这篇文章分析 Matt Pocock 的 teach skill。它做的是把“教用户一个新 skill 或 concept”组织成一个可跨 session 恢复的学习工作区：为什么学、参考什么、学到了哪、下一课教什么，都落到 workspace 里的文件上。

teach 的 frontmatter 透露了它的边界：description 写的是“在这个 workspace 里教用户一个新 skill 或 concept”，同时 disable-model-invocation: true。SKILL.md#L1-L5 这说明它不是模型随时自动触发的教学口吻，而是用户主动进入的学习模式。学习一旦被放进 workspace，就不再只是一次解释，而是一段可以跨 session 恢复的过程。

原文第一句直接定义任务性质：用户想学习某个东西，而且这是 stateful request，会持续多个 session。SKILL.md#L8-L8 后面所有设计都从这句话长出来。跨 session 学习最怕状态散在聊天记录里，所以 teach 先建工作区，再谈教学方法。

Teaching Workspace：先回答学习状态放哪里

teach 第一节不是 Philosophy，也不是 Lessons，而是 Teaching Workspace。SKILL.md#L10-L20 这个顺序很关键。Matt 先规定当前目录就是学习工作区，用户的学习状态由一组文件承载。没有这一步，后面的 mission、lesson、reference 都只是单次输出。

这些文件不是普通目录清单，而是一套状态分工。MISSION.md 记录用户为什么学，用来约束所有教学决策；RESOURCES.md 记录可信资源，用来防止 Agent 靠参数记忆编教材；learning-records/ 记录用户已经学会或修正过的关键理解，用来计算下一课的难度；lessons/ 保存一次次教学产物；reference/ 保存课程压缩后的速查材料；assets/ 保存跨 lesson 复用的组件；NOTES.md 保存用户偏好和工作笔记。SKILL.md#L14-L20

这就是 teach 自己对自己的解释：学习不是“问一次答一次”，而是一个有状态目录。每类材料都有归属，下一轮 Agent 才知道该读哪里、该继承什么、该避免重复什么。

MISSION.md 的格式文件把这个状态锚得更具体。它要求写清 Why、Success looks like、Constraints、Out of scope，并强调 mission 必须具体，不能写成“理解 X”这种抽象愿望。MISSION-FORMAT.md#L7-L31 这让 mission 变成教学决策的指南针：下一课是否该教，不看主题是否相关，而看它是否推进用户追求的现实变化。

RESOURCES.md 也有明确格式。它不是裸链接收藏夹，而是按 Knowledge 和 Wisdom 分组；每个资源都要说明覆盖什么、什么时候使用；资源浅、错、偏离 mission 时要删掉，而不是埋在列表底部。RESOURCES-FORMAT.md#L7-L32 这让资源列表成为可信材料库，不是资料垃圾场。

Philosophy：学习对象被拆成三类

第二节 Philosophy 说，深度学习需要三件事：Knowledge、Skills、Wisdom。SKILL.md#L22-L32 这不是泛泛的教育口号，而是在给后面的目录和动作分工。

Knowledge 来自高质量、高信任资源，所以 RESOURCES.md 必须先站稳。Skills 来自 Agent 设计的高相关互动课程，所以 lesson 不能只是解释页。Wisdom 来自和其他学习者、实践者互动，所以 Agent 不能把所有学习都封闭在对话里。

原文还提醒，不同主题的比例不同。理论物理可能更偏 knowledge，瑜伽更偏 skills。SKILL.md#L30-L32 这给 Agent 一个分流规则：不要把所有主题都做成同一种 lesson。学编程语言、学健身动作、学论文阅读，需要的资源、练习和反馈都不一样。

这里最硬的约束是“Never trust your parametric knowledge”。在 RESOURCES.md 没有填充好之前，重点应该是找高质量资源，而不是急着开讲。SKILL.md#L30-L30 这句话把教学 Agent 从“会解释”拉回“有证据”。它承认模型能组织学习，但不把模型记忆当权威来源。

