一句话总结
把题目连同你写错的解法一起贴上去，让 AI 找出你究竟在哪一行崩掉、漏掉了什么原则，而不是简单地”帮我解出来”。用通用聊天 AI 讲思路（Claude Sonnet 4.6 讲得最清楚，难题用 GPT-5.5 或 Gemini 3.1 Pro），再用第二种方法或 Wolfram Alpha 这类符号计算引擎核对最终答案。真正的检验标准是你能不能做出下一道题，而不是刚看完的这道。
为什么”帮我解这题”是个糟糕的 Prompt
你卡在一道题上。课本只给一行过程和一个答案；你真正需要的是每一步的理由，以及你自己哪里走偏了。本能反应是打”帮我解这题”，但真正能教会你的问题是：**“我的做法在哪一步崩了？背后是什么通用原则？“**前者让你这一题做得快，后者让你下一题做得对——而考试上出现的，只有后者。
这里有个真实的陷阱，学习科学称之为”流畅性错觉”：看一遍干净的解答会让你觉得自己懂了，但”认得出”不等于”想得出来”。你究竟有没有学会那个原则，只有面对一道没有答案摆在眼前的新题时才知道。
哪些情况 AI 帮得上，哪些会悄悄出错
大语言模型是在预测下一个词，它不是计算器。这一点就能解释你看到的大部分现象：模型可能选对了公式却把算术算砸，也可能算术没错却用错了定理。所以截至 2026 年 6 月的经验法则是：
- 擅长： 一步步讲解、识别你解法里的常见错误模式、解释某一步为什么成立、围绕同一知识点出练习题。
- 薄弱 / 有风险： 手算多步算术、非平凡证明、冷门记号、设置有歧义的应用题。模型仍会在小但关键的地方把代数规则用错（符号翻错、丢掉系数、忽略定义域限制）。
两条实用的护栏。第一，在 ChatGPT、Gemini 或 Claude 上，让模型运行代码来验证自己的答案——ChatGPT 和 Gemini 能在沙盒里执行 Python，逻辑写错时代码会报错，这能逼着模型在它本来会”猜”的算术上保持诚实。第二，用第二种方法或符号工具核对最终数值。Wolfram Alpha 值得记住，恰恰是因为它不用语言模型：它跑的是符号计算，给出数学上可证明的结果，所以对一个干净的方程或积分来说，它最接近”标准答案”。
什么任务用什么工具（2026 年 6 月）
下面这些你不必都用，按当前卡你的环节挑一个。
| 工具 | 最适合 | 原理 | 价格（截至 2026 年 6 月） |
|---|---|---|---|
| Claude（Sonnet 4.6） | 温和、循序渐进地讲”为什么” | LLM；讲解能力强 | 免费档；Pro $20/月 |
| ChatGPT（GPT-5.5） | 难题、代码验证的算术 | LLM + Python 沙盒 | 免费（美区带广告）；Plus $20/月 |
| Gemini（3.1 Pro） | 竞赛级 / 重推理 | LLM + 代码执行 | 免费档；Google AI Pro $19.99/月 |
| Wolfram Alpha | 核对最终答案、精确步骤 | 符号计算（无 LLM） | 免费看答案；Pro 学生年付低至 $5/月 |
| Photomath | 拍照即得分步解（手机端） | 混合求解器 | 核心免费；Plus $9.99/月 |
| Khanmigo | K-12 引导式练习（苏格拉底式，不直接给答案） | 导师式 LLM | 订阅制 |
就解题能力本身而言：AIME 2025 这类竞赛基准已基本”饱和”——GPT-5.5 和 Gemini 3.1 Pro 在它上面都拿到约 95% 到接近 100%，已经分不出高下。更难的题集才拉得开差距：在 2026 年美国数学奥林匹克（USAMO）上，GPT-5.5 约 95% 领先，Gemini 3.1 Pro 约 74% 次之。但论”教”而非”解”，Claude Sonnet 4.6 是学生最常说”拆解得温和、一点点搭起来”的那一个——当你不只是想要答案时很有用。
求解器与导师的区别也很关键：Wolfram Alpha 和 Photomath 直接把答案和步骤递给你；Khanmigo 则刻意不给答案、用提问引导你。通用聊天 AI 两种都能做，但前提是你得告诉它你要哪一种——这正是下面这个 Prompt 做的事。
