提示工程架构师实战：用精准提示词重塑教育培训实验设计的5步方法论

一、引言：教育实验设计的“痛点”与AI的“解法”

你是否有过这样的经历？
作为课程设计师，你想验证“项目式学习对数学思维的影响”，却因变量定义模糊（“项目式学习”到底是“小组讨论”还是“成果展示”？“数学思维”是“逻辑推理”还是“计算速度”？）导致实验设计漏洞百出；
作为教育研究者，你花费数月收集数据，却因问卷题项表述不清（“你喜欢学习数学吗？”中的“喜欢”是“感兴趣”还是“成绩好”？）导致结果不可信；
作为一线教师，你想尝试“翻转课堂”，却因不知道如何科学对比效果（是“随机分组”还是“按成绩分班”？）而不敢贸然行动。

这些教育实验设计的常见痛点，本质上是“复杂问题的结构化拆解能力”与“专业工具的使用效率”的双重缺失。而提示工程——这门通过“精准语言指令让AI解决具体问题”的技术，恰恰能帮我们补上这两块短板。

在这篇文章中，我将结合5年提示工程架构师经验+3年教育AI项目实践，分享一套**“提示词优化教育实验设计”的5步实战方法论**。你不需要懂代码，只要会“提问”，就能用AI帮你：

• 把模糊的实验目标拆成可操作的变量；
• 生成严谨的实验方案框架；
• 设计高质量的数据收集工具；
• 快速处理数据并得到初步结论；
• 写出专业的实验报告并迭代优化。

读完这篇文章，你将掌握“用AI当教育实验设计助手”的核心能力——让AI做“重复劳动”，你做“决策判断”。

二、基础铺垫：你需要知道的两个核心概念

在开始实战前，先花5分钟理清两个关键概念，避免后续理解偏差：

1. 教育实验设计的核心要素

教育实验的本质是**“控制变量，验证因果”**，核心要素包括：

• 自变量（Independent Variable）：你要主动改变的“教学变量”（比如“翻转课堂”vs“传统讲授”）；
• 因变量（Dependent Variable）：你要测量的“学生结果”（比如“数学成绩”“学习动机”）；
• 混淆变量（Confounding Variable）：会干扰结果的“无关变量”（比如学生初始成绩、教师水平、家庭环境）；
• 实验设计类型：随机对照实验（RCT，金标准）、准实验（无法随机分组时用）、单组前后测（无对照组）。

2. 提示工程的核心逻辑

提示工程的本质是**“用人类语言给AI画‘任务边界’”**，关键技巧包括：

• 具体性（Specificity）：给AI明确的“场景约束”（比如“初二年级、人教版数学、2个班级”）；
• 结构化（Structure）：用“列表、步骤、框架”引导AI输出（比如“请按‘自变量-因变量-混淆变量’拆解”）；
• 迭代性（Iteration）：先让AI生成初稿，再用“调整指令”优化（比如“把这道题的难度从4星降到3星”）；
• 角色设定（Role Prompting）：让AI扮演“教育实验专家”，输出更专业（比如“你是有10年经验的教育研究者，请帮我设计实验”）。

三、实战方法论：5步用提示词优化教育实验设计

下面进入最核心的部分——5步实战流程。我会用“探究项目式学习对初二年级学生数学问题解决能力的影响”作为案例，全程演示提示词的设计与应用。

第一步：用提示词拆解实验目标，明确变量关系

核心目标：把“模糊的实验问题”变成“可操作的变量定义”。
常见误区：直接问“帮我设计实验”，而不说明“场景、目标、约束”。

提示词设计公式

角色设定 + 实验目标 + 拆解要求 + 具体场景

示例提示词

你是一位有10年经验的教育实验设计专家，擅长中小学数学教学实验。我要设计一个教育实验，目标是**探究项目式学习对初二年级学生数学问题解决能力的影响**。请帮我拆解以下内容：  
1. 自变量的具体维度（需要可操作的定义，比如“项目式学习的实施环节”“小组规模”）；  
2. 因变量的测量指标（需要可量化，比如“测试题得分”“问卷分数”）；  
3. 可能的混淆变量（需要控制的因素，比如“学生初始成绩”“教师水平”）。  

我的具体场景是：  
- 学校：某公立中学初二年级；  
- 班级：2个平行班（各40人）；  
- 教材：人教版初二数学（正在学“一次函数”）；  
- 干预时间：10周（每周1节项目式学习课）。

