當 AI Agent 做老師：165 個教學技能 + ResearcherSkill 的教育科技 frontier

教育科技二十年來一直在做同一件事：把黑板變數位，把講義變 PDF，把課堂錄成影片。但教學的核心——那 165 個經過認知科學驗證的教學決策，從 retrieval practice 到 interleaving，從 formative assessment 到 metacognitive prompting——從來沒有被系統性地編碼成機器可以執行的單位。直到現在。

當教學技能變成程式碼

Gareth Manning 開源的 Education Agent Skills Library 是這個領域最值得關注的專案之一。它目前收錄了 165 個證據導向（evidence-based）的教學技能，橫跨 19 個領域，從記憶與學習科學、自我調節學習、顯性教學，到課程設計、評量、AI 學習科學都有覆蓋。每個技能就是一個 SKILL.md 檔案，有 YAML frontmatter、型別化的輸入輸出 schema、證據強度評級，以及可組合的 chaining metadata——換句話說，這是一個讓 AI Agent 可以「讀懂教學法」的指令集。

這跟傳統的「用 AI 出題」或「用 AI 改作文」有本質上的不同。那些應用只是在既有 workflow 上插入一個 AI 步驟，而技能庫架構是把教學專業本身模組化了。當一個 orchestrator 可以呼叫 search_skills("retrieval practice")，取得對應的技能後注入到當前的教學流程中，這就不再是「AI 輔助教學」，而是「AI 有能力執行教學決策」。

更重要的是這個專案完全開放，採用 CC BY-SA 4.0 授權，相容於 Agent Skills 開放標準。這代表同一個技能可以在 Claude Code、Codex CLI、Gemini CLI、Cursor 之間無縫遷移。它不是一個產品，而是一個基礎設施層。

ResearcherSkill：一夜 30 場實驗的自主研究員

如果技能庫解決的是「AI 知道怎麼教」，那 krzysztofdudek 的 ResearcherSkill 解決的是「AI 知道怎麼研究」。只有一個檔案，約 300 行，但描述的功能相當驚人：你的 AI 程式碼代理變成科學家。它會訪問你要優化什麼、如何測量，然後建立一個實驗室（在 git branch 上），徹夜自主地假設、測試、反思、收斂。

這個技能最巧妙的地方在於它對「研究」的定義並不局限於機器學習。API 延遲優化、測試套件速度、bundle size、parser 準確率——只要你說得出「跑這個命令」和「看這個數字」，它就能建立實驗迴圈。它還會自動檢測收斂訊號：連續 3 次 discard 要停下來思考，連續 5 次要強制 fork 分支，全域最佳指標 8 個實驗沒變動就代表高原期。

對於無法量化輸出的場景——「這段程式碼可讀性更好嗎？」——它設計了一套 Multi-Evaluator Protocol：每次實驗 spawn 3 個獨立 subagent 各自評分，用中位數聚合，並在 evaluator 之間出現分歧時標記潛在的評分標準問題。這套機制本身已經超過了大多數人類團隊做實驗的嚴謹程度。

最有趣的是這個技能曾經被用來優化自己——作者用 ResearcherSkill 去改進 ResearcherSkill 的提示詞，形成了一個「研究→技能→用技能改進技能」的封閉迴圈。雖然還不到完全遞迴的程度，但方向已經很明確了。

從教學到研究：一個完整的循環

把 Education Agent Skills Library 和 ResearcherSkill 放在一起看，會發現它們形成了一個完整的教育科技迴圈：

教育 Agent Skills Library 讓 AI 掌握了 165 個教學決策——從「怎麼設計一堂課」到「什麼時候給什麼類型的回饋」。ResearcherSkill 讓 AI 掌握了自主實驗的能力——可以徹夜迭代教學策略、測試不同的 prompting 方法、優化課程結構。一個負責「執行教學」，一個負責「改進教學」。

這不是科幻。這兩個專案都是現在正在運作的開源程式碼，在 GitHub 上已經有數百顆星星、數十個 contributors，並且相容於同一個 Agent Skills 標準。

同時，來自主流教育機構的反應也驗證了這個方向。UT Austin McCombs 商學院在 2026 年推出了專門的 AI Agents for Business Applications 研究生課程（12 週、$3,450），還有一個 Generative AI and Agents for Software Development 專業證書課程（14 週、$2,950）。這些課程的模組涵蓋了 AI Agent 架構、工具呼叫、記憶、規劃與推理，以及多代理系統的安全性與評估——與上述兩個開源專案關注的核心問題完全一致。

這不是巧合。當頂尖商學院開始教 AI Agent，而開源社群已經在實作教學和研究用 Agent 時，代表這個領域到了 inflection point。

對創業者與開發者的具體建議

如果你在香港或繁體中文圈做教育科技，以下幾個方向值得投入。

第一，技能本地化。目前 165 個教學技能全部以英語和西方教育框架為基礎。香港的 DSE 課程、台灣的 108 課綱、中國的課程標準——這些都需要不同的教學技能組合。建立繁體中文版本的 Education Agent Skills Library，或者針對本地課程開發專用技能，是一個有明確需求的切入點。

第二，教學實驗自動化。ResearcherSkill 提供了一個通用框架，但教育領域有特殊的 metrics：學習成效、 retention rate、學生參與度。設計一套針對教育工作者的 ResearcherSkill wrapper，讓老師可以說「幫我優化這個單元的教學流程」然後 AI 自主跑 30 種不同的教學策略組合併報告結果——這是目前市場上幾乎沒有人在做的事。

第三，MCP 與技能市場。隨著 Agent Skills 成為 MCP 生態系的一部分（SEP-2640 正在制定 skills:// 資源規範），技能的可發現性和可組合性將大幅提升。建立一個專門為教育領域設計的 MCP server，提供 discovery、chaining、評估功能，會是 infrastructure 層的關鍵佈局。

教育科技過去二十年的創新主要集中在 delivery 層——更好的影片、更順的平台、更準的推薦。真正的 frontier 在於把教學與研究本身變成 AI Agent 可以理解、執行、改進的程式碼。165 個技能只是一個開始。當你的 AI Agent 可以一邊教學生一邊跑實驗改進自己的教學方法時——那才是真正的教育科技。