需要给 AI 的输入信息
- 题目原文，包括每一个已知量和单位。
- 你的尝试解法，连错的部分一起——尤其是错的那部分。这是它能找到你具体错处的唯一途径。
- 题目所属主题，让模型选对工具箱（例如”相关变化率""特征值”）。
- 你的层次：高中代数、微积分 II、线性代数、实分析。
- 明确写上你要搞懂，而不只是看答案——这会改变输出风格。
- 老师的任何限制：不准用计算器、必须写过程、必须用拉格朗日乘数法。
可直接复制的 Prompt
一步一步解这道数学题，每一步都解释为什么这样做。
主题：[领域]
层次：[例如 高中代数 / 微积分 II / 线性代数]
限制：[不准用计算器 / 必须用 X 方法]
题目（原文）：
"""
[problem]
"""
我的尝试：
"""
[attempt]
"""
请输出：
1. 完整解答，一行一步，每步附简短理由
2. 我尝试中错的那一行——把它原样引用回来给我看
3. 我漏掉的通用原则（一句话）
4. 用同一原则但稍变设置的 2 道微测题
5. 复核：用第二种方法重算一遍，然后运行代码验证算术
若某步用到了恒等式，请写出恒等式的名字。学生常犯符号错的代数步骤不要省。证明题：“请证明这个命题。先说明证明结构（归纳、反证、逆否），再用两列写：行 / 理由。“把 AI 给的证明当成草稿——每一步逻辑自己再核一遍，因为这正是模型最容易”信誓旦旦地错”的地方。
逼出导师模式（不把答案直接给你）：加一句”不要给我最终答案。每次只问我一个引导问题，等我回答后再继续。“这能把任何聊天 AI 变成接近 Khanmigo 的苏格拉底式风格。
怎么判断 AI 的解能不能用
- 用第二种方法（或 Wolfram Alpha）重算，最终答案一致。
- 每一步都有真正的理由，不是只写”化简”。
- 模型指出的是你尝试里具体那一行错，而不是含糊地”思路不对”。
- 给出的原则是可复用的——能用在别的题上，不只对这道成立。
- 微测题每道 3–5 分钟能做完，而且你真的去做了。
容易踩的坑
- 看完解就跳过下一题。 这是抄答案陷阱；例题是热身，不是正式训练。
- 在证明和进阶主题上不换源就盲信 AI。 一定要核对，证明题尤甚。
- 只要答案不要过程。 你拿一道题的分，换掉了所有题的学习。
- 让 AI 用你考试禁止的计算器式捷径。 把限制提前写清楚。
- 把”我跟得上”当成”我会做”。 真正的懂体现在下一道题上，而不是刚看完的这道。
常见问题
为什么 AI 有时连简单算术都算错？ 因为 LLM 是靠预测词来生成文字，而不是真的在计算。它可能选对了方法，却在数字上翻车。让模型运行代码来验证，或者在 Wolfram Alpha 里核对最终数值——后者用的是符号计算，不是语言预测。
AI 的解法和课本不一样怎么办？ 数学常有多条正确路径。先核对最终答案；都到同一处，差别只是风格。若不一致，再用第三种方法重算来打破平局。
2026 年数学最好用哪个 AI？ 要清晰、有耐心的讲解，选 Claude（Sonnet 4.6）；要啃最难的题，用 GPT-5.5 或 Gemini 3.1 Pro；要可信的最终答案，用 Wolfram Alpha。很多学生的做法是：用聊天 AI 理解，用符号工具验证。
用 AI 做作业算作弊吗？ 只为抄答案而要结果，算。用它定位你的错误、学会原则，然后自己做出下一道题，那是学习——而且是能撑过考试的那个版本。
AI 能抓出我解题里所有细微错误吗？ 不能。它对常见错误模式抓得不错，但会漏掉边角情况。可靠的检验是自己再做一道同类题，看能不能在没有提示的情况下做出来。
相关
- 整理课堂笔记 ——先把引入这个主题的笔记弄干净
- 考试复习计划 ——系统安排练习题
- 讲懂一个难概念 ——是主题难，不是这道题难
- 考试错题复盘 ——把错题归成模式
- ChatGPT 学习助手 ——完整学习流程
- Claude 学习流程 ——另一种模型走查
- 学术辩论 Prompt：正反方与反驳模板