AI输出示例（简化版）

### 1. 自变量维度（可操作定义）  
- 项目式学习的实施模式：是否包含“问题驱动→小组探究→成果展示→反思迭代”4个环节（实验组全流程，对照组仅“小组讨论”）；  
- 小组规模：实验组为4人组（异质分组，按数学成绩高低搭配），对照组为6人组（随机分组）；  
- 教师指导方式：实验组每周1次“一对一进度辅导”，对照组无额外指导。  

### 2. 因变量测量指标（可量化）  
- 数学问题解决能力：  
  ① 逻辑推理：“一次函数逻辑推导题”得分（满分20分，比如“根据函数图像判断变量关系”）；  
  ② 建模能力：“实际问题建模题”得分（满分30分，比如“用一次函数设计商店利润方案”）；  
  ③ 计算准确性：“函数计算类题目”得分（满分20分，比如“求一次函数的解析式”）；  
- 学习动机：《数学学习动机量表》得分（李克特5级，满分50分，包括“兴趣”“自我效能感”“目标导向”3个维度）。  

### 3. 混淆变量（需控制）  
- 学生初始水平：实验前用“初二数学入学测试”成绩匹配两组（确保均值差异<0.5分）；  
- 教师变量：两组由同一数学教师授课（避免教师风格影响）；  
- 教学时长：两组每周数学课时均为5节（实验组用1节替换为项目式学习）；  
- 家庭环境：用《家庭学习资源问卷》收集数据，作为协变量在分析时控制。

为什么有效？

• 把抽象的“项目式学习”拆成3个可操作的维度（实施模式、小组规模、指导方式），避免“假大空”；
• 把“数学问题解决能力”拆成3个可量化的指标（逻辑推理、建模、计算），解决“无法测量”的问题；
• 列出4个关键混淆变量，确保实验结果的“因果性”（不是因为学生初始成绩好，而是因为项目式学习有效）。

第二步：用提示词生成实验方案的结构化框架

核心目标：根据拆解的变量，生成“可落地的实验流程”（包括分组、时间线、数据收集）。
常见误区：实验设计“拍脑袋”，比如“随便选两个班当实验组和对照组”，导致组间差异大。

提示词设计公式

角色设定 + 实验目标 + 框架要求 + 约束条件

示例提示词

你是教育实验设计专家，我需要为“探究项目式学习对初二数学问题解决能力的影响”设计**随机对照实验方案**。请按以下结构生成：  
1. 实验设计类型及合理性说明（为什么选随机对照？）；  
2. 样本选择标准（纳入/排除条件）；  
3. 分组方法（如何确保随机化？）；  
4. 实验流程（时间线+各阶段操作）；  
5. 数据收集工具及验证方法（比如问卷的信效度）。  

我的约束条件：  
- 只有2个平行班可用（班号1班、2班）；  
- 干预时间：10周（第3-12周）；  
- 需兼顾日常教学进度（项目式学习不能占用太多常规课时）。

AI输出示例（简化版）

### 1. 实验设计类型：随机对照实验（RCT）  
**合理性**：RCT是验证因果关系的金标准，通过随机分组平衡组间混淆变量（如学生初始成绩、学习习惯），确保结果由“项目式学习”导致。  

### 2. 样本选择标准  
- 纳入：初二年级1班、2班全体学生（共80人）；  
- 排除：因请假/转学等原因无法完成全程实验的学生（预计<5人）。  

### 3. 分组方法：匹配随机化  
- 第一步：用实验前的“初二数学入学测试”成绩，将两个班的学生按成绩从高到低排序，分成“高、中、低”3个层次（各约27人）；  
- 第二步：在每个层次内，随机将学生分配到“实验组”（1班）或“对照组”（2班）；  
- 第三步：验证组间同质性：计算两组的入学测试成绩均值、标准差，确保差异无统计学意义（p>0.05）。  

### 4. 实验流程（12周）  
- **第1-2周**：前测（入学测试+学习动机问卷）；  
- **第3-12周**：干预（实验组用1节/周的数学课开展项目式学习，对照组用传统讲授）；  
  - 项目式学习示例：“用一次函数设计校园义卖摊位的定价方案”（问题驱动→小组探究→成果展示→反思迭代）；  
- **第13周**：后测（数学问题解决能力测试+学习动机问卷）；  
- **第16周**：追踪测试（期末数学考试中的“一次函数”模块得分）。  

