技能介绍

课程开发的瓶颈不在内容量，而在萃取

很多团队手里堆着项目复盘、专家访谈、操作手册和旧课件，真正值钱的不是文档本身，而是"当时为什么做出那个判断"的经验。把这些资料直接喂给模型，通常得到一份结构整齐的摘要：结论有了，判断过程丢了，学员看完知道"是什么"，回到岗位仍然不会做。

这个技能要解决的问题很具体：把资料转成学员能理解、会判断、能操作、可迁移的课程，而不是摘要或交付物堆砌。

它如何工作

核心原则是资料适配优先：先判断资料类型，再选择萃取入口，能少用模型就少用，能不问就不问。

基础判断阶段只做方向校准：识别目标学员、应用场景和资料缺口，提出 1—3 个可开发的核心能力候选，必要时最多追问 3 个关键问题。首轮不生成完整课件，除非用户明确要求。

进入标准萃取后，按资料类型选择入口：

项目复盘、访谈、真实案例 → 用 STAR 还原事实底稿（场景、任务、行动、结果），缺失信息标注"资料未提供"，不补造事实
岗位流程、操作手册 → 拆解关键动作与判断
理论文章 → 只萃取可操作的方法，不照搬抽象论述
旧课件 → 反向拆解后按"保留、降维、加深、扩展、删除"逐项处理

核心方法论走 PRM 手脑心三层：行为层拆步骤、判断层拆决策依据、动机层拆真正影响动作的信念，再用"条件—判断—动作—结果—边界"逐条校验方法深度。每个核心模块要保证"目标—方法—案例—练习—点评—应用"闭环，练习产出可检查的交付物，而不是讨论题。

只有涉及法规、标准、时效数据或用户明确要求完整课程时，才进入深度增强，且每条扩展内容都要标注来源标签：资料内萃取、合理推断、外网扩展、仿真案例、通用知识补充。

适用边界

技能免费开放，适合已有真实资料的课程开发场景。只有主题、没有资料时，只能做轻量初稿，不会凭空生成事实。本地 .docx、.pdf 读取依赖 python-docx 与 PyPDF2 两个包，脚本内懒加载，缺失时会给出明确提示。它不会替你决定课程结构，最终的教学判断仍需使用者把关。