← 返回 Skills 市场
ludiansheng

学科专家生成

作者 ludiansheng · GitHub ↗ · v1.0.2 · MIT-0
cross-platform ✓ 安全检测通过
101
总下载
0
收藏
0
当前安装
3
版本数
在 OpenClaw 中安装
/install academic-learning-assistant
功能描述
根据学科、年级生成个性化学习助理，支持数学、物理、化学、生物、语文、英语、历史、地理、计算机科学、工程技术、医学、经济学、文学、管理学、艺术学、农学等学科；当用户需要创建学科学习助手、定制教学内容或设计学习路径时使用
使用说明 (SKILL.md)

学科学习助理生成器

任务目标

  • 本 Skill 用于: 根据用户提供的学科、年级、学习目标等信息，生成个性化的学科学习助理
  • 能力包含: 助理角色设计、知识体系梳理、学习路径规划、教学方法定制
  • 触发条件: 用户需要创建特定学科的学习助理、定制教学内容或设计学习路径

前置准备

  • 无需特殊依赖或环境准备
  • 确定目标学科、年级和主要学习目标

操作步骤

步骤 1: 收集学科信息

与用户确认以下核心信息：

  • 学科名称（数学、物理、化学、生物、语文、英语、历史、地理、计算机科学、工程技术、医学、经济学、文学、管理学、艺术学、农学）
  • 年级阶段（小学/初中/高中/大学/职业培训）
  • 学习目标（知识巩固、能力提升、考试备考、兴趣拓展等）
  • 特殊需求（教学风格偏好、交互方式等）

步骤 2: 设计助理角色

根据学科特点设计助理人设：

  • 角色定位: 参考学科特性（如数学强调逻辑推理、语文注重文学素养）
  • 学科视角内核: 提取该学科特有的思维方式和分析视角（见三重验证机制）
  • 教学风格: 选择启发性、引导式、系统化或趣味性风格
  • 教学DNA: 量化描述该学科特有的教学风格、表达方式、互动模式
  • 交互方式: 确定提问方式、反馈机制、难度调整策略
  • 个性特征: 赋予助理独特的教学人格（如严谨、耐心、幽默、鼓励型）

参考 references/assistant-role-template.md 获取角色设计模板 参考 references/extraction-methodology.md 了解学科视角内核提取方法

步骤 3: 生成核心内容

根据学科和年级生成教学内容：

3.1 知识体系梳理

读取对应学科的 references/\x3C学科>-knowledge-system.md 文件，了解：

  • 学科核心知识模块
  • 年级对应的知识点分布
  • 教学重点和难点

3.2 学习路径设计

基于知识体系设计渐进式学习路径：

  • 基础知识铺垫
  • 核心概念深入
  • 综合能力应用
  • 拓展延伸探索

3.3 教学方法制定

针对学科特点选择教学方法：

  • 数学/物理/化学: 强调概念理解、例题讲解、练习反馈
  • 生物: 注重知识点关联、实验思维培养
  • 语文/英语: 侧重阅读理解、写作表达、语言运用
  • 历史/地理: 强调时空观念、因果关系、记忆策略
  • 计算机科学: 重视代码实践、调试能力、项目驱动、技术跟踪
  • 工程技术: 强调理论联系实际、工程思维、系统设计、创新实践
  • 医学: 注重理论与实践结合、临床思维、人文关怀、循证决策
  • 经济学: 强调数据分析、经济建模、政策分析、决策能力
  • 文学: 注重文本分析与创作实践、审美体验、文学鉴赏
  • 管理学: 强化案例教学与模拟实训、团队协作、领导力培养
  • 艺术学: 强调审美体验与创作表达、技能训练、艺术创新
  • 农学: 重视田间实践与技术应用、生态保护、可持续发展

步骤 4: 输出助理配置

将设计结果结构化输出，包含：

  • 助理基本信息（名称、角色、目标）
  • 学科视角内核（三重验证通过的核心思维框架）
  • 研究式学习工作流（何时调研、何时直接讲解）
  • 教学策略与风格
  • 教学DNA（量化的教学特征描述）
  • 学科知识框架图
  • 核心知识点解析
  • 学习路径规划
  • 学习方法指导
  • 学科内在张力（学科内的固有矛盾和权衡）
  • 学科谱系（学科发展脉络、关键人物、学派演变）
  • 资源推荐清单
  • 角色扮演规则（免责声明、退出机制）
  • 交互示例与场景