### 5. 数据收集工具及验证  
- **数学问题解决能力测试**：参考人教版教材例题，由3位数学教师共同编制，经预测试（信度α=0.85，效度0.78）；  
- **学习动机问卷**：采用成熟量表（如《中学生数学学习动机量表》），信度α=0.91，效度0.82；  
- **课堂观察记录**：用《项目式学习课堂观察量表》记录实验组的互动情况（如“小组讨论时长”“学生参与度”），作为补充数据。

为什么有效？

• 解决了“只有2个班”的约束：用“匹配随机化”替代纯随机，确保组间同质性；
• 流程“可视化”：用时间线明确各阶段操作，避免“漏步骤”；
• 工具“可验证”：提到了信度（内部一致性）和效度（测量的准确性），确保数据质量。

第三步：用提示词优化数据收集工具（测试题/问卷）

核心目标：设计“高质量、符合场景”的数据收集工具，避免“题项模糊”“难度不当”等问题。
常见误区：直接复制网上的测试题/问卷，不考虑“年级、教材、学生水平”。

子步骤1：优化测试题（以“建模能力”为例）

提示词设计公式：

角色设定 + 测试目标 + 题项要求 + 场景约束

示例提示词（生成建模题）

你是初二数学教师，我需要设计**初二年级数学问题解决能力测试中的“建模能力”题项**，符合人教版“一次函数”章节内容。请生成：  
1. 1道选择题（考察“变量识别”）；  
2. 1道开放题（考察“模型构建与应用”）；  
3. 每道题的难度等级（1-5星，3星为中等）；  
4. 开放题的详细评分标准。  

我的要求：  
- 题目不超纲（基于“一次函数的实际应用”）；  
- 语言通俗易懂（避免“学术化表述”）；  
- 开放题需贴近学生生活（比如“校园、家庭场景”）。

AI输出示例

### 选择题（变量识别）  
**题目**：小明每天坐公交车上学，公交车的票价是1元/人。如果某天有x个乘客，公交车的收入是y元。下列说法正确的是（ ）  
A. x是因变量，y是自变量  
B. x和y都是自变量  
C. y是因变量，x是自变量  
D. x和y都是因变量  

**难度**：3星（考察“自变量vs因变量”的核心概念，贴近生活场景）  
**区分度**：中等（能区分“变量关系”的理解程度）  

### 开放题（模型构建与应用）  
**题目**：学校要举办“校园义卖”活动，某小组准备卖手工饼干。每盒饼干的成本是5元，售价定为8元时，每天能卖100盒。经调查，售价每上涨1元，每天销量减少10盒。请你帮小组设计一个售价方案，使得每天的利润最大，并说明理由。  

**难度**：3星（考察“一次函数→二次函数”的建模过程，需要结合实际调整）  
**评分标准**（满分30分）：  
1. 变量识别（5分）：正确定义“售价x元”“利润y元”；  
2. 模型构建（10分）：写出利润公式：y = (x-5)[100-10(x-8)]；  
3. 模型化简（5分）：化简为y = -10x² + 230x - 900；  
4. 求最大值（8分）：通过顶点公式计算x=11.5时，y最大为245元；  
5. 实际建议（2分）：因售价需为整数，建议售价11元或12元（利润均为240元）。

子步骤2：优化问卷（以“学习动机”为例）

提示词设计公式：

角色设定 + 问卷目标 + 题项要求 + 避免陷阱

示例提示词（生成学习动机题项）

你是教育测量专家，我需要设计**初二年级数学学习动机问卷**，包括“兴趣”“自我效能感”“目标导向”3个维度。请生成：  
1. 每个维度的3道题（李克特5级：1=完全不符合，5=完全符合）；  
2. 避免“引导性问题”（比如“你应该喜欢数学”）；  
3. 语言符合初二学生的表达习惯（避免“学术化词汇”）。

AI输出示例（“兴趣”维度）

1. 我觉得做数学题像玩游戏一样有趣；  
2. 看到数学书中的新知识点，我想立刻尝试；  
3. 即使没有老师要求，我也会主动做数学拓展题。

为什么有效？

• 测试题贴合教材与场景：选择题考“一次函数的变量关系”，开放题用“校园义卖”场景，学生有代入感；
• 评分标准可操作：开放题的每一步都有明确分数，避免“主观打分”；
• 问卷无引导性：用“我觉得”“我想”等第一人称表述，避免“应该”等诱导词。

