企业官网建设流程全解析

如果你和我一样，每周至少有十个晚上都在干同一件事——把教材上的知识点“翻译”成学生能听懂的话，那这篇就是写给你的。我用了 ChatGPT 简化教学大概一个月，最直观的变化是：备课的初稿时间从两三个小时压到了四十分钟，出题从“憋半天凑不齐一组变式题”变成了“批量生成再人工挑错”。这篇是系列第一篇，先讲最核心、也是收益最明显的部分：怎么把 ChatGPT 接入备课、出题和讲义生成这条主链。我会把提示词模板直接给出来，也会解释每句提示词背后的逻辑，方便你按自己的科目调整。

不过先说清楚一个前提：ChatGPT 不是用来替你上课的，也不是让 AI 直接写一份“看起来像那么回事”的教案然后你照念。它真正擅长的是把教学里那些重复性高、结构化强、靠拼贴和重组就能完成的工作接过去——比如把一个知识点拆成教学步骤、把一道例题改造成同构变式题、把零散的课堂记录整理成整齐的讲义。这些事不涉及对学生的情感判断，也不需要真实的教学现场经验，恰恰是 AI 最可靠的地方。判断用什么例子、怎么组织课堂互动、哪个学生卡在哪个环节，这些仍然是教师的核心工作。

1. 教学场景里，ChatGPT 到底该放在哪个环节

1.1 我梳理的教师日常任务清单

动手之前，我先把自己一周的工作摊开来看了一遍。教师工作看起来是“上课”，实际上被大量隐性劳动塞满：备课要查资料、设计导入、编排练习；课件要做结构；作业要出题、批改、反馈；课后还要答疑和整理错题。我按“是否适合交给 AI”给它们分了类，结果是这样的：

这个分类给了我一个很重要的启发：教学里最耗时的往往不是“讲课”本身，而是讲课前的翻译工作。同一个知识点，你怎么把它从教材语言转成学生能接受的语言，才是备课的核心成本。而“翻译”恰恰是 ChatGPT 这类大语言模型最擅长的事。它不擅长的是编造全新的教学法，但它特别擅长在你给出的框架里做结构化的内容重组。

1.2 用 ChatGPT 提效最明显的四类任务

基于上面的分类，我实际用下来，提效最明显的是下面四类任务。排第一的是把知识点拆成“从旧知识到新知识的台阶”。数学里讲一元二次方程，学生先要有因式分解和一元一次方程的基础；物理里讲力的合成，学生得先理解力的图示。这个“台阶”是可以拆出来的，每级台阶包含一个旧知识锚点、一个新概念、一个用来确认学生是否跟上的检查问题。这类任务以前靠脑补，现在用模板就能批量做。

第二类是把单个例子改造成同构多例，也就是变式训练。教材上通常只有一道标准例题，但学生需要至少三道同构题才能真正掌握。以前我会手动改数字、改情境、改设问方向，现在让 AI 按我的要求生成三个变式，我再人工检查有没有超纲。这省掉的是最机械的那部分时间。

第三类是按难度标签批量出题。这个后面会专门讲，核心是给 AI 一个可操作的“难度锚点”，而不是模糊地说“出简单一点”。第四类是把杂乱的备课笔记整理成结构化讲义——我经常在纸上写一堆零散想法，扔给 AI 让它按“目标-导入-讲解-练习-小结”的框架整理，它做得比我自己打字快得多。

1.3 容易被忽视的前提：先教会 ChatGPT“认识你”

很多人用 AI 备课，是打开对话框直接说“帮我设计一堂三角函数课”，然后对结果不满意，就认定 AI 没用。其实问题不在于 AI，而在于它根本不了解你的教学场景。你不知道你面对的是高一学生还是高三复习，不知道你习惯先讲概念还是先讲例题，不知道你输出格式是要逐字稿还是要点式讲义。它只能按平均水准给你一份“放之四海而皆准”的东西。

我的做法是花五分钟写一段“教师设定”，在每次开启一个新备课任务时先发过去，然后再进入正题。你可以把它理解成 AI 的“工作简历”。下面是我自己用的版本，你可以直接复制修改：