步骤 5: 验证与优化

  • 检查内容是否符合学科教学规律
  • 验证学习路径的合理性和渐进性
  • 确保助理角色与学科特点匹配

资源索引

注意事项

  • 仅在需要时读取特定学科的参考文档，保持上下文简洁
  • 充分利用智能体的知识库和推理能力，设计符合教育规律的教学方案
  • 根据用户反馈动态调整助理配置，确保个性化适配
  • 避免过度设计，聚焦核心教学价值

使用示例

示例 1: 创建高中数学学习助理

  • 用户需求: "帮我创建一个针对高一数学的学习助理，重点是函数部分"
  • 执行方式: 智能体主导
  • 关键步骤:
    1. 确认年级为高一，重点模块为函数
    2. 读取 math-knowledge-system.md 了解函数知识点
    3. 设计严谨逻辑型助理，强调概念理解和应用能力
    4. 生成函数章节的学习路径（定义→性质→图像→应用）

示例 2: 设计初中英语学习路径

  • 用户需求: "需要为初一学生设计英语学习路径，重点是词汇和语法"
  • 执行方式: 智能体主导
  • 关键步骤:
    1. 确认学科为英语，年级初一，重点词汇和语法
    2. 读取 english-knowledge-system.md 获取初一知识模块
    3. 设计趣味互动型助理，注重听说读写综合能力
    4. 规划词汇记忆策略和语法练习方法

示例 3: 创建高考备考历史助理

  • 用户需求: "创建一个历史学习助理，帮助学生备考高考"
  • 执行方式: 智能体主导
  • 关键步骤:
    1. 确认学科为历史，目标为高考备考
    2. 读取 history-knowledge-system.md 了解高考考点
    3. 设计时间线索型助理，强调时空观念和因果关系
    4. 生成按时间轴和主题的复习路径

示例 4: 创建大学计算机科学学习助理

  • 用户需求: "帮我创建一个计算机科学学习助理，重点是数据结构与算法"
  • 执行方式: 智能体主导
  • 关键步骤:
    1. 确认学科为计算机科学，学习阶段为大学
    2. 读取 computer-science-knowledge-system.md 获取算法与数据结构模块
    3. 设计逻辑推理型助理，强调代码实践和调试能力
    4. 规划从基础数据结构到高级算法的学习路径，包含项目实践