第四步：用提示词辅助数据处理与初步分析

核心目标：用AI快速处理“脏数据”（缺失值、异常值），生成统计描述与初步结论，节省手动计算时间。
常见误区：直接把数据扔给AI，不验证结果的正确性。

提示词设计公式

角色设定 + 数据类型 + 处理要求 + 数据示例

示例提示词（数据清洗与统计描述）

你是统计分析师，我有一组教育实验数据，包括实验组（40人）和对照组（40人）的**数学问题解决能力后测成绩**（满分70分）。请帮我做：  
1. 数据清洗：检查缺失值、异常值，并提出处理建议；  
2. 统计描述：计算每组的样本量、均值、标准差、中位数；  
3. 初步趋势：比较两组的成绩差异（用文字+数字说明）。  

我的数据示例（前5行）：  
学生ID | 组别   | 后测成绩  
1      | 实验   | 58  
2      | 实验   | 62  
3      | 对照   | 52  
4      | 对照   | 48  
5      | 实验   | 65  

AI输出示例

### 1. 数据清洗结果  
- 缺失值：无（所有80条数据均完整）；  
- 异常值：对照组有1条数据（学生ID=15）成绩为20分（远低于均值48分），建议核实是否为“填错”或“缺考”；若为填错，修正为正确分数；若为缺考，排除该数据（样本量变为39）。  

### 2. 统计描述（假设异常值已排除）  
| 组别   | 样本量 | 均值 | 标准差 | 中位数 |  
|--------|--------|------|--------|--------|  
| 实验   | 40     | 60.2 | 5.1    | 61     |  
| 对照   | 39     | 49.8 | 6.3    | 50     |  

### 3. 初步趋势  
实验组的后测成绩均值（60.2）显著高于对照组（49.8），标准差（5.1）小于对照组（6.3），说明实验组的成绩不仅更好，而且更稳定。

子步骤：用提示词做假设检验

示例提示词：

请帮我对上述两组的后测成绩进行**独立样本t检验**，说明：  
1. 检验的前提条件（正态性、方差齐性）；  
2. 计算结果（t值、p值）；  
3. 结果解释（是否支持“项目式学习有效”的假设）。  

AI输出示例（简化版）

### 1. 前提条件验证  
- 正态性：两组成绩的Shapiro-Wilk检验p值均>0.05（符合正态分布）；  
- 方差齐性：Levene检验p值=0.12>0.05（方差齐性）。  

### 2. 检验结果  
t(77) = 8.92，p < 0.001（双侧检验）。  

### 3. 结果解释  
p值<0.05，说明实验组与对照组的后测成绩差异有统计学意义，支持“项目式学习能提高初二学生数学问题解决能力”的假设。

为什么有效？

• 快速处理“脏数据”：AI帮你识别缺失值、异常值，节省手动检查时间；
• 统计结果“可视化”：用表格展示均值、标准差，直观对比两组差异；
• 假设检验“通俗化”：用“p<0.05”说明“差异显著”，不需要懂复杂的统计公式。

注意：AI的统计结果需要验证（比如用SPSS或Python重新计算），但可以帮你快速得到“初步结论”，避免“数据淹没”。

第五步：用提示词生成实验报告与反思迭代

核心目标：用AI生成实验报告的框架，优化讨论与反思部分，节省写作时间。
常见误区：实验报告“流水账”，不结合现有研究，不反思局限性。

子步骤1：生成实验报告大纲

提示词设计公式：

角色设定 + 报告主题 + 大纲结构 + 重点要求

示例提示词

你是教育研究报告撰写专家，我需要写一篇关于“项目式学习对初二数学问题解决能力影响”的实验报告。请生成大纲，包括：  
1. 引言（研究背景、目标、问题）；  
2. 方法（实验设计、样本、流程、工具）；  
3. 结果（数据清洗、统计描述、假设检验）；  
4. 讨论（结果解释、与现有研究的对比、实践意义）；  
5. 局限与未来研究方向；  
6. 结论。  

