夜雨聆风1. 引言：使用AI的三个层级
过去两年，以ChatGPT、DeepSeek、豆包、Kimi为代表的大语言模型迅速进入公众视野。在整个2024到2025年，笔者见证了AI在高中数学题能力的爆发式增长，现在不少AI解决高中数学难题已经毫无压力，像豆包最顶级的模型对于高考压轴题都游刃有余。AI始终是工具，最终使用和驾驭AI的是人，对于教师而言，与其陷在“AI是否会取代教师”的焦虑中，不如拥抱时代，持续学习，让自己成为从AI发展中受益的人。从2023年开始的这波AI浪潮开始，我对AI的感受就是：我们每个人都拥有了一位可以24小时在线、可以随时回答你问题的博学的“爱因斯坦”。我们应当好好利用这笔“宝贵的财富”。
然而，很多老师对AI的使用还停留在“偶尔问一道题”的浅尝辄止阶段。要么觉得它回答不够专业，要么不知道还能用它做什么，更不知道如何让AI真正融入教学工作流。问题的关键往往不在于AI不够强，而在于我们还没有建立起一套系统的使用方法。
作为一名略懂编程的数学老师，我认为教师对AI的使用有三个层级：初级是使用网页对话，中级是使用AI输出的Markdown文本来沉淀资料，高级是通过接入API和基于编程实现自动化业务。越到后面，对个人能力的需求越高。
2. 第一层级：入门级 —— 网页/APP 交互
核心能力：通过自然语言对话，快速获取教学灵感、资源与解题思路。
技术门槛：只需掌握有效的提问技巧(使用好的提示词)。
推荐工具
国内主流APP（或网页端）：豆包（专家模式）、Kimi、DeepSeek、通义千问、智谱清言、文心一言等。
个人使用心得：在众多工具中，豆包（必须切换成专家模式）对高中数学的适配度最高，解题思路最符合高中方法，对教材考点的把握也最为准确。其余几款可作为补充参考。注意：各种AI应用开不开“思考模式”差异很大。
2.1 备课与教学设计
场景：准备《导数在函数中的应用》一课。
“请列出高中数学‘利用导数研究函数单调性’这一节课的核心重难点，并指出学生常见的3个认知误区。”
场景：设计课堂引入环节。
“你是一位有10年经验的高中数学教师，请为高中‘等比数列’这一节设计一个结合生活实际的课堂引入案例，要求生动有趣，时长约3分钟。”
（提示词建议：使用详细的表述背景和需求，AI会给出更切题的回答）
使用效果：
2.2 解题与背景挖掘
（1）多解法探究
操作方式：直接拍照上传题目，或输入题干。
提问：“请提供这道题的两种不同解法，并比较优劣与适用场景。”
（2）背景与本质挖掘
追问：“这道题本质是哪一类经典的问题？能否提炼出这类题通用的解题？”
价值：帮助教师从“解一道题”走向“讲述一类问题”。
2.3 变式与练习生成
（1）同类题生成
“基于这道例题，请生成3道变式题，难度依次为：基础巩固、能力提升、综合挑战。”
（2）针对性训练
“针对‘高中三角函数图像变换中左右平移方向易混淆’这一易错点，生成1道题，并附详细解析。”
2.4 思绪梳理与内容结构化
当教师头脑中有模糊想法或零散笔记时，可借助 AI 进行逻辑整合与语言润色。
例如：将口语化、碎片化的思考输入 AI，输出结构清晰、术语准确的教学文档——本文初稿即由此方式生成。
2.5 试卷编制与测评设计（多步提问技巧）
这一节想重点和大家分享一个经验：不要让AI一次性干太多事。把大任务拆成小块、逐轮追问，能得到质量高得多的结果。以下用“组卷”来具体说明。
（1）不太好的做法：一次性大包大揽
“请为‘平面向量’这一章设计一份45分钟的单元小测，包含8道选择题、4道填空题、2道解答题，难度分布为7:2:1，并附评分标准与命题意图说明。”
问题出在哪里？受限于单次输出的长度和推理深度，AI很容易在“一口气”生成整套试卷时出现：题目知识点重复、某类题型偏难或偏易、解析写得潦草、甚至解答错误。你拿到手后往往要大改，反而费时。
（2）更好的做法：像搭积木一样分步组卷
把“生成一套试卷”拆成三轮独立对话，每一轮只聚焦一个子任务：
