我们如何让 AI 更好地支持我们自己学科中的学习？

本页是英文页面的机器翻译，尚未经母语者审校。

一个通用模型会乐于替学生回答问题，而它对你的课程、你的量表、你的学生实际犯的错误一无所知。弥合这一差距通常被框定为一个训练问题。而在本知识库中，它主要是一个接地与提示问题，支持这一排序的证据异常直接：一项课程助手研究发现，检索而非模型，才是第一阶决策，而一个没有接地知识的通用模型得分低于朴素的 TF-IDF 基线。

训练是真实存在的，有时也是必要的，但它是第三或第四件该尝试的事，而不是第一件。下面这架阶梯，按照避免浪费算力的顺序排列。

简版

共有五个杠杆，按成本与投入递增排列：提示、对你自有材料的检索、参数高效适配（LoRA 及类似方法）、完全微调，以及带偏好或奖励信号的后训练。每一级都比下一级需要更多数据、更多算力和更严格的评估纪律，而除非有测量结果证明需要向上攀爬，否则每一级都是更糟糕的首选。

研究文献报告的主要是这架阶梯的顶端，这就是为什么人们容易伸手去训练，而接地本已足够。

第 1 步：取得一个你真正能超越的基线

在改动任何东西之前，先记录一个朴素提示能得到什么。然后记录一个平凡方法能得到什么，因为那个数字才让你保持诚实。

课程知识库助手研究值得为这一点单独一读。一个无检索的本地 LLM 达到 52.3% 的准确率。一个 TF-IDF 基线——一种有几十年历史的词法方法——达到 55.4%。模型比经典方法更差。

如果跳过这一步，你就无法判断你的微调是否有帮助，并且可能上线一个连关键词搜索都能打败的东西。

第 2 步：把模型接入你自己的材料

在课程材料上加入检索增强生成，完全不做微调，就把同一个系统从 52.3% 提升到 66.6%。就成本而言，这是本知识库报告的最大单项收益，而且它是可逆的：当文档变化时，你重建索引而不是重新训练。

另外两个结果指向同一方向。一项针对定制 写作教学 AI 的 PRISMA 综述覆盖 23 项实证研究，发现提示工程占主导（N = 13），领先于微调（N = 7）（Customizing AI for writing pedagogy: a systematic review of pedagogical goals, theoretical principles, and technical design）。而在知识库必须保持最新的场合，检索是唯一无需重跑训练作业就能保持最新的杠杆。

检索也有它的教学法形式。把模型接入你自己的例题和量表，是它留在你设计的支架之内、而不是漂移到泛泛建议的方式。

第 3 步：针对量表工程化提示

提示工作不是你在等待训练期间做的前奏。这里有两个结果展示了它自身能达成什么：

• 迭代共同精炼的量表引导提示，把学生设计作业上的 LLM—人类一致性从 54.75% 提高到 81.25%（Cronbach's Alpha 0.393 → 0.798），完全没有微调（From evaluation to emulation: LLMs as agents of iterative pedagogical design）。
• 一个基于文献的定制提示，在 0.98 的存在率上引出目标数学关于 AI 的误解，而宽泛提示只有 0.40（Integrating ChatGPT in Mathematics Teacher Education: AI-Based Simulation Role-Playing to Support Practice-based Teaching）。

实践中的信号是平台期。在题目生成研究中，迭代式提示精炼停止带来改善，随后在优化后的提示上微调 GPT-4.1 补上了剩余的收益（How to Train Your Dragon: Evaluating Prompting and Fine-Tuning for GPT-Based Item Generation in L2 Listening Assessment）。真正做过提示工作之后出现的平台期，是你判断训练可能有所补充的证据。在撞上平台期之前就伸手训练，是猜测。

第 4 步：当目标稳定且具体时，适配模型

当你需要模型可靠地保持某种属性时——一个阅读水平、一种输出格式、一个它缺失的领域——适配才有回报。反复出现的结果是：瞄准胜过规模。

• 三个 8B 模型在专家设计的儿童阅读课程上微调，在难度相关指标上超越了零样本的 GPT-4o 和 Llama 3.3 70B，安全问题可忽略。作者将此表述为可控性胜过规模（Children's English Reading Story Generation via Supervised Fine-Tuning of Compact LLMs with Controllable Difficulty and Safety）。
• 一个基于印度知识体系、含 24,795 条示例的指令数据集，产出一个在五人外部评委小组上得 6.39 分的 7B 微调模型，与一个强大的通用参考模型相差在 0.15 之内，部署成本却只是零头——而同一个基础模型未经微调时，在领域特定维度上得分接近零（IKS-Instruct: A 24,000-Example Multilingual Dataset for Teaching Language Models Indian Knowledge Systems）。"大体胜任"与"在此胜任"之间的这道鸿沟，就是领域适配的全部理由。
• 单个 LoRA 适配器在约 3,900 条汇集的人工评分示例上训练，把五个小型开放模型（4B–30B）提升到在两场计算机考试中与人类评分者持平或更优（Where LLM Graders Succeed and Break: Evidence from Two Computer-Science Exams）。一个适配器、一个数据集、数个基础模型：这才是小团队真正能运行的部署形态。