所以 teach 里的找材料不是泛搜一堆链接，而是资源侦查。Agent 要先用 MISSION.md 判断这门课需要哪些 Knowledge 和 Wisdom，再去找 primary source、官方文档、认可专家、peer-reviewed work，或者强管理的高信任社区；营销包装、浅层教程、过时资料和偏离 mission 的内容要直接筛掉。RESOURCES-FORMAT.md#L27-L32

找到材料后，还不能只贴链接。RESOURCES-FORMAT.md 要求每个条目都写清“它覆盖什么、什么时候用”，并按 Knowledge 和 Wisdom 分组；如果 mission 需要某块内容但暂时找不到好资源，就写进 ## Gaps，把缺口变成下一轮搜索任务。RESOURCES-FORMAT.md#L27-L31 这就是 teach 对“怎么找材料”的隐含协议：先由 mission 约束搜索，再由信任标准筛选，最后把资源和缺口都写回工作区。

Fluency vs Storage Strength：不要把听懂当学会

Philosophy 下面紧接着区分 Fluency strength 和 Storage strength。前者是当场能想起来，后者是长期能保持。SKILL.md#L34-L41

这解释了为什么 teach 不能只追求“讲清楚”。讲清楚会提高 fluency，让用户在当前会话里顺着你点头；但真正目标是 storage strength，用户过几天还能自己提取、判断和使用。

原文给出的手段是 desirable difficulty：retrieval practice、spacing、interleaving。SKILL.md#L41-L45 这会反过来塑造 lesson：一个好的 lesson 应该让用户回忆、选择、操作、接受反馈，而不是只读一段顺滑解释。

desirable difficulty 可以理解为“有益的困难”：不是把课讲得更难，而是在用户不会被压垮的前提下，故意制造一点提取和判断成本。retrieval practice 更准确地说是“检索练习”或“提取练习”：学完一段内容后，先合上材料，主动回忆刚才学了什么，再对照反馈修正，而不是马上重读一遍。spacing 是“间隔练习”：把同一内容分散到不同时间点复习，而不是一次性突击。interleaving 是“交错练习”：把几个相关题型或技能混在一起练，让用户学会识别差异并选择策略，而不是连续重复同一种题。

这几个词落到 teach 的技巧上，就是 lesson 不能只有解释段。它要有小测、回忆题、延迟复习提醒、相似概念辨析和即时反馈。这样用户不是“读懂了”，而是在 lesson 里练过一次提取、判断和修正。

人和 Agent 的互动可以这样发生。做 retrieval practice 时，Agent 先教一个很小的概念，然后不要立刻总结答案，而是让用户合上解释、用自己的话复述、选择下一步、写出例子或指出错误；用户回答后，Agent 对照可信材料给反馈，指出漏掉什么、误解什么，再把真正影响后续教学的理解写进 learning record。这里的关键是先让用户输出，再由 Agent 反馈，而不是 Agent 连续讲完。

做 spacing 时，Agent 不能只靠当前 lesson 解决，因为间隔本来就跨时间。更合理的协议是：lesson 结尾留下一个复习点；下一次进入 teach 时，Agent 先读 learning-records 和上次 lesson，从旧内容里抽一个小问题让用户回忆，再进入新内容。也就是说，spacing 在 teach 里不是自动闹钟，而是“下一课开始前的旧知识检索”。它依赖 workspace 保存状态，也依赖用户再次回来学习。

做 interleaving 时，Agent 不应一直练同一类题，而是把相近概念放在一起比较。比如学 skill 写作时，不连续判断十个 description，而是交替判断 description、argument-hint、disable-model-invocation 和 references 该怎么写。做 desirable difficulty 时，Agent 要控制难度：题目应该让用户需要想一下，但不能难到只能猜。用户答错后，反馈要缩小问题，而不是直接把整段答案重讲。

Lessons：主产物不是长文，而是一节小课

teach 把 lesson 定义为主产物：一个保存在 ./lessons/ 下的自包含 HTML 文件，命名为 0001-<dash-case-name>.html。SKILL.md#L47-L49 HTML 不是重点，重点是 lesson 被固定成学习的最小推进单位。