你是一位有十年教学经验的【高中数学】教师，目前带的班级是【高二年级，中等偏上水平】。 你的教学风格是： 1. 先给一个生活化类比帮助学生建立直觉，再讲严格定义； 2. 讲完每个知识点后，必须设计一个至少 30 秒的课堂停顿问题，用于即时检测学生是否跟上； 3. 所有输出使用简体中文，术语准确，避免长难句。 你在输出教案时遵守以下规则： 1. 每份教案包含：教学目标、知识台阶拆解、例题、变式题、常见错误预警； 2. 例题和变式题必须标注难度和预估用时； 3. 禁止输出模糊的、不可执行的教学建议（比如“引导学生思考”这种话）。

这个设定的作用是把“你会怎么上课”这个上下文一次性交代清楚，后面每轮对话 AI 都会自动带上这些约束。实测下来，加了这段设定之后，AI 生成内容的可用率至少提高一半。花五分钟写入，省下的是后面每轮对话反复纠正的时间。

2. 一套能直接用的备课提示词模板（附改写逻辑）

2.1 课题拆解提示词：把“教这个知识点”变成五个步骤

很多老师备课的第一步是“想清楚这节课的推进逻辑”。以前我在这一步最容易卡住——知识点就摆在那，但怎么把它拆成一节 40 分钟课的节奏，靠的全是经验和感觉。AI 虽然不懂你的课堂，但它见过大量教学结构，可以帮你生成一个供参考的骨架。我的拆解模板是这样的：

我正在备【课题名称】这节课，授课对象是【年级+水平】。 请帮我完成以下任务： 1. 把这个知识点拆解成 5 步教学台阶，每一步包含： - 旧知识锚点：学生已经学过、能和本步建立连接的旧知识； - 新概念引入：本步需要讲清楚的核心概念，不超过 2 句话； - 检查问题：一个用于在课堂上即时提问、确认学生理解的问题。 2. 在 5 步台阶之外，额外列出学生最容易卡住的 2 个地方，并给出对应的处理方式。 3. 所有内容用要点式输出，不要写成完整段落。

我解释一下每一行的用意。为什么强调“旧知识锚点”？因为认知心理学里有个基本结论：新知识必须挂靠在已有的知识结构上才能被有效吸收。很多新课讲得失败，不是新知识太难，而是旧知识没有提前激活。让 AI 显式列出旧知识锚点，等于逼着它在设计时先想“学生从哪里来”，而不是“我要讲什么”。

为什么强调“检查问题”？因为课堂讲授最怕的就是你讲得行云流水，学生听得云里雾里。检查问题不需要多复杂，可以是“用你自己的话说一下，这个公式里的 b 代表什么”。关键是每个知识台阶后必须有一个，让课堂节奏自然形成“讲-查-讲-查”的循环。

2.2 学情分层提示词：同一个知识点生成三个版本

一个班里的学生水平从来不是均匀的，但备课时间不允许你给每个层次的学生单独准备一套方案。AI 在这里最大的价值是低成本地做“同一知识点的多版本”。我的模板是在拆解步骤的基础上加一个“难度分层”指令：

针对【知识点名称】，请分别生成三个教学版本： 版本 A（基础版）：面向基础薄弱的学生。 要求：用最生活化的类比引入；只讲一个核心概念；只配一道示例题。 类比必须来自日常生活，不能来自抽象数学情境；不出现任何超纲术语。 版本 B（标准版）：面向中等水平学生。 要求：在概念引入后加入一步推导过程；配两道练习题：一道模仿例题，一道稍作变式。 版本 C（进阶版）：面向学有余力的学生。 要求：加入一个需要逆向思维或综合运用的问题；问题设计要考察概念的本质而非机械计算；给出提示但不要直接给完整解答。

这个模板我用得很多，尤其是复习课前的分层学案。实际使用时要注意：AI 对“基础薄弱”的理解可能是“把句子写短一点”，不一定会真正把认知负荷降下来。所以我在版本 A 里额外加了一条硬性要求——类比必须来自日常生活且不能出现超纲术语。这相当于逼着 AI 在“做减法”。宁可它给出的版本 A 简单到有点幼稚，也比它的“简化版”仍然默认学生知道很多概念要好。

2.3 逐字稿/讲稿提示词：从骨架到能直接开口讲的话

有了教学台阶，下一步就是把它转成“你能直接拿着上课堂说的话”。这一步我以前是最痛苦的——脑子里有结构，但组织语言费时间。让 AI 生成逐字稿的意义不在于你照着念，而在于它帮你完成口语化转写，你再按自己的语言习惯修改。

