用/teach技能让AI变身私人教师：有状态Skill设计全解析

当AI不只是写代码，还能当老师

一位拥有十年教学经验的开发者——六年声乐教练加四年开发者培训——最近在一趟前往伦敦的长途巴士上，把自己所有关于教学的认知浓缩进了一个AI Skill：/teach。这个Skill的目标很简单也很大胆：让任何人都能学会任何东西。

他用这个Skill学会了解魔方——一件他一直想做却从未真正付诸行动的事。而整个体验，用他自己的话说，"感觉就像有一位真正的老师在身边，按照我喜欢的方式教我，完全契合我的学习节奏。"

这不是一个简单的问答机器人，而是一个精心设计的、有状态的教学系统。让我们拆解它的设计哲学和工程实现。

有状态与无状态：Skill设计的核心抉择

在构建AI Skill时，第一个也是最关键的设计决策是：这个Skill应该是有状态的还是无状态的？

这个问题的根源可以追溯到分布式系统设计的基本原则。在Web开发中，HTTP协议本身是无状态的——每个请求独立存在，服务器不保留客户端的历史信息。为了实现有状态行为，开发者需要引入Session、Cookie、数据库等机制来持久化用户上下文。在AI Agent的设计中，这个抉择同样关键：无状态Agent每次对话都从零开始，适合一次性任务；有状态Agent则需要设计持久化层来存储对话历史、用户偏好和任务进度，这带来了更高的工程复杂度，但也使得长期交互和个性化成为可能。

无状态Skill不保留任何之前运行的记忆。每次调用都是全新的开始，不会在文件系统上保存任何东西。比如作者之前做的grill me技能，它只是就某个主题不断拷问你，直到你准备好动手实现为止。简单、直接、一次性。

有状态Skill则完全不同。它会把信息保存到本地文件系统或MCP服务器，做笔记、跟踪进度，能从上次中断的地方继续。这里提到的MCP（Model Context Protocol）是Anthropic推出的开放协议，旨在标准化AI模型与外部工具、数据源之间的连接方式——类似于AI世界的USB接口，让AI能够以统一的方式访问文件系统、数据库、API等外部资源。在/teach中，这种能力使得AI从一个纯粹的对话者转变为一个能操作真实环境的智能体。比如grill with dogs会在本地保存ADR（架构决策记录）等文件，随着时间推移越来越好。ADR是软件工程中的一种轻量级文档实践，每份记录捕获一个重要架构决策的背景、内容和权衡推理，为AI提供了理解项目演化历史的关键上下文。

作者最初把/teach设想为无状态的——你说"教我这件事"，它就去找资料、给你输出一份教学内容。但他很快意识到：所有真正有效的教学都是有状态的。 作为老师，你需要记住学生学到了哪里，手头有之前积累的教学资料，能根据学生的进展量身定制下一步。

这两种模式没有优劣之分，只是适用于不同场景。但对于教学这个任务，有状态是必须的。

/teach的工作流程：从使命到课程

安装/teach后，进入一个空目录，输入类似"教我如何解魔方"的指令，整个教学系统就开始运转了。它的工作流程分为几个精心设计的阶段：

建立使命宣言

这是作者作为资深教育者的核心洞察——要想有效教学，必须先弄清楚学生为什么要学这个东西。Skill会自动创建一份使命说明，比如："希望能够打乱一个三阶魔方并在不借助任何帮助的情况下至少完成一次复原。目标是成就本身，不是速度，也不是理论。"

这种"从目标倒推"的设计理念在教育学中被称为"逆向设计"（Backward Design），由Grant Wiggins和Jay McTighe在《Understanding by Design》一书中系统阐述。核心思想是：先确定期望的学习成果，再设计评估方式，最后才规划教学活动。这与传统的"先讲内容再看学到什么"形成鲜明对比。

搜索一手资料

Skill会上网搜索真正的一手来源、高可信度的资料，用来生成课程内容。这些资源会随着学习进展不断更新。

生成互动课程

所有课程存放在Lessons文件夹里，按编号排列。关键设计决策是：课程采用独立的HTML文件而非Markdown。这个选择反映了一个重要的工程权衡——Markdown虽然轻量易读，但表现力有限，本质上是纯文本的语法糖，无法原生支持交互元素、动画、条件渲染或复杂布局。HTML配合CSS和JavaScript则可以创建完整的Web应用级体验：可折叠的内容区块、带状态的测验组件、SVG动画图解、甚至嵌入式的3D模型查看器。这意味着AI生成的课程本质上是一个个微型Web应用，可以直接在浏览器中运行，无需额外工具链。

比如第一课"解剖学、记谱法以及白色十字"，包含示意图、简明讲解、重点提示和测验。作者甚至发现AI生成了可操作的互动标签页——学生可以在浏览器中直接练习和探索，充分利用浏览器的全部能力。

