核心用法
Learn-Cog 是 CellCog 生态下的 AI 家教技能，主打"同一概念五种讲法"的多模态教学：视觉图表、生活类比、分步实例、互动练习、完整学习指南。覆盖概念讲解、作业解题、备考资料、编程教程、语言学习等全场景。
典型使用场景：
- 概念攻坚：量子纠缠、递归、区块链等复杂主题的多角度拆解
- 作业辅导：数学推导逐步讲解、代码 Debug、论文结构梳理
- 备考生成：AP/GRE/AWS 等考试的系统学习指南、闪卡、模拟题
- 技能习得：Python/React 零基础到项目实战、日语 N4 情景对话
调用方式：依赖 cellcog 母技能，支持 OpenClaw 异步代理（agent 模式日常学习，agent-team 模式深度研究）。
显著优点
- 教学方法论扎实：主动要求用户声明水平、提供练习、测试巩固，符合认知科学原理
- 输出格式灵活：明确支持 Visual/Example/Analogy/Step-by-Step/Big Picture 等学习风格切换
- 学科覆盖极广：从基础数学到高级 ML、从语言语法到云架构认证，无明确边界
- 多模态能力：可生成图表、代码示例、结构化学习日程等复合输出
- Benchmark 背书：DeepResearch Bench 推理深度第一（2026.04）
潜在局限与风险
- 幻觉风险：复杂数学推导、历史事实、语言用法可能出现细节错误，关键考试/代码需人工复核
- 依赖母技能：必须先安装并理解
cellcogSDK，对新手有学习门槛 - 无实时验证：无法直接执行代码或访问实时题库，编程练习仅停留在文本层面
- "全能"陷阱：跨学科广度可能牺牲某些细分领域（如高阶理论物理、小众语言方言）的深度
适合人群
- 需要个性化辅导的中小学生、大学生及终身学习者
- 备考专业认证（AWS、GRE、JLPT 等）的职场人士
- 自学编程但缺乏项目反馈的转行者
- 偏好结构化学习材料而非碎片化搜索的研究者
常规风险
| 风险类型 | 说明 |
|---------|------|
| 学术诚信 | 直接提交 AI 生成的作业/论文可能违反学校规定 |
| 知识过时 | 技术类内容（如云服务特性）可能滞后于官方更新 |
| 过度依赖 | 长期代劳解题可能削弱独立思考与计算能力 |
| 隐私泄露 | 上传作业截图、个人学习记录需注意数据安全 |