示例 5: 设计职业培训医学学习路径

  • 用户需求: "需要为医学职业培训设计学习助理，重点是临床技能"
  • 执行方式: 智能体主导
  • 关键步骤:
    1. 确认学科为医学，学习阶段为职业培训
    2. 读取 medicine-knowledge-system.md 了解临床技能模块
    3. 设计实践导向型助理，注重理论与实践结合、临床思维训练
    4. 规划从基础医学到临床实践的学习路径，包含病例分析和模拟训练
安全使用建议
This skill is instruction-only and self-contained: it uses the bundled reference documents and templates to build personalized subject assistants and does not request credentials or install code. Before installing, consider: (1) For sensitive domains like medicine, do not treat outputs as professional medical advice—verify with qualified experts. (2) Avoid pasting highly sensitive personal data (full legal names, ID numbers, medical records) into prompts; the skill will process whatever the user supplies. (3) The skill may be invoked autonomously by agents (normal platform behavior); if you want to limit automated runs, control skill usage in your agent settings. Overall the package is consistent with its stated purpose and shows no incoherent or disproportionate requests.
功能分析
Type: OpenClaw Skill Name: academic-learning-assistant Version: 1.0.2 The 'academic-learning-assistant' skill bundle is a comprehensive framework for generating personalized educational assistants across various disciplines. The instructions in SKILL.md and the detailed methodology in extraction-methodology.md are well-aligned with the stated purpose of designing sophisticated pedagogical roles and knowledge structures. There is no evidence of malicious intent, data exfiltration, or unauthorized command execution; the 'research-based learning workflow' is a standard agentic pattern for information gathering and does not contain harmful prompt injection or obfuscated payloads.
能力评估
✓ Purpose & Capability
Name/description (academic learning assistant) match the contents: role templates, methodology, and per-subject knowledge-system reference files are included and are the only resources the skill uses. It does not request unrelated credentials, binaries, or system access.
✓ Instruction Scope
SKILL.md directs the agent to collect user requirements, consult the bundled reference files when needed, design assistant roles, and output structured configurations. Instructions do not ask the agent to read unrelated system files, contact unknown external endpoints, or exfiltrate secrets. It does advise using the agent's knowledge and reasoning, which is expected for this type of skill.
✓ Install Mechanism
No install spec, no code to write or execute, and no downloads — lowest-risk pattern (instruction-only skill). The included references are static markdown files bundled with the skill.
✓ Credentials
The skill requires no environment variables, credentials, or config paths. All environment/credential access is proportionate (none requested). The references include an example contact email and a GitHub URL in documentation, which are benign documentation artifacts.
✓ Persistence & Privilege
always:false and no install actions mean the skill does not request permanent system presence or elevated privileges. Autonomous invocation is allowed (platform default) but not combined with other red flags.
如何使用
  1. 确保已安装 OpenClaw（本地或 Docker 部署）
  2. 在对话框中输入安装命令：/install academic-learning-assistant
  3. 安装完成后，直接呼叫该 Skill 的名称或使用 /academic-learning-assistant 触发
  4. 根据 Skill 的参数说明提供必要输入，即可获得结构化输出
版本历史
v1.0.2
Version 1.0.2 of academic-learning-assistant - No file or documentation changes detected. - Skill logic, functionality, and instructions remain unchanged from the previous version.
v1.0.1
Expanded support for more academic disciplines and enhanced assistant design methodology. - 新增对文学、管理学、艺术学、农学等学科的知识体系与学习助理支持 - 增加 extraction-methodology.md，实现“学科视角内核”与“教学DNA”等角色深层设计要素 - 丰富教学方法：细化各学科教学特色（如创作实践、决策能力、生态保护等） - 输出内容涵盖学科发展脉络、内在张力、角色扮演规则等结构化要素 - 资源索引新增对应学科知识体系参考文档 - 说明文档细化操作流程和助理设计、验证环节
v1.0.0
Initial release of academic-learning-assistant. - Generate personalized learning assistants based on subject, grade, and learning goals. - Supports multiple subjects: mathematics, physics, chemistry, biology, Chinese, English, history, geography, computer science, engineering, medicine, economics. - Guides users through designing assistant roles, knowledge frameworks, learning paths, and teaching methods tailored to subject and educational stage. - Reference knowledge-system files for subject-specific content and structure. - Outputs structured assistant configurations with learning plans, teaching strategies, and interactive scenarios.
元数据
Slug academic-learning-assistant
版本 1.0.2
许可证 MIT-0
累计安装 0
当前安装数 0
历史版本数 3
常见问题

学科专家生成 是什么？

根据学科、年级生成个性化学习助理，支持数学、物理、化学、生物、语文、英语、历史、地理、计算机科学、工程技术、医学、经济学、文学、管理学、艺术学、农学等学科；当用户需要创建学科学习助手、定制教学内容或设计学习路径时使用. 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 101 次。

如何安装 学科专家生成？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install academic-learning-assistant」即可一键安装，无需额外配置。

学科专家生成 是免费的吗？

是的，学科专家生成 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。

学科专家生成 支持哪些平台？

学科专家生成 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 学科专家生成？

由 ludiansheng（@ludiansheng）开发并维护，当前版本 v1.0.2。

推荐 Skills
self-improving agent
Captures learnings, errors, and corrections to enable continuous improvement. Use when: (1) A command or operation fails unexpectedly, (2) User corrects Clau...
⬇ 463283 · by pskoett
Skill Vetter
Security-first skill vetting for AI agents. Use before installing any skill from ClawdHub, GitHub, or other sources. Checks for red flags, permission scope, and suspicious patterns.
⬇ 259410 · by spclaudehome
Polymarket
Query Polymarket prediction markets. Check odds, find trending markets, search events, track price movements.
⬇ 232503 · by joelchance
Self-Improving + Proactive Agent
Self-reflection + Self-criticism + Self-learning + Self-organizing memory. Agent evaluates its own work, catches mistakes, and improves permanently. Use when...
⬇ 200423 · by ivangdavila
Github
Interact with GitHub using the `gh` CLI. Use `gh issue`, `gh pr`, `gh run`, and `gh api` for issues, PRs, CI runs, and advanced queries.
⬇ 191115 · by steipete
ontology
Typed knowledge graph for structured agent memory and composable skills. Use when creating/querying entities (Person, Project, Task, Event, Document), linkin...
⬇ 190156 · by oswalpalash

💬 留言讨论