提问质量决定答案精度。围绕角色、任务、背景、约束与输出格式，拆解DeepSeek提问公式在教学指导中的落地方法。 在AI指导老师的日常工作里，DeepSeek常被用于课程方案设计、学情诊断、错题讲解和家校沟通。同一模型，有人得到泛泛而谈的建议，有人得到可以直接进入备课流程的教案，差异往往不在模型能力，而在提问结构。提问公式的价值不是把问题写长，而是把教学意图转成模型可执行的条件，让答案从“看起来对”走向“用得上”。
1. 角色锚定与任务定义：先让模型站到教学现场
DeepSeek不会自动知道提问者面对的是三年级还是九年级学生，也不会默认答案要符合某版教材的单元进度。角色锚定的作用，是给模型一个明确的教学身份和场景先验。比如只说“帮我设计一节二次函数复习课”，模型通常会给出通用框架；如果把角色写成“你是有十年初中数学经验、熟悉分层教学的教研员，面对九年级两个班，学生基础差异较大”，模型在组织内容时就会自然考虑分层任务、常见误区和课堂节奏。角色描述不需要堆砌头衔，而要包含学段、学科、学生特征和教师可用的教学条件，这些信息会直接影响模型对答案范围的选择。
任务定义则要把“帮我看看”改成可交付的动词和成果形态。AI指导老师在培训教师时，可以要求每个提问都写清交付物：是一份90分钟教案、一张错题归因表，还是一段家长沟通话术。任务越具体，模型越容易判断哪些内容该展开、哪些内容该省略。例如把“分析学生错误”改成“根据以下五道错题，归纳两名学生在二次函数图像平移上的错误类型，并给出每类错误对应的课堂追问”，答案就会从泛泛的学习建议转向可检查的教学材料。角色和任务共同构成提问公式的第一层骨架，它们不保证答案一定正确，但能显著减少模型在无关方向上的发散。
2. 背景供给与边界约束：把模糊需求变成可执行条件
背景是提问公式里最容易被忽略、却最能拉开答案质量的部分。教学场景中的背景不只是“学生基础差”，而是教材版本、单元目标、课时安排、前测数据、已讲内容、作业完成情况等可描述的条件。以错题讲解为例，教师如果只问“怎么讲这道题”，模型往往给出标准解法；如果补充学生的错误步骤、错误类型、相关知识点掌握情况，并说明“不要直接给最终答案，用苏格拉底式追问，每次只问一个问题”，模型就会围绕学生的认知卡点组织提示语。DeepSeek支持较长上下文，但背景不是越多越好，关键是把与任务相关的条件结构化，让模型知道哪些信息必须优先使用。
边界约束的作用，是排除不符合教学场景的答案。约束可以包括不超纲、不出现超链接、不使用超出学生阅读水平的词汇、必须引用教材例题、必须给出分层任务、必须标注不确定性。很多教师担心约束会限制模型发挥，实际恰恰相反，清晰的边界能让模型在有限空间内做更深入的生成。比如设计课堂活动时，要求“活动材料只需纸笔、单次不超过12分钟、必须包含个体思考和小组合议两个环节”，模型给出的方案就更接近真实课堂。AI指导老师可以把常用约束整理成背景模板，让教师在提问时按需填入学情、教材和评价要求，逐步形成可复用的提问资产。
3. 问题拆解与递进追问：让推理过程可检查
复杂教学任务不适合一次性全部塞给模型。课程设计、学情诊断、项目式学习方案都包含多个判断环节，直接问“给我一个完整方案”，模型容易把假设藏在流畅的文字里。更稳妥的做法是先拆解：把任务分成目标分析、学情分析、活动设计、评价设计几个可检查的子问题，再逐段推进。比如设计一个跨学科项目，可以先让DeepSeek列出该主题常见的学生误区，再针对误区设计诊断问题，最后根据诊断结果设计分层支持。每一步都要求模型说明依据和假设，教师就能在中间环节纠偏，而不是等到完整方案生成后才发现方向不对。
递进追问是拆解之后的自然动作。教师可以要求模型先复述对任务的理解，再给出初步方案，然后让模型自评风险并给出替代方案。这样的追问不是简单重复，而是把模型的推理过程拉到可检查的层面。AI指导老师可以给教师一份追问清单，例如“这个活动对基础薄弱学生可能产生什么障碍”“如果课堂时间压缩到30分钟，应该删掉哪一部分”“哪些结论缺少学情数据支持”。DeepSeek的推理能力在连续追问中更容易体现，但前提是每个问题都指向具体判断，而不是泛泛地要求“再深入一点”。当教师习惯把大问题拆成小步骤，答案的精准度就不再依赖一次提问的运气。
4. 输出规格与结果校验：把答案变成可落地的教学材料
输出规格决定答案能否直接进入教学流程。教师可以在提问时明确格式：教案按“教学目标、重难点、教学环节、分层任务、评价证据”组织；错题分析用表格呈现“学生、错误步骤、错误类型、对应知识点、追问建议”；家长沟通话术分成简短版、详细版和版，并标注适用场景。格式不是形式主义，而是把模型的理解固定在可检查的框架里。以家长沟通为例，要求模型输出三版话术并标注风险点，教师就能快速比较哪一版更符合学生家庭情况，而不是从一大段文字里自行摘取。
结果校验是提问公式的最后一环，也是AI指导老师最需要强调的专业环节。模型可能生成看似合理但不符合教材进度、认知负荷过高或评价不闭环的内容，教师需要从目标一致性、学生适配性、可操作性和评估闭环四个角度做核查。更有效的做法是把校验标准前置到提问中，例如要求模型附上“本方案的自检清单”“哪些地方需要教师根据学情补充”“每条建议的依据是什么”。当输出规格和验收标准一起写进提问，DeepSeek给出的就不只是建议，而是一份可进入备课流程的草稿，教师再根据班级实际做专业判断和局部修订。
