用 AI 定位薄弱知识点：成绩数据的自诊

用 AI 定位薄弱知识点，核心是把成绩数据变成线索：把历次试卷的丢分点、错题的错因交给 AI 归类，它会告诉你哪个知识块丢分最集中、错误类型最相似。定位准了，复习就从全面撒网变成定点补强，同样的时间能换来更多的分数提升。这套方法不需要额外的付费工具，一份整理好的错题记录加一个对话窗口就能跑起来。它也不挑学科，从初中物理到考研英语都能套用，差的只是你有没有把数据留下来。

数据从哪里来：错题与试卷

AI 的判断质量取决于你喂的数据。理想的材料是最近两三次考试的原卷与错题记录：每道错题写清扣分原因——概念不清、计算失误、审题偏差还是时间不够。没有整理习惯的话，从现在开始建一张错题表：题号、知识点、错因、日期四列就够。拍照识别错题后交给 AI 转成表格也可以，但错因那一栏要自己补，因为只有你自己知道当时是怎么错的。数据覆盖面也有讲究：只给一张卷子，结论容易被偶然性带偏，两三次考试的样本才能看出稳定的模式。错因的书写也别太笼统，「粗心」不是错因，追问一句当时具体错在哪一步，写下来才有分析价值。

让 AI 归类错误的提问写法

把错题表发给 AI，提问要给足结构：「按知识点和错因两个维度归类，统计每类的丢分总量，列出丢分最多的前三类」。归类结果出来后追问一步：每类错误之间有没有共同模式，比如是不是总在同一类题型的第二步出错。这个追问很关键，它把零散错题串成了可应对的模式。注意让它区分「不会做」和「会做但做错」，两类问题的解法完全不同——前者要补概念，后者要练习惯，混在一起分析会得出模糊的结论。

从错因到薄弱点清单

拿到归类结果，把它压缩成一张薄弱点清单：每行写知识点、典型错因、丢分量、优先级。排优先级用两个标准——丢分多、补起来见效快的排前面。把清单拿给任课老师核对一遍更好，老师一眼能看出哪些是真薄弱、哪些是偶然失手。AI 给的是数据视角，老师的经验视角补上教学维度，两者合起来的判断才扎实。清单别贪长，控制在三到五项，一次补太多反而哪项都补不透。清单也是动态的，补掉一项就划掉一项，再从归类结果里补进来新的项，始终保持在三到五项的容量。

一周补弱的小循环

清单确认后进入执行：每周挑一到两个薄弱点，按「学概念、做专项、测检验」的顺序过一遍。让 AI 出五道同知识点变式题，做完它批改并讲解错处；隔三天再出一组，检验是不是真的掌握。一周结束把新的错题补进表里，重新归类一次，看清单的丢分总量有没有下降。这个小循环跑顺之后，复习就有了节拍器，不再靠感觉决定明天看什么。循环里最难的是坚持归类，把整理时间固定在周末半小时，习惯就养成了。如果连续两周清单的丢分量没有下降，通常是变式题的难度与考试不匹配，调整出题要求再试。

延伸阅读：数学错题按错因分类、考点分级与复习排期、错题本按知识点归类。

一周一轮的四个动作

• 每周挑一到两个薄弱点
• 学概念、做专项、测检验
• 隔三天再出一组变式题
• 周末半小时把新错题归类

最容易断的是归类这一步，跳过它，下一周就只剩凭感觉挑题。

让 AI 看成绩单，它能直接判断哪科落后吗？

• 只给各科总分，AI 能分析出薄弱点吗？：作用有限。总分只能看相对强弱，落不到知识点层面，配合错题与分项得分一起给，分析才有落点。
• 错题拍照直接发过去，不用整理行不行？：可以识别，但归类质量会下降。手动补上错因一栏，AI 的归类准确度明显更高，整理成本其实只有几分钟。
• AI 说某知识点薄弱，就是真的薄弱吗？：是重要参考而非定论，考试偶然性、题目难度都会干扰数据，用变式题复测一轮再下结论，必要时请老师复核。