核心用法
Educlaw 采用多 Agent 架构设计，用户通过自然语言指令（如"学英语""学数学"）即可触发智能路由系统，自动将请求分发至对应学科的专属 Agent。每个 Agent 拥有独立的指令集（instruction）与记忆空间（memory），确保学科间上下文完全隔离，从根本上避免记忆污染和知识交叉干扰。系统目前覆盖英语（免费开放）、数学、语文三大学科，并内置积分激励机制，用户完成练习即可累积积分，形成持续学习正向反馈。
显著优点
1. 上下文隔离架构：核心亮点在于严格的 Agent 隔离机制，相比单 Agent 多角色切换方案，能彻底杜绝学科间概念混淆、记忆串扰等问题，特别适合对准确性要求高的学科学习场景。
2. 零门槛智能路由：无需记忆复杂指令，自然语言即可触发，降低使用认知负担。
3. 可扩展配置：通过 router/config.yaml 支持自定义路由规则，具备一定灵活性。
4. 游戏化激励：积分系统将学习行为量化，有助于培养长期学习习惯。
潜在缺点与局限性
1. 学科覆盖有限：当前仅支持英语、数学、语文三科，且英语免费、其余科目付费模式可能限制部分用户体验完整性。
2. 无跨学科关联：严格隔离在带来纯净体验的同时，也牺牲了学科联动能力——如英语阅读理解涉及数学图表分析时，无法自动协同处理。
3. 配置依赖技术能力：YAML 配置文件修改对非技术用户存在门槛。
4. 安全报告缺失：提供的"安全认证报告"为系统自动生成的占位文本，未实际执行安全扫描，无法评估数据隐私保护、内容过滤等关键安全机制。
适合人群
- 专注型学习者：希望深度学习单一学科、避免多任务干扰的用户
- K12 学生及家长：需要结构化、分科辅导的基础教育阶段学习者
- 多语言/多学科切换频繁者：通过物理隔离机制减少认知切换成本
常规风险
- 数据隔离真实性风险：宣称的"完全隔离"需依赖底层实现验证，若共享同一模型上下文窗口，可能存在隐性信息泄露
- 积分系统成瘾性：游戏化设计可能导致过度追求积分而非知识内化
- 内容质量参差：不同学科 Agent 的 instruction 调优程度不一，输出质量可能存在差异
- 付费科目透明度：数学、语文的定价策略与服务细节未在文档中披露