分步提问把复杂任务拆成可验证的认知台阶，借DeepSeek的推理能力逐步收敛答案，让教学问答从泛泛而谈转向精准可控。
在AI指导老师的日常工作中，DeepSeek经常不是回答得不够多，而是回答得太泛。课程设计、学情诊断、教案生成这些任务一旦被压缩成一句提问，模型只能给出四平八稳的通用方案。分步提问的价值在于把“一次要答案”改成“分阶段要依据”，让每一轮输出都成为下一轮输入的可信锚点。
1. 分步提问的认知基础：从一次问全到逐步收敛
大模型的生成机制决定了它对复杂指令的处理并非线性的。当一句提问同时包含学员基础、课时限制、教学目标、评估和输出格式时，模型需要在一次前向生成中分配注意力，约束越多，越容易出现中间条件被稀释、后段要求覆盖前段要求的情况。DeepSeek的推理能力可以缓解一部分问题，但推理链的起点仍然取决于提问是否给出了清晰的中间目标。分步提问的本质，是把一个高维任务拆成若干低维判断，让模型在每一步只聚焦少量变量，从而降低指令冲突带来的偏差。
在AI指导老师的实际场景中，这种差异非常明显。比如要设计一门“面向零基础学员的AI工具应用课”，一次性提问通常会得到模块罗列：认识AI、常用工具、提示词技巧、实操练习。这个答案没有错，但无法直接用于教学，因为学员画像、课时分配和评估证据都没有被真正处理。改为分步提问后，先让DeepSeek确认任务约束并复述关键条件，再要求它输出学员画像的关键维度，接着基于画像生成可观测的学习目标，最后才进入模块与活动设计。每一步的输出都可以被检查、修正和引用，后一步在前一步的结论上继续收敛，答案的精准度来自这种逐步锚定，而不是来自某一句更长的提示词。
2. 任务拆解与问题链设计：让每一步都有可验证输出
分步提问能否奏效，关键在于问题链的设计质量。一个可操作的做法是按“目标—对象—约束—产出—评估”的顺序组织提问，但不要机械地套用五个步骤，而是根据任务类型决定哪些环节需要显式确认。以教案生成为例，第一问可以要求模型复述任务边界，包括学员年龄、已有基础、课时长度和最终产出形式；第二问要求它给出学情假设，并说明每条假设的依据；第三问才要求生成教学目标，且目标必须使用可观测的行为动词；第四问要求设计活动序列，并标注每个活动对应的目标；第五问要求给出评估证据。这样设计的问题链具有依赖关系，后一问必须引用前一问的结论，模型不容易在中途跑回通用模板。
可验证输出是问题链设计的核心原则。很多分步提问失败，是因为每一步仍然在要“一段描述”，而不是要“一个可判断的中间结果”。在AI指导老师的培训场景中，可以让模型先输出学员常见误区的分类，再要求它为每个分类匹配一个诊断问题，最后才生成答疑话术。每一步都要求模型给出判断依据，比如“为什么这个误区在零基础学员中更常见”“这个诊断问题能区分哪种理解偏差”。当中间结果可以被验证，后续回答就有了稳定的参照系。问题链不需要很长，三到五轮通常足够，但每一轮都要有明确的输入引用和输出格式要求，否则多轮对话很容易退化成漫无目的的聊天。
3. 上下文锚定与追问策略：用反馈修正回答偏差
分步提问不是简单地把一个问题拆成几次问，而是主动管理上下文。多轮对话中，模型会遗忘早期约束，也会被最近一轮的措辞带偏。AI指导老师需要把关键结论显式复述，并要求模型在回答前引用上一轮结论。例如在课程目标已经确定后，下一轮提问可以写成“基于上一轮确定的三个可观测目标，设计对应的课堂活动，每个活动注明服务哪个目标，不要引入新的目标”。这种写法把上下文锚点固定下来，减少了模型自由发挥的空间。追问时也要避免笼统的“重写”或“再具体一点”，而要指出具体偏差和修正方向，比如“第二个目标仍然使用了‘理解’这种不可观测的动词，请改为可观察的行为，并对应一个能收集证据的课堂任务”。
反馈修正的价值在于把模型的输出当作草稿，而不是终稿。在学员答疑场景中，模型第一次给出的回答可能过于理论化，AI指导老师可以追问“请判断这位学员的提问属于概念混淆、操作失误还是目标不清，并针对判断结果给出分层回答”。如果模型判断错误，不要直接否定，而是补充学员的原始描述和已尝试的操作，要求它重新判断并说明依据。这种追问策略让模型在修正中暴露推理过程，也方便指导老师判断答案是否可靠。上下文锚定和追问不是额外成本，而是分步提问从“多轮”走向“精准”的关键环节，缺少这一步，分步提问很容易变成低效的反复拉扯。
4. 教学场景中的分步提问模板与效果评估
在AI指导老师的日常工作中，可以沉淀一套轻量的分步提问模板，但模板的作用是提醒关键动作，而不是替代判断。一个常用的结构是：先定义任务和交付标准，再让模型复述约束并指出歧义，然后按依赖关系分步产出中间结果，接着做交叉验证，最后定稿。以职业培训中的“学员作业反馈”为例，第一轮要求模型判断作业完成度与目标之间的差距，第二轮要求它把差距归类为知识缺口、操作习惯还是审题问题，第三轮才生成反馈话术，并要求每条反馈对应一个可执行的改进动作。这样得到的反馈比一次性提问更具体，也更接近指导老师真正能用的版本。
效果评估不能只看回答“像不像”，而要看它是否可执行、约束是否被覆盖、人工修改率是否下降。AI指导老师可以在小范围内做对比：同一任务分别用一次性提问和分步提问生成结果，记录需要补充的约束数量、追问次数和最终可用比例。通常会发现，分步提问在前两轮增加了操作时间，但显著减少了后期返工。评估时还要关注模型是否在每个中间步骤给出了依据，因为依据比结论更容易被检验。评估表可以按任务类型调整，但中间结果的可验证性始终是判断分步提问是否有效的硬指标。