根据以下教学步骤生成一份课堂讲稿： 【粘贴上一步生成的 5 步教学台阶】 要求： 1. 口语化，像老师在课堂上真实说话，不要书面语； 2. 每个知识点讲完，加入一句“停一下，我们花 30 秒想一个问题”，然后接上对应检查问题； 3. 每讲到关键结论时，用“注意”开头提示学生记录； 4. 总长度控制在 15 分钟内讲完，用【段落分隔】标出自然停顿点。

生成之后我不会直接拿去用，而是把它当“半成品”再过一遍：哪些类比学生可能有歧义，哪些停顿点位置不合适，哪些地方以我对这个班的了解需要补一个例子。AI 生成的讲稿解决了“怎么开口”的问题，而“还能怎么更好”仍然需要你判断。这个过程比我完全从头写要快得多，而且它给出的口语化版本经常会冒出一些我想不到的类比角度。

3. 出题与讲义生成：如何控制难度和格式

3.1 控制难度的“难度锚点法”

出题是最容易让 AI“露馅”的环节。你让它“出五道中等难度的题”，它会给你五道看起来差不多、实际上要么过于简单要么难度失控的题。根本原因在于：“中等难度”对 AI 来说是一个没有操作性的模糊词。它不知道你的班级平均分是多少，不知道哪类题学生容易错，更不知道你说的“中等”是相对教材习题还是相对考试真题。

我后来摸索出一个办法，叫“难度锚点法”——不给 AI 形容词，给它可操作的量化指标。比如：

请出 5 道【知识点】随堂练习题，难度要求如下： 1. 第 1-2 题：学生读完题 30 秒内能在脑中口算完成，不需要动笔； 2. 第 3-4 题：需要动笔做 2-3 步中间计算，但每一步都是单一知识点； 3. 第 5 题：需要两步推理，其中第二步用到的知识是前四题中某题的结论。 4. 每道题标注：难度星级、预估用时、涉及的唯一核心知识点。

“30 秒口算”“2-3 步中间计算”“用上一题的结论”——这些才是可执行的难度描述。AI 不理解你的学生，但它理解“步骤数量”和“推理链条长度”这些客观指标。用这种方式出题，即使它出的题有不合适的地方，你调整起来也很快，因为难度分布是可控的。

3.2 格式控制与 Markdown：让 AI 输出能直接使用

控制难度之外，第二个痛点是格式。AI 默认输出的是完整段落或编号列表，直接复制进 Word 往往乱成一团。我的做法是在提示词里强制要求它用 Markdown 表格和代码块围栏输出。这样生成出来的题目自带结构化标签，复制到任何编辑器都能基本保留格式。

输出格式要求（严格遵守）： 用 Markdown 表格输出如下字段： 题目编号 | 题干 | 选项 A-D | 正确答案 | 解析 | 知识点标签 | 预估用时 | 难度星级 如果题目是主观题，“选项”字段填“无”，答案字段填评分要点。 解析必须单独一行，控制在 50 字以内。

我用这个格式批量出题后，直接把表格粘贴到在线文档里就能排版成学案。小技巧是让 AI 在同一轮里把五个题一次性按表格输出，比让它一题一题输出省力得多——表格格式只要在第一次声明，后面它会自动沿用。注意要强调“每个表格之间用空行隔开”，否则连续多个表格粘到 Word 里容易粘连。

3.3 通过“一轮反馈+二轮修改”把 AI 当助教

一次生成就满意的概率很低，这不说明 AI 不行，而是你的“第一次要求”和真实需求之间总会有差距。正确的做法是把对话当成和学生交流一样：先让 AI 产出第一版，然后给它具体反馈，让它改。我常用的反馈模板有三类：

• 难度调整：“把第 3 题改简单一点，去掉文字游戏式陷阱，改成直接计算。”
• 内容调整：“第 7 题的解析写得太抽象，改成一个具体计算过程；第 2 题换个情境。”
• 整体调整：“整套题偏容易，因为这是巩固课不是新课。请把最后两题升级为需要两步推理的综合题。”

