一堂大模型课最容易出现的误会，是把“学生和模型聊了几轮”当成已经完成了学习。对话当然可以很热闹，但如果问题由教师给、判断由模型做、作品由模型生成，学生真正留下的可能只有几次点击。

我更愿意把课堂设计成一条能被看见的学习链：从真实问题出发，学生先形成自己的判断，再向模型求助；模型给出建议以后，还要经过核验、修改、制作和说明。最终作品只是链条的最后一环，不是整堂课唯一的目标。

义务教育课程方案和课程标准（2022年版）把真实情境中的问题解决、方案验证和过程反思放在重要位置。教育部发布的2025年5月教育信息化和网络安全工作月报也介绍了中小学人工智能通识教育和生成式人工智能使用指南，强调安全、合理、有效地辅助学习。落实到一节课里，关键不是增加一段工具演示，而是把每一步学习动作安排清楚。

先定终点：这节课要留下什么作品

设计流程之前，先把最终产物说具体。它可以是一张面向低年级同学的校园防诈骗海报、一份根据观察数据制作的节水建议、一段能够正确运行的互动程序，也可以是一份比较不同回答可靠性的调查报告。产物越具体，学生越容易判断模型提供的内容是否有用。

“制作一个介绍人工智能的作品”就太宽。学生不知道读者是谁，也不知道要解决什么问题，模型自然会给出大而全的介绍。把任务改成“为三年级同学制作一张不超过一页的识别虚假图片提示卡”，读者、篇幅和用途都清楚了。学生需要选择信息，不能把模型回答整段搬进去。

教师还要提前规定作品之外需要提交的过程材料。我通常只保留四份：学生最初的问题单、一段关键对话、一项核验记录、最终修改说明。材料不求多，但每一份都能回答“学生在这里作了什么决定”。这样，过程性评价不会演变成收集几十张聊天截图。

第一步不是提问，而是把问题说明白

课堂里的“提问”不是立刻打开模型输入一句话，而是先把任务拆清楚。学生要知道自己面对什么情境、服务什么对象、手中有哪些材料、最后受到哪些限制。问题说明得越清楚，后面的对话越不容易变成随意闲聊。

例如，要为学校设计一份垃圾分类提醒，可以先让学生观察校园里最容易混淆的三类垃圾，记录现有标识有什么问题，再决定提醒卡应该出现在哪里。做到这里，学生已经获得了自己的材料。随后再问模型“怎样让低年级同学更容易区分”，回答才有比较和选择的依据。

一个适合课堂的问题，应该让学生即使暂时不用模型，也能先完成观察、分类、预测或草图中的至少一项。

如果学生完全不知道从哪里开始，教师可以给问题框架，而不是给现成提示词：我要解决什么问题？谁会使用我的作品？我已经知道什么？还缺什么信息？哪些内容不能上传？这四个问题比背诵“角色、任务、格式、限制”更接近真实的学习。

让学生先想三分钟，再打开对话窗口

大模型回答速度很快，因此课堂更需要刻意保留一个慢下来的起点。三到五分钟就够：学生先画一张草图、列出两个判断、预测一段程序的运行结果，或者圈出资料中最可疑的一处。这份初步记录不一定正确，它的价值是为后面的比较留下基线。

打开模型后，学生不必一次写出完美问题。可以先描述任务和自己的初步想法，请模型指出遗漏；再追问其中一个具体环节；最后要求它说明依据或给出可验证的办法。教师关注的不是提示词有多长，而是每一轮追问是否推动任务向前。

我会让学生在关键回答旁边加一个很短的批注：“这条建议解决了什么”“我为什么暂时不采用”“下一步要查什么”。有了批注，对话记录才从聊天流水账变成学习证据。学生也会意识到，模型回答不是终点，而是待处理的材料。

一堂课可以按六个环节推进

不同学科、不同作品会调整时间，但学习动作大致可以归到六个环节。四十分钟的课不必平均分配：前面的情境和初步判断可以短，核验与修改必须留出真正动手的时间。

这张表里，模型并不是每一步都出现。特别是“初步判断”和“展示反思”，需要把舞台留给学生。模型可以帮助学生得到更多方案，却不能替他们说明最终为什么这样做。

核验不能只写成一句“注意准确性”

教师常在教案里写“提醒学生核验模型回答”，但学生未必知道具体怎么核验。核验方式必须跟任务对应：事实性内容要回到权威来源；数据结论要回到原表和计算过程；程序建议要通过运行和测试用例；图片与文案要对照真实对象、表达目的和素材来源。

例如，模型说某种校园植物适合在背阴处生长，学生不能再问模型“你确定吗”就算完成核验。更有效的做法是查看植物名牌、学校提供的资料或可靠科普来源，比较生长条件是否一致。程序任务中也一样，“代码看起来合理”不等于能运行，要准备正常输入、边界输入和错误输入。

UNESCO《生成式人工智能用于教育和研究的指南》强调以人为本、年龄适宜、隐私保护以及对工具进行教学和伦理适切性评估。课堂核验因此不只核对知识，还包括数据能不能上传、生成素材能不能使用、回答是否带有偏见，以及某个环节是否真的适合交给模型。

修改作品时，要看得见“哪里变了”

如果模型生成的第一版直接成为最终作品，课堂很难看见学生的加工。教师可以要求保留两个版本：模型参与后的工作稿和学生完成核验后的定稿。学生只需标出三处最重要的变化，并解释改变来自什么证据。

修改不等于让文字更漂亮。它可能是删除一条无法确认的数据，把过于抽象的说明换成低年级能理解的例子，重新绘制一张会误导读者的图表，或者为程序增加一个遗漏的判断分支。作品发生的这些变化，才是学生处理模型输出的证据。

小组合作时，可以让成员分别负责事实核验、结构设计、技术实现和修改记录，但最后每个人都要能解释一处取舍。这样既避免一个人包办所有对话，也不会把其他成员变成只负责美化的旁观者。

展示环节不夸作品，追问选择

最后的展示不必让每组从头介绍作品。教师可以请学生回答三个问题：模型给过哪条看似有用但最后没有采用的建议？哪一处修改来自核验结果？如果不用模型，哪个环节仍然能够完成，哪个环节会更困难？这些问题会把注意力从“生成得像不像”拉回学习过程。

同伴评价也应围绕任务目标。读者能不能看懂，数据或事实能不能追溯，程序能不能在不同输入下工作，作品是否说明了模型参与的位置。评价表不需要很多等级，留下“我看见的证据”和“我还想追问的选择”两栏就够了。

课后反思则可以很短：下次我会在哪一步更早核验？哪种问题不适合直接问模型？我保留了哪一个自己的判断？学生写出一句具体回答，比抄写一段“人工智能有利有弊”更能说明这节课发生了什么。

时间不够时，宁可缩小作品，也别删掉核验

四十分钟里完成六个环节并不轻松。最常见的问题是前面讲工具太久，后面只能匆忙提交。可以把平台注册和界面操作放到课前，把模型对话限制在一个关键难点，把作品缩小成一页、一图或一个能运行的核心功能。

也可以把完整流程拆成两课时：第一课时完成问题、初步判断、对话和核验；第二课时完成制作、修改与展示。无论怎样调整，都尽量不要删掉“人先想”“核验”和“说明修改”这三处。它们共同决定学生是在使用工具，还是把学习交给工具。

一堂大模型课不必追求让学生见识最多的功能。只要学生能把一个真实问题说清楚，留下自己的初步判断，处理模型给出的建议，用证据完成核验，并解释作品为什么发生变化，这节课就已经形成了完整的学习闭环。