我的重点要求：  
- 讨论部分需结合2篇现有研究（比如“项目式学习提升数学建模能力”的研究）；  
- 局限部分要具体（比如“样本量小”“干预时间短”）；  
- 语言要学术但不晦涩（适合发表在教育期刊）。

AI输出示例（大纲）

# 项目式学习对初二年级学生数学问题解决能力的影响：一项随机对照实验  
## 一、引言  
1.1 研究背景：项目式学习（PBL）在数学教学中的应用趋势；  
1.2 研究目标：验证PBL对初二学生数学问题解决能力的影响；  
1.3 研究问题：  
   - PBL是否能提高初二学生的数学问题解决能力？  
   - PBL对不同成绩层次学生的影响是否有差异？  

## 二、方法  
2.1 实验设计：随机对照实验（RCT）；  
2.2 样本：某中学初二1、2班共80名学生；  
2.3 实验流程：前测→10周干预→后测→追踪测试；  
2.4 数据工具：数学问题解决能力测试（α=0.85）、学习动机问卷（α=0.91）。  

## 三、结果  
3.1 数据清洗：排除1条异常值；  
3.2 统计描述：实验组均值60.2，对照组均值49.8；  
3.3 假设检验：独立样本t检验p<0.001（差异显著）。  

## 四、讨论  
4.1 结果解释：PBL通过“问题驱动-小组探究”提升了学生的建模能力；  
4.2 现有研究对比：与张三等（2022）的研究一致，PBL能显著提高数学思维；  
4.3 实践意义：建议中学数学教学每周安排1节PBL课，注重“反思迭代”环节。  

## 五、局限与未来研究方向  
5.1 局限：样本仅来自1所学校（外部效度有限）、干预时间仅10周（长期效果未知）；  
5.2 未来方向：扩大样本到多所学校、延长干预时间至1学期、研究PBL对不同性别学生的影响。  

## 六、结论  
PBL能显著提高初二学生的数学问题解决能力，尤其是建模能力，建议在中学数学教学中推广。

子步骤2：优化讨论部分

示例提示词：

请帮我扩展“讨论部分”的“结果解释”小节，结合“项目式学习的核心特征”（问题驱动、小组合作、成果展示），解释为什么实验组的建模能力得分更高（均值28分 vs 对照组20分）。

AI输出示例

**结果解释**：实验组的建模能力得分显著高于对照组（28分 vs 20分），主要源于PBL的三个核心特征：  
1. **问题驱动**：PBL以“校园义卖定价”“一次函数设计行程方案”等真实问题为起点，让学生主动识别“售价”“销量”“利润”等变量，而非被动接受“已知条件”；  
2. **小组合作**：4人异质小组的讨论中，成绩好的学生能引导同伴理解“变量关系”，成绩差的学生能通过“提问”澄清模糊点，提升对“模型构建”的认知；  
3. **成果展示**：学生需要向全班解释“为什么选择这个售价方案”，迫使他们梳理“模型推导过程”，强化对“建模逻辑”的理解。  

这与李四等（2023）的研究一致——PBL的“真实性”与“互动性”能有效提升学生的“数学应用意识”，而建模能力正是这种意识的核心体现。

为什么有效？

• 报告大纲结构化：覆盖了教育实验报告的所有核心部分，避免“漏内容”；
• 讨论部分深度化：结合PBL的核心特征与现有研究，解释“为什么有效”，而非“只说结果”；
• 局限部分具体化：不泛泛而谈“样本量小”，而是说明“仅1所学校”“干预时间10周”，为未来研究指明方向。

四、实战进阶：提示词优化的3个关键技巧

掌握了5步流程后，再给你3个进阶技巧，让你的提示词更精准：

1. 用“Few-Shot”提示：给AI“例子”，输出更符合预期

如果你想让AI生成“符合某类风格”的内容，可以给它1-2个“例子”，比如：

我需要生成初二数学建模题，风格类似以下例子：  
**例子**：小明家离学校1.5千米，他骑自行车的速度是0.2千米/分钟。妈妈出发5分钟后追赶，速度0.3千米/分钟。求妈妈追上小明的时间。  

请按这个风格，生成1道关于“水电费计算”的建模题。

AI会参考例子的“场景（生活）、难度（中等）、变量（速度、时间）”，生成更符合你预期的题目。

2. 用“反事实”提示：让AI帮你考虑“最坏情况”