注意标题里稳定这个词。格式、量表、阅读水平与领域词汇是稳定目标。充满判断的散文则不是，而适配正是在那里失败的。

第 5 步：改变它的行为方式，而不只是产出内容

适配教模型产出什么。后训练教它如何行动，而对辅导而言这一区分正是全部问题所在：通用模型被按"有帮助"的人类偏好做后训练，那意味着及时作答，而教学需要保留答案。

最强的教育结果就住在这里。EduQwen 的奖励模型明确优先引导式回答而非直接答案，其三阶段流水线在 CDPK 基准上达到 96.52%，对照 Gemini-3 Pro 的 90.55%（Application-Driven Pedagogical Knowledge Optimization of Open-Source LLMs via Reinforcement Learning and Supervised Fine-Tuning）。SWIM 的写作模拟器在全部特质与提示上，从量表接地的提示（最佳 QWK 0.577）到监督微调（0.474 ± 0.023）再到强化学习（0.618 ± 0.005）（SWIM: Student Writing Simulation via Proficiency-Conditioned Generation）。

这一领域有一项发现容易错过却忽视不起：监督质量胜过监督数量。指令微调模型只有在步骤级解题轨迹上训练时，才学会代数迷误概念；仅用最终答案训练时，准确率在每一个数据量上都低于 30%（Misconception Acquisition Dynamics in Large Language Models）。如果你的训练示例是"问题—正确答案"对，你训练的就是错的东西。

当适配模型不起作用时

这是热情通常会跳过的那部分。

• 充满判断的文本。 在 WrAFT 中，同一个项目为评分作文微调成功（QWK 0.84），为反馈微调却产出被截断且无法解析的输出，而直接提示 Claude 3.7 产出了教师评价最好的反馈（WrAFT: a Modularized Automated Writing Evaluation System for Argumentative Essays）。微调教会了模型命中分数，却没有教会它写作。
• 规模不是 LoRA 适配下下游表现的可靠预测因子，而完全相同的超参数在不同架构上产生了性质不同的行为（AiAWE: An Open-Source LLM Automated Writing Evaluation System Using LoRA-Adapted Instruction-Tuned Models）。在一个模型上奏效的配方不是配方。
• 架构可能比参数量更重要。 在 1,000 张带字幕的核工程图像上微调三个开放文生图模型，显著改善了 Stable Diffusion XL，对 SD-v3.5-Medium 收益有限，对 Flux.1 则完全没有可测量的改善（NuclearDiffusion: Text-to-Image Foundation Models for Learning Nuclear Energy Concepts）。
• 有时答案是验证而不是训练。 一个未经训练的前沿 GPT-4 在撰写辅导反馈时产生约 35% 过于笼统、不正确或泄露答案的提示，而其自身的自动质量检查与人类判断不一致（Generating In-Context, Personalized Feedback for Intelligent Tutors with Large Language Models）。

实践中需要什么

就适配这一级而言，门槛比多数团队以为的更低：几百到几千个示例和一块 GPU。LoRA 训练少量新增参数并冻结基础权重，因此多个模型可以共享一个适配器提供服务。

Rank 是一个权衡，而不是一个该最大化的旋钮：每百万适配器参数的收益随 rank 上升而单调下降，课程级对齐是一个关于规模与 rank 的决策，而不是免费的升级（LoRA Fine-Tuned Models for Control Systems Course Q&A: A Multidimensional Evaluation of Model Scale and Rank Effects）。你适配哪些层也是一个真实的选择——只更新基于 BERT 的语篇分析器的最后四个 Transformer 层，同时击败了只调顶层与全深度微调两种方案（Automatic discourse relation classification and feedback optimization in English teaching based on transformer BERT model）。

容易被低估的成本是评估，而不是算力。参见 如何判断一个教育 AI 是否真的有效，而不只是分数好看？

校准你的预期

模型与提示的选择合起来只占 LLM 与学生学习收益之间错位的约 15%，而在该研究中，基准加权与全票通过式的集成让对齐更差（Knowledge without Wisdom: Measuring Misalignment between LLMs and Intended Impact）。预训练数据是模型行为的主导杠杆，也是你无法拉动的那个杠杆。

这不是反对上述工作的论据，而是反对期待微调修好一个设计问题的论据。如果你的辅导器作答过于轻易，训练或许能解决。如果你的学习者不与它互动，训练不能。

简短的决策顺序

1. 记录一个纯提示基线，包括一个平凡基线。

2. 在你自己的材料上加入检索。

3. 针对你的量表迭代地工程化提示，并留意平台期。

4. 当目标是稳定的格式、量表、水平或领域时，用 LoRA 适配模型。

5. 只有当你需要改变它如何行动时才做后训练，并把奖励对着基准来写，因为它会被钻空子。

6. 在步骤级监督，而不是答案级。

7. 在置信度低的地方把人留在回路中。

8. 在整段对话上测试安全性，而不是单个轮次。

相关问题

• 我们如何训练 AI 辅导器引导学生，而不是直接回答他们？ — 后训练那一半的详细展开
• 如何判断一个教育 AI 是否真的有效，而不只是分数好看？ — 如何判断上述任何一步是否奏效
• 开发一个有效的 AI 辅导器有哪些最佳实践？ — 同一目标的交互设计一面
• 设计有效的教育 AI 软件有哪些最佳实践与建议？
• LLM 训练与微调 — 完整的概念页面