原文对 lesson 的要求很具体：它要漂亮、短、很快能完成；它要给用户一个 single tangible win；它要直接绑定 mission，并处在用户的 zone of proximal development；它还要链接其它 lesson 和 reference document，推荐一个高信任主资源，并提醒用户继续向 Agent 提问。SKILL.md#L51-L61

single tangible win 是“一次单一、可感知的收获”。它不是“今天理解了很多背景”，而是用户完成 lesson 后能明确说出自己多会了一件事，比如能判断一个 skill 的 description 是否写得太宽，能把一个抽象目标改成可练习的小任务，或能用一个术语解释一个真实例子。single 要求一次只推进一个收获，tangible 要求这个收获能被用户看见、说出或做出来。

zone of proximal development 通常译作“最近发展区”。意思是：lesson 的难度应该略高于用户当前水平，用户独立做会有点吃力，但在 Agent 提示、反馈或示例帮助下可以完成。太简单，只会制造 fluency；太难，用户只能猜或放弃。放到 teach 里，Agent 要根据 mission 和 learning records 选择下一课：不教用户已经稳定掌握的内容，也不跳到还缺前置知识的内容。

它和 desirable difficulty 确实相邻，但不是同一个概念。zone of proximal development 更像选课边界：这一课该不该教，是否处在用户够得着的范围内。desirable difficulty 更像练习设计：这一课已经选定后，如何通过检索、间隔、交错、少量提示来制造有效困难。前者决定难度区间，后者决定区间内的训练方式。

这套约束共同防止两个失败。lesson 太大，用户工作记忆会被压垮；lesson 太散，用户只得到零碎知识，没有可积累的胜利。Matt 用“短小但有 tangible win”把 lesson 卡在中间。

如果自己写类似 skill，这里可以直接还原骨架：一次教学产物必须有编号、有文件、有使命绑定、有当前难度判断、有主资源、有向后链接、有复习价值。少了这些，lesson 就退化成一次对话回答。

Assets：课程不是一堆一次性页面

Lessons 之后紧接着是 Assets。原文说 lessons 由 ./assets/ 里的可复用组件构建：样式表、测验组件、模拟器、图表 helper，任何第二节课还会用到的东西都应该放这里。SKILL.md#L63-L69

这节说明 teach 不只关心教学内容，也关心课程系统的维护成本。第一节课如果内联一个测验组件，第二节课就会复制；复制多了，课程会变成一堆风格不一、组件不可维护的页面。

原文甚至说共享 stylesheet 是每个 workspace 最先获得的组件。SKILL.md#L69-L69 这不是审美洁癖，而是让多节 lesson 看起来像一门课程，而不是一堆一次性输出。

The Mission：不知道为什么学，就不能决定下一课

Mission 节回到 MISSION.md 的使用方式。每个 lesson 都必须 tie into mission；如果用户的 mission 不清楚，或者 MISSION.md 还没有填，Agent 的第一件事是追问用户为什么学。SKILL.md#L71-L79

这段逻辑很强：没有 mission，知识获取就没有现实目标，lesson 会变抽象，Agent 也无法判断下一步教什么。SKILL.md#L77-L77

Mission 还会变化。用户学着学着发现自己真正关心的不是原来的目标，teach 要更新 MISSION.md，并添加 learning record 记录这次变化，但必须先向用户确认。SKILL.md#L79-L79

这里的边界很重要。Agent 可以发现 mission 变化，但不能擅自替用户改人生目标。长期状态一旦改变，必须经过用户确认，并留下记录。

Zone Of Proximal Development：下一课由状态算出来

Zone Of Proximal Development 这节给出了下一课选择协议：用户可以指定想学什么；如果没有指定，Agent 要读 learning-records，结合 mission，选择最适合用户当前发展区的内容。SKILL.md#L81-L89

这就是为什么前面的 learning records 不是日志。它们要服务下一课计算。没有 learning records，Agent 只能猜用户水平；有了 records，Agent 可以知道哪些概念已经真的掌握、哪些误解已经修正、哪些先验知识不必重教。