我踩过的坑是：反馈时用模糊表述“感觉不太对，你优化一下”。这样 AI 只会做表面润色，不会改实质内容。给它的反馈必须包含“改哪里”和“朝什么方向改”两个要素。它就像一位没上过你的课但很听话的助教，你交代得越具体，它干得越好。

4. 结构化输出：让 AI 生成内容直接进入课件/讲义

4.1 用固定输出模板与批量生成，减少对话轮次

用 AI 备课最浪费时间的其实是“对话本身的次数”。每多一轮来回，你就多等一次生成时间。我发现效率最高的方式不是让 AI 一项项交付，而是用一个“批次指令”同时完成多个紧密相关的任务。比如，我把“课题拆解 + 目标陈述 + 导入设计 + 两份随堂练习 + 小结”放在同一个提示词里，让 AI 一次性输出一份完整讲义草案，再针对不满意的局部修改。

另一个减少轮次的技巧是使用固定的输出模板。如果你的 AI 每次都按同一种结构输出讲义，你就能形成习惯性的“提取动作”——哪里是教学目标，直接复制；哪里是例题，直接粘贴到课件；哪里是常见错误预警，可以转成板书要点。模板会形成肌肉记忆，长期下来比每次重新阅读 AI 的“自由发挥”要快得多。

4.2 分章节输出，而不是生成整章长文

我一开始有过一个天真的想法：让 AI 直接生成一份“三角函数全章讲义”。结果它生成了很长但很混乱的内容，中间的知识点跳跃严重，有的地方重复，有的地方漏掉。教训是：AI 不适合一口气生成长文本，尤其不适合生成需要有严谨递进关系的教学材料。

后来我改成“一次只生成一个知识点，最后再合并”的策略。一个知识点一个对话轮次，生成完先检查这个知识点的完整性，确认没问题再进入下一个。全部完成后，用一条合并指令让 AI 把各个片段按我指定的章节顺序拼接成完整讲义。虽然看起来麻烦，但在质量稳定性和调试效率上远远超过一次性生成。还有一个额外好处：分知识点生成时，我更方便对某个知识点单独修改，而不影响其他部分。

4.3 从讲义到课件大纲的两步转换法

讲义做完后，下一件事是把它转成 PPT 大纲。以前的流程是打开 PPT 一页页打字，现在我可以让 AI 先用两分钟完成大纲提取。提示词是这样的：

请根据以下讲义内容，提取一份可用于制作 PPT 的大纲： 【粘贴讲义内容】 要求： 1. 一级标题对应每一页幻灯片的标题，用简短短语，不超过 8 个字； 2. 二级要点对应页面中的 bullet 内容，每条不超过 15 个字； 3. 页面底部用“备注：”标记本页需要口头展开的细节； 4. 输出格式为 Markdown 大纲，不要输出完整段落。

得到大纲后，把它贴到 PPT 的“大纲视图”里，再逐页微调排版。这个流程省掉的是“打字把内容搬进 PPT”的时间，保留的是你对页面结构的设计和取舍。从我个人的经验看，一份 15 页的课件，用这个方法可以把搭建时间从一小时压缩到二十分钟左右，剩下的大部分时间是在调格式和补图，而不是在逐字敲内容。

5. 实践中最容易翻车的四个场景与排查思路

5.1 AI 一本正经地编造内容：幻觉检测清单

用 AI 辅助教学，最危险的不是它拒绝回答，而是它用非常自信的语气给出错误信息。这个在行业里叫“幻觉”。我做高中物理的一个同事遇到过 AI 在一道运动学题里编造了一个不存在的物理常量，还有一次 AI 把单位换算错了一位，但整个解题过程看起来极其顺畅，几乎以假乱真。

我的应对办法是建立一套“幻觉检测清单”：

1. 凡是 AI 输出中涉及具体数字、年份、公式推导、标准名称、人名定理的，必须人工核对教材或权威资料；
2. 把 AI 给出的关键结论反喂给 AI 自己，要求它“请检查上一条回答中所有数值和公式是否正确”，这能触发它的自我纠错；
3. 更稳妥的做法是：只让 AI 做“重组知识”的工作，而不是“生成新知识”的工作。重组知识的过程中它只是在翻译你提供的材料，幻觉空间小得多；让它凭空生成数值，幻觉空间就大得多。