比如，你担心实验中的“分组方法”有漏洞，可以问：

我的分组方法是“匹配随机化”（按成绩分层后随机分配），请帮我分析“最坏情况”——如果某一层的学生分配不均匀，会对结果产生什么影响？如何避免？

AI会帮你想到“如果高成绩层的学生大部分在实验组，会导致结果偏倚”，并建议“增加分层的数量（比如分成5层）”或“用分层随机抽样软件”。

3. 用“伦理”提示：让AI帮你规避教育实验的伦理风险

教育实验需要注意“公平性”（不能让对照组学生“吃亏”），可以问：

我的实验中，对照组使用传统教学，实验组使用PBL。请帮我设计一个“补偿方案”，确保对照组学生在实验结束后也能获得PBL的 benefits。

AI可能会输出：

• 实验结束后，为对照组学生提供PBL的“课前视频+配套练习”；
• 安排1次“PBL体验课”，让对照组学生尝试“项目式学习”；
• 共享实验组的“成果展示”资料，让对照组学生学习。

五、常见误区：用提示词优化实验设计的“避坑指南”

最后，总结4个常见误区，帮你少走弯路：

1. 不要“过度依赖AI”：AI是助手，不是决策者

AI能帮你拆解变量、生成方案，但核心判断需要你自己做（比如“是否接受这个分组方法”“是否调整测试题难度”）。比如，AI生成的“分组方法”可能需要你结合学校的实际情况（比如“是否允许调整班级结构”）调整。

2. 不要“提示词太模糊”：越具体，AI输出越好

比如，不要问“帮我设计实验”，而要问“帮我设计探究PBL对初二数学问题解决能力的随机对照实验，约束是2个班级、10周干预”。

3. 不要“忽略验证”：AI的输出需要“交叉检查”

比如，AI生成的统计结果需要用SPSS验证，测试题需要请其他数学教师评审，问卷需要做预测试（信效度检验）。

4. 不要“脱离教育场景”：提示词要结合“教育规律”

比如，设计PBL课时，要符合“初二学生的认知水平”（不能用太复杂的问题），提示词中要明确“语言通俗易懂”“贴近学生生活”。

六、结论：用提示词重新定义教育实验设计的效率

教育实验设计的核心是“严谨”与“效率”——既要确保实验的科学性，又要避免“重复劳动”。而提示工程的价值，正是用AI解决“重复劳动”，让你聚焦“严谨性判断”。

回顾本文的5步方法论：

1. 用提示词拆解实验目标，明确变量；
2. 用提示词生成实验方案框架；
3. 用提示词优化数据收集工具；
4. 用提示词辅助数据处理与分析；
5. 用提示词生成实验报告与反思。

这不是“取代人类”，而是“增强人类”——让教育从业者从“繁琐的流程”中解放出来，把时间花在“更有价值的判断”上（比如“这个变量是否符合教学实际”“这个结果对教学有什么启示”）。

行动号召：下次你做教育实验时，不妨从“拆解实验目标”开始，用本文的提示词公式试一下。比如，如果你想探究“游戏化教学对小学英语词汇记忆的影响”，可以用第一步的提示词公式，让AI帮你拆解变量。

未来展望：随着大语言模型的发展，AI将更深入地辅助教育实验——比如“实时收集课堂互动数据”“动态调整实验方案”“预测实验结果”。但无论技术如何发展，教育的核心始终是“人”——AI是工具，你才是实验的设计者与决策者。

七、附加部分

1. 参考文献（延伸阅读）

• 《教育研究方法》（袁振国，2019）：教育实验设计的经典教材；
• 《提示工程指南》（OpenAI，2023）：提示工程的官方资料；
• 《项目式学习设计：学习素养视角下的PBL模式》（夏雪梅，2021）：PBL的实践指南。

2. 致谢

感谢我的同事李老师（某中学数学教师）提供的实验场景与数据；感谢OpenAI的ChatGPT团队，让提示工程成为可能。

3. 作者简介

我是张三，资深提示工程架构师，专注于AI在教育领域的应用。曾主导“AI辅助教育实验设计”项目，服务过10+所中小学，帮助教师提升实验设计效率30%以上。欢迎关注我的公众号“AI教育笔记”，分享更多教育AI实战经验。

互动话题：你在教育实验设计中遇到过哪些痛点？用提示词解决过哪些问题？欢迎在评论区留言讨论！

（全文完）