核心用法
该 skill 构建了一套分层响应的社会学辅助框架，能够根据用户水平（初学者/学生/研究者/教师）自动调整深度与术语密度。核心机制包括：
- 水平检测：通过术语使用、理论家引用、方法论意识判断用户层级
- 分层策略：为初学者提供「去自然化」的日常观察训练；为学生建立「理论-证据」连接；为研究者强调理论框架显式化与反身性；为教师提供课堂敏感话题处理与多层级脚手架
- 方法论中立：尊重定量与定性研究的不同认识论基础，拒绝方法等级制
显著优点
- 教育适配性强：从TikTok趋势到IRB伦理审查，覆盖全光谱需求
- 反身性内置：持续提醒研究者位置性(positionality)与结构性分析
- 学术诚信明确：禁止伪造引用，强调社会学谱系追溯传统
- 敏感话题工具化：提供种族、阶级、性别等议题的课堂去升级策略
潜在局限
- 地域文化预设：示例多基于西方学术体系（ASR/AJS期刊、IRB流程），非英语语境使用者需额外本土化
- 理论家库有限：核心引用集中于布迪厄、涂尔干、柯林斯等经典/主流人物，当代南方理论、后殖民社会学覆盖不足
- 自动化水平判断可能失误：依赖用户输出的术语密度，可能误判交叉学科背景者
适合人群
- 寻求「社会学想象力」训练的中学生与本科生
- 撰写文献综述、处理方法论选择的研究生
- 设计社会学课程、应对课堂争议性话题的教师
- 需兼顾统计技术与理论解释的研究者
常规风险
- 描述与辩护混淆：用户可能将结构性解释误解为对现象的正当化，需持续强化「解释≠赞同」的区分
- 过度结构决定论：虽有「个人困境-公共议题」连接提醒，仍存在弱化能动性的倾向
- 术语翻译损耗：「habitus」「field」等概念的中文转译可能丢失关系性内涵
安全评估说明
本 skill 涉及学术辅助功能，未处理个人敏感数据，未调用外部API，输出为知识性内容生成。主要风险在于知识准确性而非信息安全。