我给自己的底线原则是：AI 出初稿，教师定终稿。涉及关键数据、公式推导、标准定义的，教师必须亲自过目。

5.2 输出内容“永远正确但空洞”：切换具体性模式

另一种翻车方式更隐蔽：AI 生成的内容看起来全是正确的话，但你根本没法直接用。比如“加强学生对函数概念的理解”“培养逻辑思维能力”这种——它们没有错误，但没有任何操作价值。我发现出现这种情况，往往是因为提示词里包含了太多抽象词，而 AI 的默认输出风格就是“正确但泛泛”。

解决办法是强制要求它进入“具体化模式”。发这样的补充提示：

刚才的生成内容太笼统，请重新生成。 这次的要求是：每一条建议都必须包含一个可直接使用的课堂操作，格式为“在什么环节，做什么动作，预期学生出现什么反应”。如果无法给出具体反应，就说明你的建议需要重新设计。

我实测下来，“学生可能出现的反应”是让 AI 从空转切换到实打实的最有效关键词。一旦它必须描述学生动作，它就没办法只说漂亮话了。老师在课堂上再怎么灵活，备课时的内容都必须落到一个个具体的操作点上。

5.3 “无法加载 config.toml”报错，导致对话无法继续的修复记录

用了一段时间之后，我在桌面客户端遇到过一个很烦人的问题：打开客户端准备继续昨天的备课，结果直接弹窗提示“无法加载 config.toml，因此此对话串无法继续”，后面还有一句要我去修复 config.toml 里的 model 字段。整个对话串卡死，之前存的提示词模板都看起来打不开。我当时的处理链路是这样的，你也可以参考。

第一步，先确认报错指向的是配置文件。这个文件是客户端本地保存的配置文件，不在云端，格式是 TOML，打开后会看到里面有模型名称、接口地址、一些开关选项。第二步，找到这个文件的存放位置。不同客户端的路径不同，但通常都在当前登录用户目录下的 App 配置文件夹里，Windows 一般是%APPDATA%下某个子目录，macOS 一般在~/Library/Application Support下。如果你找不到，可以直接在系统的文件搜索里搜config.toml文件名。

第三步，打开文件检查model字段。我遇到的情况是这里填写了一个不存在的模型别名，客户端启动时校验不通过，直接拒绝启动。我先把原文件复制一份做备份，然后把 model 改成当前可用的标准模型标识，保存文件后重新启动客户端，对话就恢复正常了。第四步，如果你不想手动改，也可以把疑似出错的配置项直接注释掉——TOML 里用#注释——让客户端用默认值启动。注意：改完如果仍然报错，优先考虑是新版客户端改了配置格式，去更新到最新版本通常能解决。

这里要提醒一句：改动任何配置文件之前，先备份原文件。我备份的习惯是复制一份并改名成config.bak.toml。另外，不要用记事本之类的编辑器在 Windows 上乱改行尾，会导致解析错误，建议用支持 TOML 语法高亮的编辑器，改完保存为 UTF-8 编码。

5.4 一直“卡在处理中”与桌面版打不开的轻量排查

另一个高频问题是：发送消息后一直转圈，显示“处理中”好几分钟没反应；或者客户端能打开但页面一直白屏。这类问题大多跟本地缓存状态和登录态有关。按照我自己的排查顺序，从轻到重分别是：

1. 先等两分钟。长文本生成偶尔会慢，尤其是让 AI 一次性生成长讲义时。我后来习惯把大任务拆成小任务，生成会快很多，也不容易卡死。
2. 重启客户端或刷新页面。有时候只是会话状态卡住，退出重进就能恢复。
3. 确认登录态是否过期。长时间没使用，登录态可能会失效，退出账号重新登录即可。
4. 清理客户端缓存。在设置的存储选项里找到清理缓存，清理后重启。这一步能解决大部分“打不开”“白屏”问题。
5. 更新到最新版本或重新安装。如果在清理缓存后仍然异常，一般是客户端版本的问题，去官网下载最新版覆盖安装。重新安装前，确认本地配置和数据已备份。

