最近不少人问我：技术课程到底怎么做？不是"写教程"——写教程谁都会。做课程难的是另一件事：怎么把一个复杂的技术体系拆成学习者能跟得上的节奏。这篇文章把我的解法拆开给你看。

目录

1. 一、做课这件事，卡住人的不是"写内容"
2. 二、我把做课方法论变成了一套 AI Skill
3. 三、跑一个真实项目看看效果
4. 四、几门课的实际效果
5. 五、三个坑和三次迭代
6. 六、写在最后：Skill 的本质是方法论沉淀

一、做课这件事，卡住人的不是"写内容"

先说一个我自己的教训。

两年前我想给团队做一期"React 源码精读"的内部课程。花了三天时间通读源码，做笔记、画架构图，觉得自己理解得够深了。但真开始写课程大纲的时候，卡住了——

React 的概念太多了。Fiber、Reconciliation、Hooks、Lane 优先级、Suspense、Concurrent Mode……从哪个讲起？Fiber 架构要不要先讲？Hooks 是不是应该放前面？Lane 优先级太底层了，初学者会不会直接放弃？

我最终花了将近两周才把大纲调到一个"团队新人也能跟上"的节奏。课程做完了，复盘的时候我意识到：真正花时间的不是理解技术，是做结构化决策——先讲什么、后讲什么、哪里放练习、哪里只做概念铺垫。

这个判断过程，其实就是一套方法论。但它存在我脑子里，没法复用，也没法传承。

后来我用同样的方法又做了几门课，每次都要重新走一遍这个决策过程。直到我把这套方法论写成了 AI Skill。

二、我把做课方法论变成了一套 AI Skill

做 Skill 之前，我先做了件事：把"怎么拆课"的方法论显性化。

不是写 Prompt，是先把方法论本身理清楚。

第一步：定义课程结构模板

一门好的技术课程，我总结了 6 段式结构：

模块	内容	目的
应用介绍	这是什么、解决什么问题、跑起来看看	建立认知锚点
核心概念	最关键的 3-5 个概念，每个配代码对照	概念落地
组件通信 / 数据流	概念之间怎么连接、数据怎么流转	理解架构
外部世界	和 API、数据库、第三方怎么交互	面向实战
架构选型	为什么这样设计、有哪些取舍	培养判断力
综合练习	动手做一个完整场景	巩固成果

这个结构不是我发明的，好的技术教材都在用类似的节奏。关键是把它固化下来，变成 AI 可以执行的模板。

第二步：设计交互元素规范

纯文字的课程没人看得下去。我规定了每门课必须包含的交互元素：

• 代码逐行翻译：每段代码旁边自动生成中文注释，帮你看懂每一行在干什么
• 组件对话动画：用"群聊"的形式模拟组件之间的通信，比画箭头直观得多
• 数据流动画：一个请求从发起到响应，每一步可视化
• 每模块一个测验：多选题或场景题，做完才能继续

这些交互元素的设计标准，不是 AI 能自己想出来的——是我在做课过程中反复试错后沉淀下来的。

第三步：写进 Skill

把这些规范、模板、交互元素的设计标准写成一个 Skill 文件。Skill 里不只有"做什么"，还有"怎么判断做得好不好"——比如：

• 每屏至少 50% 视觉内容（不能满屏文字）
• 每个模块至少一个测验
• 必须有"架构选型"模块（帮学习者理解 why，不只理解 what）
• 代码必须带翻译，不能裸放

核心判断

Skill 和普通 Prompt 的区别：Prompt 告诉 AI 做什么，Skill 告诉 AI 用什么标准做。标准来自你的经验，AI 只负责执行。这就是为什么好的 Skill 越用越准——因为你的方法论在持续迭代。

三、跑一个真实项目看看效果

Skill 写好了，跑一个真实项目验证。

拿 understand anything 源码来试。整个过程分三步：

输入：给一个 GitHub 仓库地址——lum1104/Understand-Anything。

分析：AI 先通读整个代码库，识别核心技术概念、组件关系、数据流路径。这一步相当于我之前花三天做的事，AI 大概 2 分钟完成。

生成：按照 Skill 里的 6 段式模板，并行生成每个模块。每个模块包含概念讲解、代码示例、交互动画、测验题。

最终生成的课程结构：

react/
├── index.html           ← 完整课程（中文版）
├── index-en.html        ← 英文版
├── styles.css           ← 样式系统
├── main.js              ← 交互引擎
└── modules/
    ├── 01-react-overview.html
    ├── 02-core-concepts.html
    ├── 03-component-communication.html
    ├── 04-external-world.html
    ├── 05-architecture-decisions.html
    └── 06-practice.html

