生成式人工智能进入课堂后，教学面临两个问题：一是如何让学生掌握与模型协作的方法，二是如何建立必要的使用边界意识。生成式人工智能实训平台通过统一入口提供模型调用、任务编排与结果留痕能力，使提示工程训练与内容审核教学可以在受控环境中完成。以下从提示设计、参数理解、事实核验与合规边界四个方面，讨论实训环节的组织方式。

提示设计要从模糊需求走向结构化表达

初学者常见的做法是把需求一句话丢给模型，结果往往需要反复追问。实训中应引导学生把提示拆成角色、任务、约束、输出格式四个部分。以撰写产品说明为例，可先设定模型扮演技术文档撰写者，明确说明面向的读者、篇幅范围与不宜使用的表达，再规定输出为条目式结构。结构化提示能显著减少迭代次数，学生通过对比两种提示方式的输出差异，能更快建立直觉。

迭代过程应当被记录。平台若支持对话历史导出，可要求学生提交三次以上的修改记录，并说明每次调整的原因。教师评价的重点不是最终文本是否华丽，而是学生是否形成了观察输出、定位偏差、补充约束的循环。这一能力比记住某几条提示模板更有迁移价值，也更容易迁移到其他专业课程中。

参数含义需要动手验证

温度、最大生成长度、惩罚项等参数对输出的影响，仅靠讲解难以理解。实训平台可设计对照实验，固定同一提示词，仅改变温度参数，让学生比较三次输出的差异，并记录结果的稳定性与多样性变化。实验结论会让学生明白，需要确定答案的任务应选择较低的温度，而创意类任务可适当提高。

上下文长度的影响同样值得实验。把同一份长文档分三种方式输入，一次性提交、分段摘要后提交、仅提交关键段落，比较输出质量与响应时间，学生能体会信息取舍的重要性。这类实验不需要复杂设备，但对理解模型行为帮助明显，也能让学生养成控制输入规模的习惯。

事实核验是使用生成内容的前提

模型输出存在编造内容的风险，尤其在引用数据、标准编号与人物信息时。实训中应安排核验环节，要求学生对自己生成的内容逐条标注来源，无法溯源的表述必须删除或改写。可以准备一批包含常见错误的示例输出，让学生练习发现问题，例如统计口径不一致、法规条款名称错误、时间线前后矛盾。

核验能力的评价可以量化。教师可统计学生标注出的问题数量与准确率，同时观察是否存在过度删除导致内容价值下降。对涉及具体数字的表述，应要求学生给出可查询的出处，若无法确认则改为定性描述。这一习惯一旦养成，学生在后续课程作业中会更谨慎，也更少出现想当然的推断。

使用边界要靠制度与示范共同建立

教学场景中的合规要求包括数据脱敏、版权尊重与学术诚信三方面。平台上处理的数据应去除个人身份信息，不得上传包含隐私的文件；生成内容若引用他人作品，需按规范注明；课程作业中模型参与的部分应如实说明。建议在实训开始时签署一份使用承诺，把规则前置而不是事后追责。

教师示范的作用不可替代。若教师自己在课堂上随意粘贴学生名单或未公开资料到模型中，规则就失去了说服力。可以把哪些信息不进平台写成一张提示卡贴在机房，列出姓名、联系方式、身份证号、未公开成绩等类别，便于学生随时对照。规则越具体，执行起来越没有争议。

生成式人工智能的教学重点不在于工具本身，而在于培养学生对输出的判断力。实训结束后可以留一道开放任务，让学生用平台完成一件与自己专业相关的作品，并写一段说明，讲清哪些部分由自己完成、哪些由模型生成、如何验证。这段说明往往比作品本身更能反映学习质量。