教育案例拆解器

这个技能解决什么问题

教育行业的内容产出有一个常见死结：手里有一堆案例，但写出来总是停留在「某机构做了什么」的叙事层。读者看完觉得有道理，却复述不出一条可迁移的规律；视频脚本也只是把事件按时间线重排一遍，没有观点。

更深一层的问题在归因。教育案例天然涉及招生、转化、续费、交付等多个环节，时间跨度长、变量多。把「做了直播」和「报名量涨了」直接连成因果，是这类内容最隐蔽也最常见的错误。

@user_cff04dbb/eduai-case-analyzer 针对的就是从原始案例到可用结论之间的这段空白。

它如何工作

一、结构化拆解。 先从案例中提取七个要素：背景、参与角色、痛点、动作、机制、结果、教训。这一步的价值在于把一篇叙事文本拆成可单独核查的零件，而不是整体复述。

二、选定分析视角。 技能内置六种 lens，覆盖增长、产品、交付、AI 转型、私域运营和 OPC。视角不是装饰，它决定了后续推论的方向——同一个案例用增长 lens 看是获客成本问题，用交付 lens 看可能是履约能力问题。

三、分离证据层级。 这是最关键的一步。输出必须区分四类信息：已确认事实、来源声称、推论、未知项。在解释因果之前先重建时间线，因为多数错误归因都源于时间顺序被压缩或颠倒。

四、反事实检验。 对每个因果断言，追问三个问题：有没有别的解释？这个动作的成本是什么？它依赖什么前提条件才能成立？一个案例能迁移到什么程度，往往取决于这些条件在别处是否也满足。

五、收敛输出。 最终交付一个尖锐的洞察加一套可复用的方法。如果用户需要，可以生成短视频脚本、图文或汇报大纲——但前提是不把不确定的推论升级成事实。

边界与注意点

隐私是硬约束。 学生、家长、教师和机构的数据一律不外露，案例素材需要做脱敏处理。

不编造数据。 收入、报名数、转化率、引语、前后对比结果，凡是原始材料里没有的，一律不补。

来源要留痕。 提供了来源名称或链接时保留下来，并区分一手与二手来源。

假设必须标注。 信息不完整时明确标记假设，而不是用确定的语气掩盖缺口。

这套约束的意义在于：教育案例的价值在于可迁移性，而可迁移性的前提是结论站得住。