LEARNING-RECORD-FORMAT.md 对这个状态的门槛很严。learning record 只在用户展示了真正理解、披露已有知识、纠正误解，或 mission 因学习发生变化时写。LEARNING-RECORD-FORMAT.md#L29-L43 只是“讲过”不算，session 活动日志也不算。

所以 teach 不是让 LLM 根据经验判断“用户应该懂了”。原 skill 没有列出一组固定提问模板，但它要求 lesson 通过 interactive feedback loop 练 skill，并让用户获得反馈；LEARNING-RECORD-FORMAT.md 又要求“等证据”，比如用户答对问题、完成练习、说明已有经验后，才写 record。SKILL.md#L93-L108LEARNING-RECORD-FORMAT.md#L21-L23

前面那些“复述、练习、迁移到新例子、指出误解、说明已有知识深度”，是把这个要求落成可执行提问的方式，不是原文逐条规定。Agent 可以这样收集证据：让用户用自己的话解释一个概念；给一个小练习看用户能不能完成；换一个新例子看用户能不能迁移；故意给一个错误说法让用户判断；当用户说“我已经知道 X”时追问他知道到什么程度。record 记录的也不是“今天学了 X”，而是“用户已经能正确使用 X，这会让下一课可以跳过 Y 或进入 Z”。如果证据可能被以后质疑，就补 Evidence；如果它会改变后续教学路径，就补 Implications。LEARNING-RECORD-FORMAT.md#L17-L36

这让 learning record 成为学习版 ADR。它保存的是会影响未来教学的决策级事实，不是课堂流水账。后来的理解如果推翻早期记录，也不直接删除，而是标记 superseded。LEARNING-RECORD-FORMAT.md#L44-L46

Knowledge、Skills、Wisdom：三种教学动作

后半部分把 Philosophy 的三分类展开成具体动作。

原 skill 给出的判断方式不是一张分类表，而是看“学习对象从哪里来、靠什么获得、由谁验证”。Knowledge 是可以从高信任资源中获得的内容，比如概念、术语、规则、原理和操作前置知识；Skills 是用户必须亲自练出来的能力，比如判断、写作、操作、选择策略；Wisdom 是只能在真实环境和共同体里慢慢校准的判断，比如什么场景该妥协、业内怎么评价、真实用户会不会接受。SKILL.md#L24-L32

所以三者的教学设计不同。教 Knowledge 时，Agent 的任务是找可信材料、降低理解难度、只讲掌握 skill 所必需的部分；教 Skills 时，Agent 的任务是设计互动练习、让用户输出、给即时反馈；遇到 Wisdom 时，Agent 可以先帮助分析，但最终要把用户连接到高信誉社区、真实实践或真人反馈，而不是假装自己能独立给出权威判断。SKILL.md#L91-L120

这样分层的原因是：三类学习的失败模式不同。Knowledge 的失败是材料不可信、讲太多、压垮工作记忆；Skills 的失败是只听懂但不会做，所以必须练；Wisdom 的失败是脱离真实世界，Agent 在对话里说得通，但经不起真实社群、真实用户或真实场景校验。teach 把它们拆开，是为了让 Agent 不把所有教学都做成解释文本。

Knowledge 节说，lesson 应该围绕用户要学会的 skill 设计，知识只教获得这个 skill 所必需的部分；先教知识，再让用户通过 interactive feedback loop 练 skill。SKILL.md#L91-L97

这里的材料链条应该是：先读 MISSION.md 确定用户为什么学，再查 RESOURCES.md 是否已有可信来源；如果没有，就回到前面的资源侦查，而不是用模型记忆补空。lesson 里的知识点要带引用，最好还推荐一个最值得用户读或看的 primary source。SKILL.md#L57-L60 这样，lesson 不是 Agent 自己“讲得像真的”，而是把可信材料加工成当前用户能练的一小步。