打开 index.html，是一个完整的交互式课程页面——左侧目录导航，右侧内容区，每个模块有动画、有代码翻译、有测验。

以前：花 3 天通读源码 + 2 周调大纲 + 反复修改，才出一门课程

现在：丢一个 GitHub 地址，10 分钟出完整交互式课程（含动画、代码翻译、测验）

效果：时间不是省在"AI 写得快"，是省在不用每次重新做结构化决策——方法论已经在 Skill 里了

四、几门课的实际效果

我用同样的 Skill 跑了几个不同的项目，覆盖不同技术栈：

LangChain 深入理解

LangChain 的代码库很大，概念也多——Chain、Agent、Tool、Memory、Retriever。AI 生成的课程把它拆成 6 个模块，从最基础的"Augmented LLM"概念开始，逐步讲到 Agent 编排和高级模式。每个模块都有组件对话动画，展示 Chain 和 Agent 之间怎么传递数据。

Anthropic Cookbook 解剖课

这本 Cookbook 是学 Claude API 的最佳实践集。生成的课程从"Augmented LLM"基础工作流开始，逐步展示高级模式——工具使用、Agent SDK、流式输出。代码示例全部带逐行翻译，即使不熟悉 Python 也能跟上。

Claude Code 完整教程

从社区项目 everything-claude-code 生成的课程，覆盖了 Claude Code 的核心用法——从基础配置到高级 Agent 编排。这门课的特点是实操性强，每个模块都有终端操作的代码示例。

这三门课，技术栈不同、复杂度不同，但都用了同一套 Skill 生成。方法论是通用的，内容是具体的。

五、三个坑和三次迭代

第一版 Skill 生成的课程，远没有这么好用。踩了三个坑：

坑 1：模块顺序随机，没有节奏感

第一版让 AI 自己决定模块顺序，结果它把最难的"架构设计"放到了第一个模块。初学者看到第二个概念就放弃了。

修复方法：在 Skill 里强制规定模块顺序——先讲"这是什么"（建立认知），再讲"怎么工作的"（理解机制），最后讲"为什么这样设计"（培养判断力）。这个顺序不能变。

坑 2：满屏文字，没有交互

AI 写课程有一种倾向：概念讲完了直接给一大段代码，不加解释、不加动画。学习者看到的不是课程，是文档。

修复方法：在 Skill 里加入"每屏至少 50% 视觉内容"的硬性标准。纯文字段落不能超过 3 段连续出现，超过必须插入交互元素（动画、代码翻译、测验）。

坑 3：代码裸放，没有翻译

技术课程里的代码示例，AI 默认直接贴原始代码。对初学者来说，看到一段 50 行的代码，第一个反应是关掉页面。

修复方法：强制要求每段代码必须有"逐行翻译"——用注释的形式，把每一行代码用通俗语言解释一遍。代码本身保留英文，翻译用中文。

复盘

这三个坑都是我在做课过程中踩过的，不是 AI 能自己发现的。每一次迭代，本质上都是把我的做课经验注入到 Skill 里。Skill 的 1.0 版本注定不完美，但有了方法论框架，迭代速度比从零开始快一个数量级。

六、写在最后：Skill 的本质是方法论沉淀

好的 AI Skill 不是让 AI 替你做决策，是把你的决策标准固化成可复用的流程。

很多人用 AI 的方式是"给我写个 XXX"——一次性 Prompt，质量全靠运气。Skill 不是这样。Skill 是你告诉 AI：用我的标准、按我的节奏、按我的结构去输出。AI 负责执行，你负责定标准。

这个判断来自我 18 年技术从业的经历——10 年一线开发与架构，8 年上市公司 CTO。技术方案、团队管理、课程设计，做多了就会发现：真正值钱的不是执行力，是判断力。Skill 把判断力变成了资产。

这个方法不只适用于做技术课程——任何你有积累的方法论，都可以用同样的方式沉淀成 Skill：

• 做技术评审的 Skill（把你的评审 checklist 固化）
• 做架构设计的 Skill（把你的设计决策框架固化）
• 做代码审查的 Skill（把你的代码品味固化）

积累越深，Skill 越准。用得越多，迭代越快。

关注我，私信「开源」，免费获取 Skill 。

Skill只是起点，用你的方法论去迭代它，它会变成你自己的做课引擎。