不只给定义，要给血肉。
将冰冷的计算机科学与网络安全专业知识，转化为有血有肉、可感知、可理解的教学内容。
TeachMe 是一个面向支持 SKILL 机制的 Agent 的教学技能，专注于四大技术教学场景：
- 专业知识讲解 — 将抽象概念（协议、架构、安全机制等）转化为直觉+形式化的完整理解
- 算法与数据结构讲授 — 从问题出发，展示从朴素到优雅的演进路径
- 技术方案选型分析 — 多维度对比候选方案，给出有理有据的决策建议
- 关键技术决策点评 — 客观评审技术决策质量，提取可复用的决策原则
核心设计哲学："有血有肉"教学七要素 — 每个知识点都覆盖动机→直觉→弯路→形式化→实例→误区→延伸。
├── SKILL.md # 技能主文件：核心工作流与使用指南
├── @README.md # 本文件
└── references/ # 场景特化参考文档
├── algorithm-teaching.md # 算法讲解特化指南
├── architecture-review.md # 技术方案选型分析框架 (STAR-R)
├── decision-analysis.md # 决策点评维度 (DECIDE)
├── knowledge-explainer.md # 专业知识讲解模板
├── socratic-questions.md # 反向提问问题库（四大场景分类）
└── teaching-structures.md # 教学结构模板库（四种结构）
以"教学设计顾问"身份，先不直接生成内容，而是向用户提出 3-5 个关键问题：
- 通用必问：目标受众、核心目标、输出形式与时间约束
- 场景特问：根据识别到的四大场景，从
references/socratic-questions.md中选择 2-3 个针对性问题
场景识别规则：
| 关键词 | 场景 |
|---|---|
| 算法、数据结构、怎么实现、时间复杂度 | 算法讲授 |
| 选型、对比、选哪个、方案优劣 | 方案选型 |
| 决策、评审、设计问题、建议 | 决策点评 |
| 概念、原理、机制、协议 | 专业知识讲解 |
根据对齐结果，动态选择教学结构并生成内容。
四种教学结构（来自 references/teaching-structures.md）：
| 结构 | 适用场景 |
|---|---|
| 问题导向式 | 算法讲解、概念引入 |
| 认知负荷分层式 | 复杂系统、分布式协议 |
| 对比分析式 | 方案选型、算法选择 |
| 演进式 | 技术史、架构演进 |
"血肉"七要素（必须全部覆盖）：
- 动机/历史背景 — 这个概念当初是为了解决什么问题？
- 直觉/大图景 — 最直观的理解方式是什么？
- 探索过程/弯路 — 从朴素尝试到最终方案的演进路径
- 形式化定义 — 在直觉建立后给出精确描述
- 实际应用/代码实例 — 结合仓库上下文中的真实代码
- 常见误区/陷阱 — 最容易掉进的坑及避坑方法
- 总结与延伸 — 核心 takeaway + 进一步学习方向
场景特化参考：
- 算法场景 →
references/algorithm-teaching.md - 方案选型 →
references/architecture-review.md - 决策点评 →
references/decision-analysis.md - 专业知识 →
references/knowledge-explainer.md
如需幻灯片，先生成完整 Markdown 文档，再提炼为幻灯片页大纲，并按优先级调用现有 skill：
- huashu-design（高保真 HTML 原型）
- ppt-master（AI 原生可编辑 PPTX）
- pptx（标准 PowerPoint）
以下关键词或场景会自动激活 TeachMe 技能：
- 讲解类："讲解"、"讲授"、"教一下"、"怎么理解" + 专业概念/算法/技术
- 选型类："分析一下这个方案的优劣"、"技术选型"、"选 A 还是 B"
- 决策类："评审这个技术决策"、"这个设计有什么问题"、"决策建议"
- 分享类："帮我准备一次技术分享"、"写个技术博客"、"团队内部分享"
- 通用：任何需要将抽象技术概念转化为可理解教学内容的场景
用户：给我讲一下 Dijkstra 算法
Stage 1（反向提问）：
- 目标受众是谁？（初学者 / 进阶开发者）
- 是否需要手写实现，还是理解原理即可？
- 有没有具体的性能约束场景需要覆盖？
Stage 2（内容生成）：
- 问题导向式结构
- 从"水漫延"直觉 → 优先队列形式化 → 代码实例 → 负权边误区
用户：Kafka 和 RabbitMQ 应该怎么选？
Stage 1（反向提问）：
- 约束条件是什么？（吞吐量、延迟、一致性、运维复杂度）
- 选型的 stakes 多高？（原型验证 / 核心系统 / 基础设施）
- 团队现有技术栈熟悉度如何？
Stage 2（内容生成）：
- 对比分析式结构（STAR-R 框架）
- 多维度对比矩阵 → 决策树 → 风险与建议
用户：评审一下我们之前用 Redis 做消息队列的决策
Stage 1（反向提问）：
- 当时的约束和信息条件是什么？
- 决策的 stakes 和影响范围？
- 希望得到复盘分析还是改进建议？
Stage 2（内容生成）：
- DECIDE 点评框架
- 决策背景还原 → 预期 vs 实际 → 影响分析 → 改进建议 → 原则提取
生成内容后自动自检：
- 是否解释了"为什么需要这个"（动机）？
- 是否提供了直觉性理解方式（类比/图像/大图景）？
- 是否展示了从朴素到成熟的演进过程？
- 形式化定义是否建立在直觉之上？
- 是否有真实代码/数据支撑？
- 是否列出了常见误区和避坑方法？
- 语言是否适合目标受众的水平？
- 篇幅是否符合时间/深度约束？
| 技能 | 用途 | 仓库 |
|---|---|---|
| huashu-design | 高保真 HTML 幻灯片/交互演示 | alchaincyf/huashu-design |
| ppt-master | AI 生成原生可编辑 PPTX，支持任意文档输入 | hugohe3/ppt-master |
| pptx | 标准 PowerPoint 生成 | anthropics 官方推荐技能 |
本技能遵循通用的 Agent Skill 规范，可适配任意支持 SKILL 机制的 Agent 平台。如需调整教学策略或添加新的场景特化指南，请修改 SKILL.md 或 references/ 下的对应文件，并确保核心工作流（三阶段教学法）与"血肉七要素"保持一致。