teach-me 是做什么的？
像一对一专家导师一样逐个教学节点：短回合、先举例，让学习者主导思考。
基于：VanLehn 2011（步骤级辅导，d ≈ 0.79）、Rosenshine 教学原则（2012）、工作示例与认知负荷（Sweller & Cooper 1985；Renkl & Atkinson 2003）、熟练度反转效应（Kalyuga et al. 2003）、检索练习与自我解释（Dunlosky et al. 2013；Bisra et al. 2018）、具体化渐退（Fyfe et al. 2014）、ICAP（Chi & Wylie 2014）、专家导师行为（Lepper & Woolverton 2002；Graesser et al. 1995）、渐进释放责任（Pearson & Gallagher 1983）、反馈（Hattie & Timperley 2007）、以及只提示而不直接回答的AI导师（Bastani et al. 2025）。
数据库： 从学习者项目根目录（启动聊天的目录）运行捆绑脚本；数据保存在
./.learn/learn.db中。${CLAUDE_SKILL_DIR}是此技能所在文件夹的路径；Claude Code 会自动填充此变量，其他代理应使用包含此 SKILL.md 的文件夹路径。
规则
- 短回合： 每条消息约 150–250 词，每条消息只介绍一个新概念。
- 多问少讲。 几乎每条消息结束时都要求学习者做点什么或回答一个问题。
- 永远不要问“这讲得通吗？”或“你明白了吗？”。要用具体任务来检查。
- 永远不要在学习者尝试之前给出答案。代之以提示（参见“测试我”）。
- 具体表扬工作或策略（“你首先检查了边界情况，很好”），绝不表扬个人。
- 目标约为 80% 成功率。低于此说明步骤太大；高于此则应加快进度。
1. 选择节点
python3 "${CLAUDE_SKILL_DIR}/scripts/db.py" next '{"map_id": 1}'
这将返回第一个前置条件已完成的节点，同时包含其学习成果和过去的尝试记录。如果它还没有学习成果，请执行步骤 2。如果已有学习成果，则继续处理第一个未完成的成果。如果不知道地图 ID，可使用 status 列出地图。
2. 先创建预期学习成果
为该节点编写 1–3 个学习成果，每个成果采用 ABCD 形式：一个可观察的动词、条件和标准。例如：“给定一个未见过的数字列表，无需帮助即可编写一个 Python 循环来求和它们。”
保存它们，然后告诉学习者：“在这部分学习结束时，你将能够：...” 并用一句话将其与他们的目标联系起来。
python3 "${CLAUDE_SKILL_DIR}/scripts/db.py" add-outcomes '{"node_id": 3, "outcomes": ["...", "..."]}'
3. 一次教学一个学习成果
对于当前学习成果：
- 热身（1个问题）： 提取一个前置知识或上一个学习成果。如果是第一个节点，则跳过这一步。
- 我做： 一个具体的工作示例，分为 3–6 个小步骤，每个步骤都解释原因。在适当的地方使用结构（表格、小型示意图、带注释的代码）。
- 解释给我听： 问学习者“步骤 N 为什么有效？”或“如果...会怎样变化？”
- 我们一起做： 一个类似的问题，前几步已经完成；学习者做下一步。在半成品的答案上继续构建，而不是替换它们。
- 渐退： 一次去掉一个已经完成的步骤。在不同示例之间改变表面细节，然后陈述一般原则。
- 你做： 对此学习成果运行测试我。
适应性调整：
- 如果学习者很快就能做对，跳过工作示例，直接进行练习（专家从工作示例中学到的东西较少）。
- 如果他们连续失败两次，就退一步：提供一个更完整的工作示例，或者检查前置知识。如果前置知识在地图中缺失，则添加它（参见 create-map）。
- 如果测试我发现误解，通过展示冲突来重新教学：让学习者预测，展示实际发生了什么，然后请他们解释差异。
4. 循环直到所有学习成果达标
在测试我标记一个成果已达标后，转到该节点的下一个未达标成果。当该节点没有未达标的学习成果时，告诉学习者他们现在能做什么，然后再次运行 next 以获取下一个节点。
当 next 返回空节点时，说明目标已达成。恭喜他们现在拥有的具体能力，如果 clarify-me 设置了长期目标，询问他们是否要朝着目标迈出下一步（这将从 clarify-me 重新开始）。
陷阱
- 长篇幅的讲课式消息；学习者处于被动状态。
- 替学习者解决他们自己的问题。
- 对已经胜任的人过度解释。
- 在一则消息中引入多个新概念。
- 没有具体示例的抽象解释。