大型语言模型赋能的AI教学助手虽然能大规模承担答疑、辅导等任务，但它们的回复常常缺乏个性化：不同背景、不同学习目标的学生得到的内容几乎相同。要让学生在交互中获得适合自身水平的反馈，传统做法往往需要微调模型或维护复杂规则，成本较高且难以在不同课程间推广。针对这一困境，Saptarshi Basu 等人于2026年9月3日提交至 arXiv 的论文（arXiv:2609.03402）提出了一种提示工程框架，尝试以实时、可扩展的方式实现“微观个性化”。
该研究选择 Jill Watson 这类通用 LLM/RAG AI 助教作为应用场景，其核心思想并不是改动模型，而是通过结构化提示把学习者和单次提问的特征同时注入推理过程。框架首先从六个维度描摹学习者：自我评估、抽象偏好、言语繁简偏好、感知倾向、信息加工方式和理解水平；将这些维度的不同取值组合，可以得到96种相对清晰的学习者画像。与此同时，系统使用布鲁姆教育目标分类法分析学生当前问题所对应的认知复杂度。两类信息共同构成情境化提示，模型只需按照提示调整输出，即可在不同学科、课程甚至不同知识点上实现个性化的表达方式与内容结构。
论文强调，这种设计具有三重优势：无需为每个学习者或每门课程重新训练模型，因而能够大规模应用；由于提示可以动态拼装，系统可根据学习者变化实时切换个性化策略；该方式还能与检索增强生成（RAG）等外部工具自然集成，适用于现有的通用助教体系。作者称之为“混合式微观个性化”，以突出其结合用户画像与单次交互分析的混合机制。
为了验证有效性，团队开展了双重评估。一是利用 NLP 自动评价指标比较不同个性化条件下的回复差异；二是邀请5名参与者进行人工评估。结果显示，不同条件下的回复在风格和结构上能被使用者感知，统计检验还发现了若干学习者属性与可测量回复变化之间的关联。作者同时谨慎指出，受试规模较小，这些证据仍是初步的，尚不能断言个性化质量足以满足各种真实教学需求。
这项研究的价值在于提供了一条比微调更轻的个性化路径：仅靠精心设计的提示，就可能让通用型教育AI展现出更强的适应性。若后续能在更大规模、更丰富学科的人群中验证，该方法或能成为下一代智能助教中一个成本可控、容易部署的标准组件。