF、課程講義或網址交給 AI 後，不要直接說「依這些資料教我」。先要求它列出：實際讀到的檔名或頁面、完整正文或只有目錄、各資料覆蓋哪些目標，以及缺口在哪裡。
只有網址時尤其要檢查。讀不到正文就標「待補資料」，不能由模型把摘要、搜尋片段或既有知識偽裝成指定教材。
學習計畫的每個單元只需要六個欄位：順序、前置知識、教材位置、本人練習、通過標準與預估次數。預估是排程工具，不是「三堂課保證學會」的承諾。
第三步：診斷起點，但不要過度推論
起點診斷的用途，是決定哪裡要補講、哪裡可先測再跳過，不是替學習者貼上「初級」或「高級」標籤。
一次只問一題，最多先用三個短問題定位。問過而答對的可記為「目前可用」；答錯的記為「待補」；沒問到的就是「未測」。不能因為學歷、職稱或一道答對的題目，推論整章都已掌握。
這也處理了人很難準確估計自己學會多少的問題。Karpicke 與 Roediger 的研究中，受試者對延後表現的預測與實際結果不相關；重複測驗對延後回憶的效果，則優於答對後繼續重讀。研究摘要
第四步：提示要晚於嘗試，補講要早於追問
「不要直接給答案」不是要求 AI 永遠反問。好的鷹架要先判斷學習者缺的是哪一種東西：
- 有方向但卡住：給一條提示，等待下一次嘗試；
- 缺少必要概念：先補講，再讓學習者應用；
- 已能獨立完成：減少重複示範，提高題目變化；
- 教材不足：只暫停受影響的內容，不假裝知道答案。
若 AI 已經洩露完整解法，該題只能算講解，不能再算獨立練習。換一道同知識點、不同表面的新題，才有新的驗證價值。
這不是純粹的提示詞偏好。美國教育科學研究院的實務指南建議在學習各階段使用主動提取的測驗，並以測驗找出仍需學習的內容；指南也建議延後複習重要內容，而不是一次答對就結案。IES Practice Guide
第五步：把考試與教學暫時分開
驗證階段先公布範圍、允許使用的資料與通過標準，再給一題沒有講過的新題。AI 可以在背後用教材核對題目與評分依據，但出題時不能把解法一起提示出來。
收到初答後，只更新實際測過的範圍，並保留四種差異：
- 獨立通過；
- 提示後通過；
- 需要補練；
- 未測。
一般聊天式 AI 在練習時很容易成為答案捷徑。Bastani 等人對近千名高中數學學生的田野實驗發現，沒有教學護欄的 AI 提高了練習當下的表現，但移除 AI 後，學生表現反而低於未使用 AI 的控制組；加入限制直接給答案等護欄後，負面效果大幅減輕。PNAS 論文這是特定年齡、科目與系統的研究，不能外推成所有 AI 學習都會退步；它支持的較窄結論是：當下答對與離開工具後仍會做，必須分開量。
第六步：把教法與進度分開保存
長期學習最容易壞在交接。不要請模型輸出一份混在一起的聊天摘要，而是保存兩份文件：
- 助教規則：如何提問、何時提示、如何核對教材、怎麼判定通過。它可以跨主題重用。
- 目前進度：本次目標、計畫、教材、實際作答、得到過的幫助、未解問題與下一個起點。它只屬於這門課。
換主題時只繼承助教規則，不繼承舊課程的成績與案例；繼續同一主題時，先復述下一個起點，等學習者確認再開課。
這是把學習 state 從聊天紀錄中外部化。更完整的記憶生命週期可參考Memory Engineering；對個人使用，兩份 Markdown 已經足夠，不需要先蓋學習管理系統。
一段可直接使用的最小教學契約
原文為六個階段各自提供完整模板。若想先用最小版本測試流程，可以把以下內容放在對話開頭：
你是我的學習助教。目標是讓我能在沒有你代答時應用知識，不是最快產出答案。
開始前：
1. 一次只問一個必要問題，先確認學習目標、基礎、時間與可檢查的完成標準。
2. 我提供資料後，先列出你實際讀到的範圍與缺口；讀不到就說明，不自行補成指定教材。
3. 診斷與教學時，保留我的初答。已有思路才給提示；缺概念先補講，再讓我嘗試。
4. 看過答案的題目只算講解。要判定通過，改用未講過的新題，且一次只出一題。
5. 進度只使用：未開始、學習中、獨立通過、提示後通過、需要補練、未測。
6. 每次結束，分開輸出「助教規則」與「目前進度」，記錄下一個起點與資料缺口。
現在先不要教。請問我第一個必要問題。它刻意沒有塞入課程名稱、教材與進度，因為那些是每次學習的 state，不是永久教法。若模型偏離，只要引用剛才的原句、指出違反哪條約定，要求回到未解位置；不必每次重貼整份長 prompt。
如果使用 ChatGPT，Projects 與 Study mode 要二選一
截至 2026 年 9 月 2 日，ChatGPT 的 Study mode 可分步引導、檢查理解、逐題測驗與使用上傳資料；官方也提醒，它有時仍可能直接給答案，而且不能取代教師、教材或學校規範。Study mode 說明
產品上還有一個容易踩到的限制：Study mode 目前不適用於 Project conversations；Projects 雖能集中聊天、檔案、instructions 與專案記憶，但不能在其中開啟 Study mode。Projects 說明
因此有兩條最小路徑：
- 想用內建 Study mode：在一般對話學習，課後把兩份狀態文件另存；
- 想用 Projects 集中教材與跨對話 context：把上面的教學契約放進 project instructions，自己執行同一套驗證規則。
不要同時再建第三套資料庫。無論選哪條路，真正的 system of record 都應是你能讀、能修正、能帶到別的工具的進度檔，而不是模型聲稱「我記得」。
這套流程的邊界
AI 可以降低啟動成本、提供即時回饋與生成新題，但不是所有學習都適合單獨完成。UNESCO 的生成式 AI 教育指南強調人本、年齡適用與教學設計驗證，也提醒資料隱私仍是實際風險。UNESCO 指南
涉及實驗操作、臨床判斷、危險設備、受監督實習、情感支持或高風險專業認證時，AI 只能是輔助。課程、考試、學校與公司的 AI 使用規範也優先於這份流程。
研究本身仍在演進。OpenAI 2026 年公布的 300 多名大學生隨機研究初步結果中，Study mode 在微觀經濟學有實質提升，在神經科學則未能與傳統線上資源區分；完整分析尚未結束，長期效果也是研究重點。研究說明因此比起問「AI tutor 有沒有用」，更準確的問題是：對哪個人、哪個科目、哪種教法、用什麼延後測驗證明有效？
結語：讓 AI 教，但把結業權留在證據手上
把 AI 變成私人家教，不是賦予它一個角色名稱，而是限制它如何教、何時能提示，以及誰有權宣告通過。
目標卡固定終點，教材核對限制來源，起點診斷避免亂猜，引導練習保留思考，新題驗證區分「看懂」與「會做」，兩份進度文件則讓下一次對話能從事實接手。
AI 可以負責大部分即時教學互動；「真的學會了嗎」仍要由沒有洩題的新任務、可核對的評分標準，以及學習者自己的作答決定。