更多规则和上下文，为什么可能让AI体验更差

一个学生在编程练习中遇到错误，请 AI 帮自己定位问题。系统已经读取题目、当前代码和此前对话，知道错误可能出现在循环边界，却没有指出具体位置，而是继续反问：“你认为循环边界可能在哪里出错？”

这种回应并非毫无依据。教学的目的不只是帮助学生完成当前任务，也要让他理解解决问题的方法。如果 AI 直接交付答案，学生虽然能够继续推进，却可能跳过本应发生的思考。通过提问逐步引导，被视为一种更能保留学习过程的做法。

按照通常的产品逻辑，系统掌握的上下文越完整，引导也应当越准确。它不再需要学生反复解释正在完成哪道题、代码运行到了哪里，便可以根据具体困难提供更有针对性的帮助。再加上一套防止直接泄露答案的教学规则，似乎就能同时获得理解力与克制。

问题在于，理解用户处境与选择合适的回应方式，是两种不同的能力。上下文解决的是 AI 是否知道发生了什么；教学规则决定它被允许如何提供帮助。前者持续增加，并不会自动修正后者。如果“只能通过提问引导”被写成不可调整的规则，AI 知道得越多，也可能只是更准确地掌握答案，同时更坚定地不把有效信息交给用户。

一项针对132名编程入门学生的随机实验，对这种矛盾进行了比较。研究者设置了四种 AI 助教：直接指导与苏格拉底式引导，再分别搭配完整上下文或仅有聊天记录。

完整上下文包括题目、学生当前的代码和对话历史。直接指导可以给出简短解释，但仍不能提供完整代码；苏格拉底式版本则只能通过针对性问题推动学生思考。四种 AI 使用完全相同的界面，差异只存在于系统掌握的信息和必须遵守的回应规则。

结果并没有呈现出“上下文越完整，体验越好”的简单关系。“苏格拉底式引导＋完整上下文”获得了最低的任务支持评价，平均分为3.53；“直接指导＋完整上下文”为4.27，是四组中最高的。

前一组中，23%的学生转向了其他通用聊天机器人，完成任务后表现出完整理解的比例为48%；后一组的完整理解比例为67%。不过，只有任务支持评价的组间差异达到统计显著。外部 AI 使用率、交互压力和理解程度的差别都属于描述性结果，不能据此认定苏格拉底式引导必然妨碍学习。

这些结果没有否定引导式教学，却暴露了教学原则与具体体验之间的距离。一条规则可以具有合理的教育动机，却未必能在所有阶段提供有效帮助。学生刚开始探索问题时，反问可以促使他整理思路；当他已经连续尝试多次、明确指出卡点后，继续提出问题便可能不再构成引导，而是在延迟必要的信息。

完整上下文甚至可能强化这种落差。系统明显已经读过题目和代码，用户自然会提高对回应质量的期待。如果 AI 依然机械地反问，阻力便不再来自“它不了解情况”，而来自“它了解情况，却没有采用合适的帮助方式”。上下文减少了信息缺失，却使回应策略的不合时宜更加清晰。

实验中的另一组结果进一步说明了两者的差异。缺少上下文时，学生需要写更长的问题，主动补充题目和代码状况；当系统既缺少上下文又坚持反问，双方往返的次数也明显增加。上下文确实降低了用户说明处境的负担，却无法自行决定下一步应该提示、解释还是继续追问。

因此，“更多上下文”和“更多护栏”不能被视为两项可以独立累加的产品优化。上下文扩大了系统对任务的理解范围，护栏则收窄了它可以采取的回应方式。只有当限制方式与用户当前目标、任务阶段和受阻程度相互匹配时，两者才会共同形成帮助。

对 UX 设计而言，护栏也不能始终停留在不可见的后台指令中。界面需要让用户理解 AI 为什么没有直接回答，并提供能够继续推进的路径。在教学目标允许的范围内，帮助可以形成逐级展开的层次：先给方向，再指出具体位置，随后解释原因，最后提供相近案例。用户不必在“完全没有答案”和“直接得到完整答案”之间二选一。

系统还需要识别对话是否已经失去进展。连续几轮提出相似问题、用户反复表达困惑、任务状态长期没有变化，都可能说明原有引导方式已经失效。此时继续执行同一规则，只会把教学护栏变成程序性的阻碍。更合理的处理，是调整提示强度、解释当前限制，或者把决定权交还给教师和用户预先设定的范围。

这项研究发生在一所大学的编程入门课程中，对理解程度的评估只覆盖一项任务及任务结束后的即时回答，没有测量长期知识保持。它无法证明直接指导始终优于苏格拉底式引导，也不能把学生对“有帮助”的主观评价等同于真实学习效果。

这揭示了AI 掌握多少信息，只决定它能否理解用户；它能否在适当时刻改变帮助方式，才决定这些信息最终会成为支持，还是成为更精确的阻力。