让 AI 从「代做」变为「教做」—— 每一步编程操作后自动输出专家级技术解析卡片
传统 AI 辅助: AI 做 → 用户拿到结果 → ❌ 知识没有增长
deep-teach: AI 做 → 解析为什么这么做 → ✅ 真正理解
→ 对比替代方案 → ✅ 学会选型
→ 原理深度剖析 → ✅ 能力迁移
大模型普及后，越来越多人借助 AI 完成编程项目。但AI 替你思考 ≠ 你学会了思考。deep-teach 是一个 Prompt 协议层 Skill，它让 AI 在每一个原子操作完成后，自动输出深度专家级技术解析卡片，确保用户在完成项目的同时真正掌握技术决策背后的原理。
| 痛状 | deep-teach 的解法 |
|---|---|
| AI 写完代码，但不知道为什么要用这个库 | 每步操作附带「为什么选择这项技术」的完整分析 |
| 只会用不会选，换个场景又不会了 | 每张卡片包含「可替代方案对比」，建立全局视野 |
| 知其然不知其所以然 | 「技术深度剖析」板块到达源码级 / 协议级 / 算法级 |
| 项目做完了，知识没沉淀 | 6 板块递进式结构，从「是什么」到「怎么迁移」形成闭环 |
每个代码操作后，AI 自动输出包含 6 个核心板块 的结构化解析卡片：
🎯 STEP N 技术深度解析
━━━━━━━━━━━━━━━━━━━━━
📌 操作：{本次操作的精确描述}
① 🛠️ 所用技术 → 技术 + 版本 + 分类 + 在本步骤中的角色
② 💡 为什么选择 → 项目约束 → 匹配原因 → Trade-off 分析
③ 📚 技术深度剖析 → 核心原理 + 关键概念（含代码示例）+ 实现细节 + 常见陷阱
④ 🔄 可替代方案对比 → 多维度对比表（至少 2 个替代方案）
⑤ ⭐ 优越性总结 → 关键优势（定量数据支撑）+ 生态成熟度评估
⑥ 🔗 知识延伸迁移 → 跨领域思想映射 + 学习路径 + 推荐资源
| 类型 | 触发条件 | 内容 | 示例场景 |
|---|---|---|---|
| 标准卡 | 常规编码操作 | 完整 6 板块 | 写函数、安装依赖、建数据库表 |
| Mini 卡 | 琐碎无决策价值的操作 | 仅 ①②⑤ 三板块 (3-5行) | console.log、变量声明 |
| Enhanced 卡 | 重大架构决策 | 标准卡 + 决策树 + 风险矩阵 | 选框架、选数据库、选系统架构 |
Skill 加载即生效，无需手动激活。以下 8 类操作完成后自动触发 Teaching Card：
- 📁 文件创建 / 删除 / 重命名
- 📦 依赖安装 / 更新 / 移除
- ✏️ 函数 / 类 / 组件 / 模块编写
- 🔧 配置文件变更
- 🗄️ 数据库操作（建表 / 迁移 / Schema 设计）
- 🔌 第三方服务集成
- 🏗️ 架构与技术选型决策
- 🐛 Debug / Bug 修复 / 性能优化
为避免信息过载，以下场景自动合并为一张卡片：
- 连续同类操作合并 — 连续安装多个依赖 → 合并为「技术栈选型」卡片
- 同模式重复精简 — 第 2 个 CRUD 函数 → 首次详解，后续简注「同 Step N 模式」
- 同技术渐进合并 — Express 框架多步搭建 → 渐进式覆盖多步的完整卡片
deep-teach/
├── skill.md # 核心：完整的 Prompt 协议（M1-M5 五大模块）
├── design-doc.md # 设计文档（规格说明）
├── examples/
│ ├── example-01-dependency.md # 示例1：依赖安装（Express 后端初始化）
│ ├── example-02-code-write.md # 示例2：代码编写（React useFetch Hook）
│ └── example-03-architecture.md # 示例3：架构决策（PostgreSQL vs MongoDB）
└── README.md # 本文件
将 skill.md 的内容加载到你的 AI 助手（如 Cursor、Claude Code、Continue 等）的自定义指令中，即可激活深度教学模式。
| 模块 | 内容 | 目的 |
|---|---|---|
| M1 角色定义 | 双重身份（工程师 + 教授）+ 核心原则 | 定义 AI 行为准则 |
| M2 输出协议 | Teaching Card 格式模板（标准 / Mini / Enhanced） | 统一输出结构 |
| M3 触发规则 | 8 类触发操作 + 3 条合并规则 + 跳过规则 | 控制生成时机 |
| M4 质量标准 | 各板块质量检查清单 + 语言风格规范 + 信息密度控制 | 保证输出质量 |
| M5 Few-Shot | 3 个高质量完整示例 | 让 AI 精确理解期望输出 |
| 维度 | 传统 AI 辅助 | deep-teach | React Query 文档 | 大学课程 |
|---|---|---|---|---|
| 即时性 | ✅ 即时完成 | ✅ 即时完成 + 解析 | ❌ 需主动查阅 | ❌ 固定时间 |
| 上下文关联 | ❌ 无 | ✅ 结合当前项目实际 | ||
| 决策逻辑 | ❌ 不展示 | ✅ 完整 Trade-off | ||
| 替代方案视野 | ❌ 无 | ✅ 至少 2 个替代方案对比 | ❌ 单一方案 | |
| 底层原理 | ❌ 无 | ✅ 源码/算法/协议级 | ✅ 最深 | |
| 能力迁移引导 | ❌ 无 | ✅ 跨领域思想映射 | ||
| 学习曲线 | 最低 | 低（被动学习） | 中等 | 高 |
- 非计算机专业学生 — 用 AI 完成课程项目 / 毕设，想真正理解每一行代码
- 转专业 / 自学者 — 借助 AI 加速学习，拒绝「复制粘贴式编程」
- 初级开发者 — 知道怎么写但不懂「为什么这样选」，希望补齐架构决策能力
- 编程教育者 — 将此作为教学辅助工具，让学生在练习中获得结构化知识
"If you can't explain it simply, you don't understand it well enough." — Einstein
deep-teach 的每一张 Teaching Card 都遵循这一原则：
- 永远不替用户思考，而是展示思考过程
- 每个技术选择都有据可查、有理可依
- 诚实客观，不吹不黑 — 所选技术的优势讲清楚，局限也讲清楚
- 效果检验标准 — 用户看完后，换一个类似场景能否独立做出同样的技术决策？
灵感来源于每一位在学习编程路上感到「AI 帮我做了，但我好像什么都没学到」的开发者。愿 deep-teach 能让 AI 成为真正的导师，而非代工。