Claude for Teachers 拆解：兩個 K-12 教學 Skill，藏著五個做 AI Agent 都該學的設計技巧

Anthropic 最近推出「Claude for Teachers」，讓美國通過驗證的 K-12 教師免費使用 Claude 備課、差異化教學、分析班級資料。背後真正撐起這個服務的，是兩個開源的 Claude Agent Skill：k12-teacher-skills。Anthropic 把它連同評測方法一起放上 GitHub，Apache-2.0 授權，任何人都能拆開來看。對「那個數位」平常接觸的企業與政府客戶來說，這篇文章的重點不在「美國老師又多一個工具」，而在拆開這兩個 Skill 之後看到的設計技巧——這些做法幾乎可以直接搬去做任何一個垂直領域的 AI Agent。

一、兩個 Skill 到底在做什麼

第一個 Skill 叫 k12-lesson-planning，負責從零建一份課堂就能用的教案：教案本身、給學生的教材、教師觀課紀錄表，全部輸出成可編輯的 Word 文件，而且都是從同一份「教材素材 JSON」渲染出來，避免三份文件各寫各的、內容兜不起來。第二個 Skill 叫 k12-lesson-differentiation，做的是把一份「既有」的教案，依 Tomlinson 差異化教學框架，改寫成「低於／符合／高於」三個能力層級的學生版本，外加一份給老師看的差異化教學說明。兩者都能選擇是否串接 Learning Commons 的「知識圖譜」——一個涵蓋美國五十州學術標準的資料連結器。

二、五個可以直接搬回來用的設計技巧

把這兩個 Skill 的說明文件與參考架構攤開來看，會發現 Anthropic 沒有用一個萬用 prompt 打天下，而是刻意做了幾個工程決策。這些決策背後的邏輯，比「教案生成器」本身更值得參考。

1. 依領域路由到專屬參考檔，而不是塞一個通用 prompt

教案 Skill 收到需求後，會先判斷科目——數學、語文、自然、社會——再導到對應的參考檔案，裡面帶著各科自己的教學法與課綱脈絡：數學走 Illustrative Mathematics 的架構，自然科走 OpenSciEd 的探究式教學設計。這跟很多團隊做「一個 prompt 通吃所有情境」的做法完全相反。任何領域夠複雜、子領域彼此邏輯不同的 AI Agent（例如客服依產品線分流、法務依合約類型分流），都該考慮用同樣的路由架構，而不是塞更長的 prompt 硬撐。

2. 接外部知識連結器校準輸出，接不上就誠實揭露

教案內容不是純靠模型「憑印象」生成，而是優先接 Learning Commons 的知識圖譜，用真正的學術標準去校準教案的範圍與程度。但如果學校或使用者的環境沒有連上這個知識圖譜，Skill 不會假裝一切正常，而是退回「模型最佳判斷」，並在文件底部加一段揭露聲明，明講這份教案沒有經過標準校準。這個「有外部依據優先用、沒有就老實說」的設計，是打造可信任 AI 輸出很值得抄的一個模式——比起讓使用者自己猜這份輸出到底有沒有根據，不如讓系統自己講清楚。

3. 把著作權防呆寫進 Skill 指令，不是事後補救

這點特別值得注意：Skill 裡有一條硬性規則，知識圖譜回傳的資料只能用來決定教案的結構、範圍、題目情境，絕對不能把課綱教材裡的學生文本原封不動照抄進輸出。這不是靠審核者事後抓，而是直接寫在 Skill 的行為規則裡，從第一步生成就被擋住。對任何要接第三方資料源（不管是課綱、法規條文、還是內部知識庫）的 AI Agent 來說，這種「合規規則寫進指令本身」的做法，遠比做完再人工複查來得可靠，也省下大量後端稽核成本。

4. 三個版本共用一份來源 JSON，杜絕彼此矛盾

差異化教學 Skill 要同時產出三個能力層級的學生版本，最怕的就是 AI 分開生成三次、內容各講各的、甚至彼此矛盾。它的解法是先把核心教學內容寫進一份共用的來源 JSON，三個層級的版本都是從這份共同素材「派生」出來，只調整鷹架的多寡與呈現方式，而不是各自重新發想內容。這正是對付「AI 生成多個變體會逐漸漂移、彼此不一致」這個常見失敗模式的具體做法——先固定好共用的事實層，再讓變化只發生在表現層。

5. 先問「要不要做到底」，把人留在迴圈裡

教案 Skill 在動手產出一整包完整教材之前，會先問老師：要直接做一份完整的教案包，還是先用聊天的方式討論草案？如果老師沒有回應，系統預設走「完整生成」，但這個「先問一次」的設計，讓使用者有機會在系統投入大量運算與版面工夫之前喊停或調整方向。這是一個很小、但很多 AI 產品懶得做的細節——尤其是輸出成本高（要排版、要產文件）的任務，先給使用者一個「淺嘗」的選項，比做完才發現方向錯了要划算得多。

一個設計良好的 Skill，看起來像一份「教會同事怎麼做這件事」的操作手冊，而不是一段祈禱模型讀懂心意的長 prompt。

三、開源本身，就是最誠實的一份範例

Anthropic 這次不只放出兩個能用的 Skill，也把評測方法（eval rubrics）一起公開，讓其他教育科技團隊可以照著同一套標準檢驗自己做的教學 Skill 好不好用。這件事的意義，比 Skill 本身能不能生教案更大——它等於把「Anthropic 內部怎麼判斷一個 Skill 算不算做得好」的量尺攤開來給大家看。對正在自己動手做 Claude Skills、或設計任何 Agent 化流程的團隊來說，這個 repo 是少數可以直接讀原始碼、而不是只看官方部落格文案的參考案例——想知道一個「產品級」的 Skill 該怎麼組織檔案結構、怎麼分工參考資料、怎麼寫防呆規則，這裡都能找到實例。

那個數位在替企業與政府單位做 AI Agent 與 Claude Skills 訓練時，最常被問到的問題正是「這些設計原則要怎麼落地到我們自己的領域」。如果你的團隊也在評估怎麼把散落各處的 SOP、知識庫、合規規則收斂成一個能穩定運作的 AI Agent，歡迎預約洽詢。