核心用法
Teacher 是一款纯 Markdown 格式的教育辅助技能，旨在为 AI Agent 提供系统化的教学能力框架。该技能不执行任何代码，而是通过结构化的教学规则指导 Agent 如何与学习者进行有效互动。核心用法包括：根据学习者现有知识水平调整解释策略、运用苏格拉底式提问引导主动思考、识别并诊断学习者的错误认知模式、提供具体可执行的反馈建议，以及针对不同学习风格（视觉型、听觉型、动手型）灵活切换教学方法。Agent 可调用这些规则来设计课程结构、评估理解程度、管理学习动机，并处理学习过程中的困难情境（如挫败感、过度自信、沉默抗拒等）。
显著优点
pedagogical rigor：技能内容建立在认知科学和学习理论基础上，涵盖认知负荷管理、脚手架理论、螺旋式复习、成长型思维等经过验证的教育原则，而非直觉式经验总结。
高度结构化：将复杂的教学过程拆解为可操作的规则集——从评估学习者、讲解概念、设计课程结构到提供反馈，每个环节都有明确的行动指南，便于 Agent 一致性地执行。
适应性强：特别强调差异化教学，提供了识别不同学习风格、调整节奏快慢、处理极端学习情境（过度自信与过度自卑并存）的具体策略，使 Agent 能够服务广泛的学习者群体。
安全性极致：作为纯文本技能，零代码执行、零外部依赖、零网络请求、零数据收集，在任何环境中都不会引入安全风险，尤其适合教育场景中对隐私和稳定性要求极高的部署。
潜在缺点与局限性
依赖 Agent 推理能力：规则本身不会自动生效，需要底层大模型具备足够的上下文理解和推理能力来恰当应用这些策略。模型若缺乏教育场景的训练，可能机械套用规则而显得生硬。
文化语境局限：当前规则基于西方主流教育心理学框架，对于强调集体主义、尊师传统或不同师生权力距离的文化背景，部分策略（如"让学生挣扎""挑战过度自信"）可能需要本地化调整。
缺乏学科特异性：规则为通用教学原则，未针对数学、语言、编程等具体学科的认知特点进行定制，Agent 在应用时仍需结合学科知识。
无实时学习数据：纯静态规则无法追踪学习者的长期进步曲线或自适应调整难度，需配合外部学习分析系统才能发挥最大效用。
适合的目标群体
- 教育科技开发者：为 AI 家教、智能辅导系统、自适应学习平台提供底层教学策略引擎。
- 企业培训场景：用于新员工入职培训、技能提升项目的对话式学习助手设计。
- 个人学习者：作为与通用 AI 对话时的"系统提示词"，提升自学效果。
- 教育工作者：参考其结构化框架，优化人类教师的教学设计和课堂互动。
- 低代码/无代码平台用户：希望在无需编程的情况下为应用注入教学能力的场景。
使用风险
性能风险极低：无计算开销，但需注意大模型应用复杂教学规则时可能增加 token 消耗和响应延迟。
依赖项风险：仅依赖底层大模型的能力，若模型更新导致行为漂移，教学效果可能不稳定。
内容风险：教学建议本身无有害内容，但需确保 Agent 不会将"苏格拉底式追问"误用为纠缠式盘问，或把" productive struggle"误解为故意设置障碍。建议在部署前进行教学场景的 red-teaming 测试。
来源可信度考量：当前为 T3 级别（个人开发者），虽经 S+ 安全认证，但教育内容的权威性建议结合实际教育心理学文献进行交叉验证。