OpenClaw 技能库之教育板块 (二):math-edu-assistant

越来越多孩子在假期或周末，习惯用大模型（比如豆包等）来辅助答题。但也收到了不少来自学生最真实的反馈：“看不懂。”

毫无疑问，AI 在多领域的知识储备超越了任何一位老师。但这也是一把双刃剑：正因为它“懂太多”，导致它在讲题时极易脱离学生的实际学情，给出高维度的“超纲”解法。如何让 AI 降维、把题目讲得贴合考纲，成了日常辅导的一大难题。

最近因为给家里娃辅导一道数学题，我无意间触碰到了 OpenClaw 中的一个特定技能：math-edu-assistant。带着解决上述痛点的好奇，我去拆解了它的底层架构。

其实让 AI 讲题很简单，给段 Prompt 设定个身份就行；难的是如何让它不越界。在这个技能里，开发者给出了一种非常经典的工程化解法。

它没有用花哨的提示词去感化大模型，而是用四份物理文件，强行给 AI 加上了认知护栏：

1. curriculum_map.md（课程地图）：拒绝“跨级打怪”的导航仪

很多 AI 在教数学时，缺乏知识拓扑的概念，这是引发超纲的根源。 这份地图就是 Skill 的“导航”，它硬性规定了知识的先后依赖关系。如果系统的底层记忆（USER.md）显示该学生的基础地基没打好，Agent 就会表现得极其冷酷——它会拒绝教授高阶内容，强制引导学生回溯前置知识点。这种“不通关不放行”的刚性逻辑，才叫真正的循序渐进。

2. knowledge_points.md（知识点矩阵）：死磕核心大纲

这份文件将宏观的数学大纲拆解成了原子化的核心知识点。它的作用是给 AI 上一把锁，确保 Agent 输出的每一步推导都紧扣当前阶段的教学目标，杜绝自由发挥和发散讲废话。

3. grading_rubric.md（评分量表）：无情的“标准判官”

作为老师，日常最头疼的就是评分标准的漂移。这份量表把原本模糊的“给分点”变成了硬性的代码指标。 无论是步骤分还是结果分，Agent 必须死磕这份文件。它不会因为 AI 那极好的“认错态度”就给学生放水，也不会因为心情好就多给两分。这种冰冷的确定性，恰恰是给学生建立逻辑严谨性最好的反馈。

4. question_templates.md（题目模板）：拒绝随机生成的“脚手架”

题海战术没有意义，基于考纲的针对性训练才有价值。这里的模板为 AI 生成练习提供了标准的“脚手架”支撑，确保给学生推送的每一道题都有据可依，而不是让大模型像掷骰子一样随机乱编。

我自己动手把这个技能跑了一遍，客观来说，部署的工程门槛挺低的。

但它揭示了一个很务实的道理：工具虽然好用，但大模型只能负责输出，真正决定教学质量的，依然是教师对底层知识图谱和教学法边界的专业判断。给 AI 立好规矩，它才能成为合格的数字助教。