我不建议一遇到问题就重装，因为有些配置会丢，反而更麻烦。按上面从轻到重的顺序排查，大多数情况在前三步就能解决。

5.5 邮箱收不到验证码的常规处理思路

注册新账号时“邮箱收不到验证码”是一个非常影响情绪的卡点。遇到这种情况，我通常是按这个顺序排查的：

1. 先看垃圾邮件箱。很多邮箱服务会把自动发送的验证邮件误判为垃圾邮件，这是最高频的原因；
2. 等 10-15 分钟再点一次“重新发送”。有的系统发送频率受限，短时间内多次点击反而会触发拦截；
3. 检查邮箱地址本身有没有拼写错误，尤其是域名部分；
4. 换一个常用邮箱重新注册试试——企业邮箱有时会屏蔽自动发送的邮件，个人常用邮箱的成功率更高；
5. 如果以上都不行，就暂停尝试，隔天再继续，频繁操作有时会触发风控。

这个问题的关键不在于“怎么绕过验证”，而在于耐心排查常规路径。我一直不建议用非常规方式解决问题，一方面风险大，另一方面一旦账号出问题，里面存的教学资料找不回来，损失更大。

6. 第一周的落地路线图

6.1 先选一门课做试点，不要全面铺开

很多老师第一次用 AI 备课，恨不得所有科目所有年级同步上。我的建议恰恰相反：前两周只选一门课、一个固定课型做试点。选那一门你每周都要准备、重复性最高、最让你头疼的课，把上面这些模板先跑一遍。这个选择很重要——如果选的是一门不常教的课，你连基本的判断标准都没有，很难判断 AI 输出的质量。

第一周我给自己的计划是这样的：

我最大的心得是：不需要一开始就把所有提示词模板全部用上。第一周只用两三个模板，跑通一个完整的备课闭环，比每个环节都浅尝辄止有效得多。先看到“从拆解到出题到讲义”全流程跑通，建立信心，再逐步扩大使用范围。

6.2 建立一个提示词存档表，记录哪些有效哪些无效

用了两周之后，你手里会有十几个提示词模板，但其中真正好用的可能只有五六个。如果不记录，下周你会发现自己还在用同样的方式“重新探索”一遍，非常浪费。我建议从第一天就建立一张存档表，字段包括：适用环节、完整提示词、你的学科、使用次数、效果评分、修改记录、失败原因。

这个表的核心价值不在于保存提示词本身，而在于保存修改痕迹。比如我第一次用的变式题提示词没加“必须包含一个文字陷阱选项”这一条，结果生成的题全是直来直去。记下这次修改，下次就不会再犯错。提示词是有生命的工具，它会随着你对 AI 能力边界的理解而演变。没有存档表的提示词库，本质上是靠记忆工作，摸过一段时间就丢了。

等到积累了两到三周的存档记录，你就能清楚地看到自己在哪些环节真正省了时间，哪些环节反而因为反复修改更耗时。这一步很重要，因为有些工作其实不适合 AI 化。我从记录里发现“课后答疑话术”这个环节用 AI 生成效率反而低，因为学生的问题太具体，AI 给不出针对性的回答。于是我把这部分回归人工，把省下来的时间花在更有价值的事情上。

6.3 我给自己定的三条边界原则

用 AI 做教学工作三个月之后，我给自己定下了三条边界，供你参考。第一条：AI 出初稿，教师定终稿。任何进入课堂的材料，哪怕是 AI 生成的，都必须经过教师的眼睛。这不是不信任 AI，而是教师对教学内容负有最终责任，这条不能外包。

第二条：涉及学生评价和情感反馈的内容不外包。作业评语、谈心谈话、学习建议——这些需要你对这个学生有真实的了解，AI 给不了。把这些交给 AI 表面上看省时间，实际是省掉了教育里最核心的“关系”成本。

第三条：学生的个人数据绝不输入 AI 对话。无论是成绩单、作业内容还是其他个人信息，都不应该出现在 AI 对话里。这不是技术问题，是职业伦理的底线。无论多方便，这条线不能破。

有了这三条边界，再用 AI 备课，你会发现自己不是被工具推着走，而是很清楚地知道哪里该用工具、哪里该自己来。我自己的体会是：AI 真正简化教学的方式，不是让你从 10 小时变 1 小时的那种魔法式缩减，而是把 10 小时里最机械的 3-4 小时切掉，让你把省下来的精力放到真正需要教师判断的地方。这些提示词模板和排查思路，就是我在这个系列第一篇里想分享的全部内容。下一篇我会接着写作业批改和课后答疑这两个方向，到时候见。