第一轮（选择题）：
“请为‘平面向量’这一章设计8道选择题，覆盖线性运算、坐标运算、数量积和几何应用，难度以基础题和中档题为主，每道题附答案和简要解析。”
第二轮（填空题）：
“基于同样的知识点，再设计4道填空题，侧重易错点和计算技巧，难度略高于刚才的选择题，附答案。”
第三轮（解答题与评分标准）：
“最后补充2道解答题，一道考查综合应用，一道考查思想方法，并给出详细的评分细则和命题意图说明。”
优势：每一轮任务更聚焦，AI有更充足的“思考空间”保证题目质量；教师也可以在中间环节随时调整方向，比如发现第一轮选择题偏难，第二轮即可明确要求“降低难度，侧重基础”。
3. 第二层级：进阶级 —— 使用 Markdown
技术门槛：掌握基础 Markdown 语法，了解其与 Word 的互转方法。
3.1 为何数学教师需要 Markdown？
AI 原生输入输出格式：大模型默认以 Markdown 返回结果，尤其数学公式里的各种符号更是需要以 Markdown 格式来表示； 从截图参考到资料占有：很多人对AI输出的结果还停留在截图的阶段，只能看却没法直接用，真想用最后还得自己一个字一个字重敲，这就是很多老师觉得AI不实用的根本原因。如果你了解AI输出的Markdown格式，就可以打破这个禁锢：你可以让 AI 的输出从“只读的图片”变成“可编辑的文本”，你可以直接获得一个 Word 版本的 AI 回复内容，真正在上面增加、删改、重组，最终沉淀为属于自己的教学资料。
3.2 如何实现
内容复制：将 AI 生成的完整 Markdown 内容(点复制即可)粘贴至本地编辑器； 格式转换：工具推荐：Doc2X支持“导出为 Word”功能；Pandoc支持 Word 和 Markdown 的双向转换，但只能使用命令行运行，不像 Doc2X 有软件图形界面，对没用过命令行的人需要一段时间学习。 二次精修：在 Word 中调整排版、插入图表、修改 AI 的回复内容。
使用doc2x将markdown转化为word使用示例
3.2.1 Pandoc 常用命令示例
以下是在命令行（Windows 的 CMD/PowerShell，或 Mac 的终端）中直接可用的转换命令。安装 Pandoc 后，进入文件所在文件夹，复制粘贴即可运行。
（1）Markdown 转 Word
pandoc 教案.md -o 教案.docx说明：教案.md 是你的 Markdown 文件名，-o 教案.docx 表示输出为 Word 格式。
（2）Word 转 Markdown
pandoc 旧讲义.docx -o 旧讲义.md（3）带图片的文档转换
如果文档中包含图片，可以加上 --extract-media 参数，这样图片可以保留下来：
# Markdown 转 Word（并指定图片存放路径）pandoc 教案.md -o 教案.docx --extract-media=./图片# Word 转 Markdown（并提取内嵌图片到本地文件夹）pandoc 旧讲义.docx -o 旧讲义.md --extract-media=./图片3.3 应用场景
讲义编写：将 AI 生成的内容转为 Word，形成自己的资料； 讲义纠错：让 AI 检查自己已有资料的错误，帮助自己优化资料； 步骤：已有 Word 讲义 → 用 Pandoc 转为 Markdown → 输入 AI 检查逻辑、计算或表述错误； 优势：逐题排查，不易遗漏：AI 可以做到一道一道地检查计算过程和逻辑链条，不会像人眼那样因为疲劳而跳过某些步骤；精准识别隐蔽错误：AI 能一丝不苟地揪出字母抄错、条件漏用、逻辑跳跃、表述前后矛盾等容易被忽视的问题。
使用效果(我故意在文档里加入错误，豆包AI全都找出来了)：
4. 第三层级：高阶 —— API 调用与自动化
技术门槛：具备基础 Python 编程能力，能申请并调用大模型 API。
