让不懂建站的用户快速建站，让会建站的提高建站效率！
一位从初中物理教师转型AI居品司理的本质者，用两天时分打造了一个能会诊学生物理念念维失误的AI系统。没巧合间布景、莫得工程师营救，仅凭教学教授和尽心缠绵的Prompt，他得胜构建起掩饰力学、光学等章节的失误成见学问库，并在压力测试中发现了白话化表述、规模场景处理等缺陷问题。这篇著述揭示了规模学问在AI居品中的中枢价值，以及如何通过主动测试发现真实问题。
我是别称初中物理教师，教了四年书，当前在转行作念AI居品司理。
两天前，我决定不再仅仅”学习AI居品”，而是获胜动手作念一个。
这篇著述记载我这两天作念了什么、发现了什么、踩了哪些坑。没巧合间布景的东说念主也能看懂，因为我我方也没巧合间布景。
我想措置一个真实的问题教了四年物理，有一件事一直困扰我：我知说念班里某几个学生”没听懂”，但我说不清醒他们到底卡在那里。
他们能背公式，能作念苟简题，但一遭遇需要真是理解成见的题目就崩掉。传统的造就只可告诉我”答错了”，告诉不了我”为什么会这么想”。
而学生在课堂上的发问和回复，恰巧藏着最真实的念念维景色。比如一个学生说：
“憨厚，汽车开得越快，惯性就越大，否则为啥高速行驶时刹车要滑那么远才停得下来？”
这句话里藏着一个相配典型的失误——他把惯性和动能玷辱了。但在40东说念主的课堂里，这条信息说完就灭绝了，从来莫得被系统性地记载和分析过。
我想作念的，便是一个能分析这类对话的AI系统。
我有什么，莫得什么我有的：
四年教学教授，脑子里装着几十条学生最常犯的失误。我知说念学生在讲”惯性”时最容易说出什么失误，在讲”浮力”时最常见的污蔑是什么。这些东西是任何AI工程师齐莫得的。
我莫得的：
不会写代码，莫得工程师，莫得工作器，莫得预算。
就这两样东西，我运转了。
我作念的第一件事，不是搭系统，不是学时间，而是大开一个文档，把我顾虑中最典型的学生失误场景写下来。
行径很苟简：
我写了10条，掩饰了参照物、摩擦力、均衡力、浮力、光学等章节。
这10条场景数据，其后成了所有这个词这个词系统最中枢的东西。它们同期饰演了三个变装：测试集（用来判断系统会诊得准不准）、学问库种子（让系统知说念学生最常犯哪些错）、需求文档（告诉系统应该输出什么行径的恶果）。
第二步：用Prompt模拟所有这个词这个词系统莫得工程师，莫得代码，我用的是最苟简的神情——获胜给大模子写一段凝视的提示（Prompt），让它饰演”物理学情会诊群众”的变装。
Prompt的中枢结构是这么的：
学问库节录：把我写的失误成见库浓缩成几十行笔墨，告诉模子”学生最常犯哪些错、失误的根因是什么”输出行径要求：强制模子用JSON行径输出，包含学问点、掌持度品级、扼制点类型、指引问题等字段推理要求：要求模子必须按三步输出推理进程，不行获胜给论断然后我把学生对话粘贴进去，看系统输出什么。
第一条测试的输出让我以为这个标的是对的：
学问点识别准确，扼制点判断正确，指引问题有真实课堂价值。
第三步：主动制造压力测试跑了5条圭臬场景之后，我莫得霸道于”系统运行平时”，而是主动构造了三种规模情况来测试系统的真实才智。
测试一：暧昧白话表述把学生原话改得更白话化：
“憨厚用了动滑轮之后嗅觉派遣多了，是不是作念的功也少了？”
恶果：系统会诊标的正确，但莫得掷中学问库里的对应条件（因为学问库里写的是”省力就能省功”，而不是”嗅觉派遣多了”）。
这涌现了一个真实问题：学问库每个条件唯有一种圭臬表述，白话化的变体会导致检索失效。
建树决策：为每个失误成见补充3~5条白话化变体。
测试二：学问库规模测试输入一个学问库里莫得掩饰的问题：
“铁块会千里是因为铁比水重，那不异分量的铁和木头，木头能浮起来是因为它比拟轻吗？”
恶果：系统莫得敦厚说”这个问题超出了我的学问库范围”，而是强行匹配了一个左近的条件，置信度给了0.85。
这是一个高风险问题。教师看到0.85的置信度会倾向于信任这个恶果，但实质上系统的会诊依据不是你构建的学问库，而是模子我方的西宾数据，无法追念和考据。
这个问题靠治愈提示只可部分缓解，根柢措置需要在工程层面加入相似度阈值过滤。这是下一阶段需要工程师来措置的事。
测试三：热情扼制识别输入一个统统莫得物理内容的表述：
“憨厚我统统不会，这章我从来就没听懂过，算了。”
恶果出乎料想识好：系统正确识别了”无法会诊”的景色，识别出了”颓废”的心理信号，并把指引战略从”学问纠错”切换成了”热情安抚+降维拆解”——
“不紧要，这说念题咱们先不看。你以为浮力这章哪个部分最难？”
这种区别才智在现存AI栽种居品里并不常见。许多居品在学生说”我不会”的时候会获胜推送学问点教悔，反而加剧阴毒。
两天下来，我作念了什么构建了一个掩饰力学、压强、浮力、光学四个章节的失误成见学问库（11个条件）写出了一个可用的会诊Prompt（迭代到v2.2版块）跑完毕13条测试（10条圭臬场景 + 3条压力测试）圭臬场景通过率：10/10（100%）发现并记载了5个已知问题，其中3个已建树输出了完好的POC精采诠释和测试数据我学到的最伏击的事第一：规模学问是最稀缺的金钱。
所有这个词这个词神情里，时间部分（写Prompt、调行径）其实不难，难的是”知说念学生会犯什么错、为什么会犯、若何指引”。这些东西来自四年的一线教学教授，不是学AI能学来的。
若是你有某个规模的深度教授，这便是你作念AI居品最大的护城河。
第二：压力测试比圭臬测试更有价值。
10条圭臬场景一说念通过，这个数据看起来很颜面。但真是有价值的发现，一说念来自3条压力测试——白话化表述的检索失效、规模场景的拒答机制不浮现、热情扼制的识别才智。
一个只在设想输入下测试的AI居品，上线之后会遭遇各式出东说念主料想的情况。提前主动制造规模情况，比比及用户反应再建树要好得多。
第三：发现问题比措置问题更伏击（在POC阶段）。
我在诠释里敦厚记载了系统当前作念不到的事：规模场景的置信度虚高问题，靠治愈提示无法根治，需要工程层面措置。
能清醒界说系统规模的居品司理，比只形容好意思好愿景的居品司理更值得信任。
接下来这个POC考据了中枢标的是可行的。下一步是把学问库推广到电学章节，同期运转评估引入真是的RAG工程框架（LangChain + 向量数据库），从”手动模拟”升级到”真是的系统”。
本文由 @YM 原创发布于东说念主东说念主齐是居品司理。未经作家许可，不容转载
题图来自Unsplash配资炒股软件-实盘平台账户权限与管理结构解析，基于CC0条约
配资炒股软件-实盘平台账户权限与管理结构解析提示：本文来自互联网，不代表本网站观点。
