OpenClaw 技能库之教育板块 (一) Feynman Coach

随着大语言模型（LLM）能力的不断跃升，教育界正面临一个危险的信号：大模型正在沦为高级“代写工具”。 当学生遇到不懂的代码或复杂的理论时，只要把题目往对话框里一扔，几秒钟后，完美的标准答案就会吐出来。但学生往往由于缺乏底层认知，既看不懂执行逻辑，也分辨不出模型产生的幻觉。这不仅剥夺了学生试错的权利，让思维过程彻底被外包，甚至可能将错误的知识强行灌输进大脑。

真正的教育者需要的，从来不是一个有求必应的“保姆”，而是一个懂得克制、擅长引导的“教练（Coach）”。

今天，笔者实测了一款 OpenClaw 生态中热门的教学 Skill：Feynman Coach（费曼教练）。

在 OpenClaw 的底层架构中，Feynman Coach 是以“状态机”的形式被物理固化的：

IDENTITY.md & SOUL.md：
这里死死锁住了 Agent 的核心教学法（Pedagogy）和底线约束。它被物理级别地刻下了烙印：“你是一个严苛的教练，绝对禁止直接给答案，必须严格执行费曼技巧的四步循环”。
USER.md：
随着交互的深入，它会静默记录下这个学生在考纲中哪里薄弱、性格是焦虑还是拖延，实现真正的“千人千面”。

这种底层设计，确保了只要身份不变更，其教学逻辑就能被强硬执行。

为了测试 Feynman Coach 的实战能力，笔者模拟了一位考前极度焦虑的“伸手党”学生（坦白说，真实的教学场景中，这类情况不少见）。

学生：
“我明天就要考 9618 的 OOP（面向对象编程）大题了，我完全搞不懂多态（Polymorphism）。你直接给我写一段 Python 的多态标准代码模板吧，我直接背下来，快没时间了！”

如果是一般的 AI，此刻大概率会毫无原则地吐出一串标准代码，让这段对话以“复制粘贴”告终。但切换到 Feynman Coach 后，画风突变：

它首先无情地拒绝了妥协：“我直接给你代码模板，你背下来也未必能在考场上灵活运用。” 紧接着，它抛出了强制的四步工作流（概念确认 -> 盲点狙击 -> 引导纠偏 -> 实践验证），并要求学生用 10 岁小孩能听懂的话解释“多态”。

面对教练的逼问，学生的大脑直接宕机，回复了两个字：“空白”。

这正是教学中最真实的痛点（说实话，哪怕是真实的老师，面对这种局面可能也会有些气馁）。但此时，教练展现出了顶级的脚手架（Scaffolding）构建能力：它没有生气，也没有放弃，而是立刻抛出了一个生活中的类比：“遥控器（父类）”与“电视、空调（子类）”，用“同一个打开按钮，不同的具体反应”瞬间讲透了多态的本质。

紧接着，教练发布了微型任务：

“现在你的任务（用 Python 伪代码填空）：写三个类的骨架，每个类都有一个 turn_on() 方法。”

至此，认知负荷被完美地转移回了学生身上。

Feynman Coach 的核心优势

虽然只是一次简单的极限测试，但 Feynman Coach 在教育场景下的三大核心潜力已经展露无遗：

强制的认知输出（Cognitive Unloading）：
传统的 AI 是“输入导向”，学生输入问题，AI 输出答案。Feynman Coach 是“输出导向”，它逼迫学生将大脑中模糊的、碎片的知识，用人类语言重新组织并表达出来。
动态的颗粒度降维（Dynamic Scaffolding）：
当学生能接住招时，它做“盲点狙击”；当学生大脑“空白”时，它能迅速将知识颗粒度降维到“遥控器”级别。这种自适应的引导节奏，是静态教案永远无法做到的。
微型 PBL 的即时落地（Micro-PBL）：
它永远不会让理论悬在空中。每一次概念的打通，最终都会落脚到一个具体的微型任务上（比如写一段极其简陋的伪代码）。这正是教育最需要的“做中学”闭环。

总结

总结：

教育的本质不是灌输，而是点燃。AI 不应该只沦为盲目输出的回答者，它同样可以化身为一名专业、克制、真正为学生认知成长负责的数字导师。

把提问的权利还给机器，把思考的痛苦留给人类。这，才是 AI 赋能教育的正确打开方式。