4.1 为何要使用 API？
API 模型选择建议：市面上可供调用的模型众多，就高中数学解题和教学场景而言，个人推荐豆包seed2.0 Pro 模型 的API——这是我目前体验下来解决高中数学问题表现最好的模型，对数学符号的理解、解题步骤的严谨性以及高中知识点的契合度都明显优于其它模型。
4.2 核心应用场景
基于豆包 seed2.0 Pro 模型（或其他大模型API），你可以实现以下教学自动化场景：
（1）AI阅卷以我带的班级为例，我搭建了一套基于豆包模型的自动阅卷系统。使用前先以一张样卷标定好每道题的答题框和扣分区位置；之后将50份学生答卷批量上传，AI 便会逐页识别手写答案，对照标准答案自动评分，并直接在原卷照片上画出红勾、红叉、扣分情况、扣分原因和总分，输出一张张可直接发还给学生的“批改后试卷”。
在评分规则上，这套系统能做得很细：多选题少选按比例给分，解答题按小问严格审查过程、缺步骤即酌情扣分。它会在解答题的扣分区旁边写出具体的扣分原因，这不仅完成了判分，更提供了精准的教学反馈依据。整套流程调用AI时采用多线程并发，50份试卷的批阅2分钟内就能完成，把教师从繁重重复的批改任务中解放出来。实测批改效果极佳，对解答题批改很准确。
改卷效果
（2）自动化讲义生成我通过编程做了一套工作量，方便我制作讲义、生成题目的答案。它把识题、解答、排版串成了一条流水线。遇到好题，我只需把题目拍照或截图，基于豆包 API 的脚本便会自动识别图中的文字和公式，按高考答卷规范给出解答过程（包括标准 LaTeX 公式和“∵”“∴”符号），最后通过 Pandoc 直接输出为 Word 文档。当需要批量处理时，多线程并发可以在2分钟内把几十张习题照片转化为一份排版整齐的“教师版参考答案”。
除了自动解答，同一套工具也能切换为纯转录模式，将教材或试卷上的概念、知识点、定理、表格高保真地复刻为 Markdown 再转为 Word，从而把见到的好的教学资料都转化为可检索、可编辑的个人资料。这个过程和直接问AI再获得markdown再导出为word没有本质区别，使用API+编程的好处是这一系列的操作变成自动化的了，可以仔细调整提示词后直接固定，而且程序可以并发运行(转10张图和转1张图时间一样)，进而提升了效率。
使用过程示例
转录结果(这里只展示一道题)原图只有题目,解答由AI自己生成。
5. 总结与展望
5.1 教师 AI 能力进阶路线图
| L1 入门 | |||
| L2 进阶 | |||
| L3 高阶 |
5.2 AI应用的展望
AI 生成数学题示意图：针对解三角形、立体几何、解析几何等模块，尝试让 AI 输出 GeoGebra 脚本 或 Python（Matplotlib/Manim）绘图代码，实现“输入题目 → 自动生成图示”。目前来看对立体图效果还不太好，需要等待AI能力的进一步提升。
AI 驱动的学情分析：当 AI 能够批量批改并结构化存储每次考试的作答数据后，下一步便是对这些数据进行深度挖掘。通过长期追踪，AI 可以绘制出每个学生的知识能力图谱，精准定位其顽固薄弱环节和典型错误模式，甚至预测下一阶段可能的失分点。这将帮助教师从“凭经验判断”转向“用数据说话”，为分层教学、个性化辅导和精准补弱提供科学依据。
这是目前做的初步的尝试
课堂实时互动与即时反馈：更进一步，我们可以想象这样一种课堂场景：每位学生手持平板，教师在黑板上抛出一个问题后，学生在草稿纸上演算并拍照上传。AI 在几秒钟内完成评判，不仅告诉学生“哪里错了、为什么错”，还将全班的作答统计实时推送到教师端——哪些同学已经掌握、哪些同学卡在哪一步、典型的错误思路有哪些，一目了然。在这种模式下，每个学生都能获得即时、个性化的反馈，课堂不再是少数人的“独角戏”，而是全员高参与度的思维碰撞场；教师也能基于实时数据做出精准的教学决策，把有限的课堂时间花在学生最需要突破的痛点上。