最近发展区：教学设计的灵魂

整个/teach Skill的教学理念围绕一个核心概念：最近发展区（Zone of Proximal Development, ZPD）。

这是教育心理学中的经典理论，由苏联心理学家列夫·维果茨基（Lev Vygotsky）在1930年代提出，是建构主义教育理论的核心概念之一。维果茨基认为，学习者的认知发展存在三个区域：已经掌握的区域（独立完成区）、完全无法理解的区域（挫折区），以及介于两者之间、在适当引导下可以达到的区域（ZPD）。与之配套的核心概念是"脚手架"（Scaffolding）——教师提供临时支撑帮助学生跨越ZPD，随着学生能力提升逐步撤除支撑。这个理论从根本上解释了为什么一对一辅导的效果远优于大班教学——因为教师能精准识别每个学生的ZPD边界并据此调整教学节奏和难度。

教学应当始终在学生"既被充分挑战又不会感到畏惧"的区域内进行。每一课都必须简明紧凑，精准落在这个区间——学生既不会无聊，也不会被吓到。

这在实际使用中体现得淋漓尽致。当作者告诉AI"我基本上能复原魔方了，除了脚快循环那一步还没完全记住"时，AI会：

1. 检查教学工作区的状态和所有学习记录
2. 诊断出"脚快循环概念成立，但还没形成肌肉记忆"
3. 把这个算法拆解成更小的块，生成专注的练习课
4. 提供新的心智模型、四部口诀和反复练习方案

这个过程完美复现了维果茨基理论中的脚手架机制：AI识别到学生当前的ZPD边界（概念理解已到位，但程序性记忆未形成），然后提供恰到好处的支撑（口诀、分块练习）来帮助学生跨越这个特定的认知缺口。

配套系统：不只是课程

除了核心课程，/teach还会自动生成一系列配套文件，构成完整的学习支撑体系：

• 术语表（Glossary）：收录学习过程中遇到的专业术语，如解法、握法、除举法等。就像学编程语言时的API文档，后续课程可以直接引用，让内容更精炼。
• 速查表（Cheat Sheet）：比如魔方解法卡，不是完整教程，而是一个快速查阅的参考点。
• 学习记录（Learning Log）：当你汇报进展时，AI据此生成记录，持续跟踪学习情况。
• 笔记文件（Notes.md）：AI自身的内部笔记，记录你的偏好和需要注意的事项。
• 社区推荐：课程底部会尝试寻找相关社区，因为"唯一能让你真正掌握的方法是培养智慧，关键在于真正参与社区互动"。

这套配套系统的设计暗合认知科学中的"间隔重复"（Spaced Repetition）和"检索练习"（Retrieval Practice）原理。术语表和速查表降低了认知负荷，让学生能把有限的工作记忆集中在新概念上；学习记录则为AI提供了实施间隔重复策略的数据基础——它能判断哪些知识点需要复习、何时复习效果最佳。

因为所有内容都保存在文件系统中，即使清空对话上下文，下次运行/teach时AI依然拥有所需的全部上下文，让你始终处在最近发展区。

从教学到入职：工程场景的应用潜力

从工程角度看，/teach在**新成员入职（Onboarding）**场景中有巨大潜力。

传统的入职文档有两个痛点：一是需要持续维护保持最新，二是文档内容很可能超出新人的最近发展区。新人的背景千差万别——有人用过你的技术栈只需了解具体业务，有人可能连TypeScript是什么都不清楚。

这个问题在软件工程领域尤为突出。研究表明，新开发者在大型代码库中达到全面生产力平均需要3-6个月，而这段时间内他们消耗的高级工程师指导时间是巨大的隐性成本。传统解决方案——写更多文档——往往陷入"知识诅咒"陷阱：文档作者因为太熟悉系统，无法准确判断新人的认知起点，导致文档要么过于浅显要么过于深奥。

用/teach，你可以让新人在自己的工作空间里开始，指向代码库，AI会根据他们的实际水平量身定制学习路径。他们会独立地学习如何处理代码和理解概念，而你"在创纪录的时间里就拥有了一位高效的员工"。

开发者是AI时代的先行者

作者在最后分享了一个更宏大的思考：开发者是第一批真正体验到AI在其擅长领域所能做到什么的人。AI目前在编写代码方面比几乎其他任何事情都更擅长，而开发者恰好是第一批能在自己擅长的问题上测试AI的群体。

这种"先行者"地位有其历史先例。正如1990年代的Web开发者率先探索了数字化协作的模式（版本控制、开源社区、敏捷方法论），今天的开发者正在率先定义人机协作的工作流和最佳实践。从Prompt Engineering到Agent设计，从AI辅助编程到AI驱动的教学——这些模式一旦在开发者社区中被验证和打磨成熟，就有潜力扩散到医疗、法律、金融等所有知识工作领域。

这意味着开发者是这个新领域的先行者。我们在这里形成的想法——比如/teach这样的Skill——可以转化并推广到编码之外的领域。无论未来的工作形态如何变化，与AI协作的能力都将是一项极其宝贵的技能，而我们正是第一批真正开始这样做的人。

/teach不是要让你永远依赖AI来学习一切。它的设计哲学是：把技能真正交给你，让你有信心走出去融入社区，然后把你送到更广阔的世界。 这才是这类工具的终极愿景。