这句话很容易被忽略。它不是让 Agent 做百科解释，而是要求知识服务技能。知识获取阶段，difficulty 是敌人，因为它会吃掉理解所需的工作记忆。SKILL.md#L97-L97

Skills 节反过来说，技能学习里 difficulty 是工具。effortful retrieval 才会建立 storage strength。技能应该通过 interactive lessons、quiz、轻量浏览器任务、真实步骤练习来获得，并且必须有尽可能紧的 feedback loop。SKILL.md#L99-L110

这一正一反，是 teach 里很锋利的设计。知识阶段要降低难度，技能阶段要引入合适难度。一个教学 Agent 如果只会“解释得更简单”，就无法教技能；如果一上来就加难度，又会压垮知识理解。

Wisdom 节把边界再推出学习环境之外。智慧来自真实世界互动，用户需要在社区、论坛、线下课程或兴趣小组中测试自己的技能。SKILL.md#L112-L120

这也是 teach 的自知之明。Agent 可以尝试回答 wisdom 问题，但最终要把用户连接到 community。如果用户不想加入社区，Agent 要尊重并记录。SKILL.md#L116-L120

Reference Documents 和 NOTES：长期复用与个人偏好

Reference Documents 节解释 reference/*.html 的角色。lesson 很少被反复重读，reference 会；reference 应该是 lesson 的压缩精华，用于快速查阅。SKILL.md#L122-L136

这让学习材料分成两种寿命。lesson 负责一次学习体验，reference 负责未来检索。语法、算法、流程图、动作序列、glossary 都适合沉淀成 reference；glossary 一旦建立，后续 lesson 都要遵守它。SKILL.md#L128-L136

NOTES.md 则保存用户偏好和工作笔记。SKILL.md#L138-L140 它不像 mission 那样决定学习方向，也不像 learning record 那样证明理解进展，但它会影响教学方式。比如用户偏好短练习、不喜欢视频、希望先看例子后看定义，这些都应该进入 notes。

用 teach 自己还原它的设计

按原文顺序读下来，teach 的生成逻辑很清楚。

先用 frontmatter 限定调用方式：这是用户主动进入的 workspace 教学，不是模型自动触发的口吻修饰。再用第一句话限定任务性质：多 session、stateful。然后立刻定义 Teaching Workspace，把学习状态拆成 mission、resources、learning records、lessons、assets、reference 和 notes。

工作区之后，才进入教学哲学：学习由 knowledge、skills、wisdom 三种对象组成；真正目标是 storage strength，不是当场 fluency。这个哲学再落到主产物 lesson：短、美、可完成、有 tangible win、绑定 mission、处在发展区、引用可信资源、链接 reference。

lesson 之外，assets 负责复用，mission 负责方向，learning records 负责下一课计算，reference 负责长期查阅，notes 负责个人偏好。整套 skill 不是一段教学风格提示，而是一台学习状态机。

如果要写类似 skill，不能从“请当一个好老师”开始。应该从这几个问题开始：学习是否跨 session，状态放在哪里，可信知识从哪里来，用户当前水平如何被记录，一课多大，练习如何形成 feedback loop，哪些材料会长期复用，哪些决策必须回到用户确认。

代价和边界

teach 很完整，也因此很重。它适合长期学习，不适合一次性解释。如果用户只是问一个概念，启动 mission、resources、learning records、lessons、assets 和 reference 会过度设计。

它也依赖用户愿意把学习当作项目经营。mission 要被维护，resources 要被筛选，learning records 要基于证据写入。用户如果只想临时问答，这套机制会显得笨重。

另一个边界是反馈。teach 要求 tight feedback loop，但不同主题能自动反馈的程度不同。编程练习可以自动验证，瑜伽动作可能需要真人教练，写作能力则需要真实读者反应。skill 可以要求反馈，但不能假装所有反馈都能由 Agent 独立完成。

这正是它最值得学的地方。teach 没有把学习简化成聊天，而是让学习获得可恢复的状态、可信的资源、可复用的材料和真实的反馈边界。只有这些都存在，Agent 才能从一次解释，变成长期学习伙伴。