大型語言模型賦能的AI教學助手雖然能大規模承擔答疑、輔導等任務，但它們的回覆常常缺乏個性化：不同背景、不同學習目標的學生得到的內容幾乎相同。要讓學生在交互中獲得適合自身水平的反饋，傳統做法往往需要微調模型或維護複雜規則，成本較高且難以在不同課程間推廣。針對這一困境，Saptarshi Basu 等人於2026年9月3日提交至 arXiv 的論文（arXiv:2609.03402）提出了一種提示工程框架，嘗試以實時、可擴展的方式實現“微觀個性化”。
該研究選擇 Jill Watson 這類通用 LLM/RAG AI 助教作為應用場景，其核心思想並不是改動模型，而是通過結構化提示把學習者和單次提問的特徵同時注入推理過程。框架首先從六個維度描摹學習者：自我評估、抽象偏好、言語繁簡偏好、感知傾向、信息加工方式和理解水平；將這些維度的不同取值組合，可以得到96種相對清晰的學習者畫像。與此同時，系統使用布魯姆教育目標分類法分析學生當前問題所對應的認知複雜度。兩類信息共同構成情境化提示，模型只需按照提示調整輸出，即可在不同學科、課程甚至不同知識點上實現個性化的表達方式與內容結構。
論文強調，這種設計具有三重優勢：無需為每個學習者或每門課程重新訓練模型，因而能夠大規模應用；由於提示可以動態拼裝，系統可根據學習者變化實時切換個性化策略；該方式還能與檢索增強生成（RAG）等外部工具自然集成，適用於現有的通用助教體系。作者稱之為“混合式微觀個性化”，以突出其結合用户畫像與單次交互分析的混合機制。
為了驗證有效性，團隊開展了雙重評估。一是利用 NLP 自動評價指標比較不同個性化條件下的回覆差異；二是邀請5名參與者進行人工評估。結果顯示，不同條件下的回覆在風格和結構上能被使用者感知，統計檢驗還發現了若干學習者屬性與可測量回復變化之間的關聯。作者同時謹慎指出，受試規模較小，這些證據仍是初步的，尚不能斷言個性化質量足以滿足各種真實教學需求。
這項研究的價值在於提供了一條比微調更輕的個性化路徑：僅靠精心設計的提示，就可能讓通用型教育AI展現出更強的適應性。若後續能在更大規模、更豐富學科的人羣中驗證，該方法或能成為下一代智能助教中一個成本可控、容易部署的標準組件。