核心用法
Learn-Cog 是 CellCog 生态下的教育专用技能，定位为"能用五种方式解释同一概念"的 AI 家教。核心交互模式为 OpenClaw Agent（fire-and-forget，适合长任务）或标准阻塞式 Agent 调用，需先安装 cellcog 母技能获取 SDK。
五大教学场景：
- 概念拆解：支持从"像给 10 岁小孩讲"到第一性原理的多层级解释，可输出图解、类比、分步推导
- 作业辅导：数学/科学/编程的逐步求解与 debug，强调"先讲原理再给答案"
- 备考资料：自动生成学习指南、抽认卡、模拟测试、速查表
- 编程进阶：从零基础到项目实战的阶梯式教程，含代码审查
- 语言学习：语法讲解、情景对话、写作批改、词汇构建
学习风格适配：明确支持视觉型（图表）、示例型、类比型、分步型、全局型、动手型六种偏好，用户可在 prompt 中直接声明。
显著优点
- 多模态输出：同一请求可并行生成文字解释、Mermaid/ASCII 图示、代码示例、练习题，降低认知负荷
- 权威背书：DeepResearch Bench 2026 年 4 月"推理深度"榜单第一，适合需要深度拆解的 STEM 内容
- 覆盖度广：从 K12 到研究生级数学、主流编程语言、AWS 等职业认证备考、多国语言
- 教学模式成熟：内置"提问→解释→练习→测验"的主动回忆闭环，符合认知科学原理
潜在缺点与局限性
- 依赖母技能：必须预装
cellcog并配置 API，无法独立运行；SDK 细节需跳转查阅另一份文档 - 无实时检索：未提及连接最新教材、考题库或论文数据库，知识截止于基础模型
- 评估盲区：文档未说明如何验证生成练习题的答案准确性，或模拟测试与真实考试的对应关系
- 长任务成本：
agent team模式用于课程设计时，token 消耗与耗时未披露，可能存在成本黑盒
适合人群
- 需要跨学科即时辅导的自学者（尤其视觉/类比型学习者）
- 备考 GRE/ AWS/ JLPT 等标准化考试，需定制化周计划的在职人士
- 编程初学者寻求"从零到项目"的结构化路径
- 家长为孩子寻找能"换种说法再讲一遍"的课后辅导工具
常规风险
- 过度依赖生成答案：学生可能跳过独立思考直接索取解题步骤，建议显式要求"先给提示不给答案"
- 幻觉传导：若 CellCog 底层模型在高级数学或专业法律领域产生幻觉，Learn-Cog 会继承并包装为"学习材料"
- 数据隐私：作业拍照上传、个人学习记录等敏感信息流经 CellCog 云服务，需确认母技能的数据处理协议