教師延伸路線（For Teachers / Educators）¶
🚀 大多數教師可直接從 Claude.ai（網頁版）+ NotebookLM 開始、不需要任何 setup。只有當你要自動化重複流程（Tier 2+、例如每週生成 50 份家長信）時、才需要看
resources/setup-guide.mdA-C（30 分鐘從零裝好需要的東西）。← 回主路線 README · 走完 Track A 的 A3 或 Track B 的 Stage 7 後從這裡接續。把 agentic AI 應用到教學流程上。
使用情境¶
教師使用 AI 的情境可以先看成三個分支：備課與上課素材製作、教學現場與學習輔助、以及其他應用場景。
這樣的分類參考 AI in Education 文獻中常見的行政、教學與學習應用脈絡、也加入生成式 AI 在教材生成、回饋與互動支援上的近期討論（Chen et al., 2020；Mittal et al., 2024）。閱讀時建議先理解教師把關原則與使用邊界、再依自己的教學需求挑一個分支深入。
教師使用 AI 輔助時要注意什麼¶
AI 可以幫忙準備和輔助，但不應該直接取代教師判斷。近期 AI in Education 與生成式 AI 教育研究也提醒，教師設計 AI agent 時要保留清楚的教學目標、安全邊界與人工把關（Chen et al., 2020；Mittal et al., 2024）。
- 保留教師最後判斷：牽涉學生資料、成績、教學決策等重大判斷時，教師仍要負責最後確認。
- 避免直接給答案：如果要讓學生與 AI agent 互動，可以設計成蘇格拉底式對話，在多輪互動中引導學生說出理由。
- 貼合教學目標：用固定提示詞、檢查清單、或學校核准的工具設定、限制 AI 的角色與任務、避免學生互動脫離課程目標。
- 調整學生提問：如果學生年齡較低，例如國小或國中，可以把學生問題先改寫成更清楚的提問，再交給 agent 回答。
備課與上課素材製作¶
這類情境偏向「幫老師準備材料」，輸出通常會被老師再改寫、挑選、檢查。
- 教案生成：依課綱、單元目標與學生程度，整理課程大綱、時間分配、活動設計、討論提示與補充學習指南。
- Quiz / 評分量表（rubric）建立：依文本、課文或學術文章，產生選擇題、簡答題、申論題、參考答案與評分規準。
- 投影片準備、課程地圖、多媒體與視覺化素材：把課本章節或教師筆記轉成投影片大綱、講義架構、週次安排、先備知識、評量節點、圖像、3D 物件、影片腳本、GIF 或課堂展示素材。
- 學生回饋整理分析：彙整學生作答、作業或課堂反應，找出常見迷思、需要補救的概念與下一步練習。
- 多語系教材翻譯與轉化：把教材改寫或翻譯成不同語言版本，也可以產生語音合成素材。
- 互動式遊戲與活動、虛擬模擬場景的素材：準備教學遊戲、押韻兒歌、任務卡、角色卡、情境文本或模擬場景背景；若要設計實際互動流程或課堂活動，請參考下一節「教學現場與學習輔助」。
教學現場與學習輔助¶
這類情境偏向「幫學生理解、練習、互動」，AI 比較像教學助教或活動輔助工具。特別注意：不需要在單一教學活動中加入所有要素，而是挑選適合的環節加入 AI agent 設計。
- 沉浸式學習體驗與真實情境演練：用真實情境模擬、角色扮演或外語口說模擬，讓學生在接近實作的情境中練習，降低認知負荷與退縮感。
- 激發好奇心與提問能力：透過蘇格拉底式追問與多輪互動，引導學生提出更清楚的問題、說明理由，進一步訓練批判性思考與後設認知。
- 即時批改與深度回饋：讓學生從錯誤中學習，AI 可以指出錯誤、說明原因、建議修正方向，而不是只給分數或答案。
- 智慧家教與虛擬助教：協助回答提問、解釋術語、給提示，讓學生在課堂內外都能獲得適度支援。
- 適性教學與動態路徑：依學生程度提供對應難度內容，並透過學習表現推測近側發展區，提供合適的鷹架與補救素材。
其他應用場景¶
這類情境不一定直接發生在課堂中，但會影響教師工作、學生支援與教育系統運作。
- 特殊教育支援：透過語音轉文字、文字轉語音等方式，協助不同需求的學生參與課程。
- 親師溝通與家庭教育：整理學生進度報告，並提供家庭可延伸的輔助學習活動建議。
- 行政管理與學術誠信：整理學習軌跡、產生報告，或協助進行抄襲與作弊風險檢查。
- 職涯與技能發展輔導：協助職涯探索、培訓清單規劃，並依弱點推薦練習題。
- 教師專業發展：摘要教學方法、教育科技趨勢與研究重點，協助教師持續更新。
- 高階研究分析：輔助文獻分析、快速理解論文研究中提出的教學法或教育心理學。
- 隱私保護與合成資料：在不直接使用真實個資的前提下，產生匿名合成資料。
參考文獻¶
- Chen, L., Chen, P., & Lin, Z. (2020). Artificial Intelligence in Education: A Review. IEEE Access, 8, 75264-75278.
- Mittal, U., Sai, S., Chamola, V., & Sangwan, D. (2024). A Comprehensive Review on Generative AI for Education. IEEE Access, 12, 142733-142759.
精選 Projects¶
教學流程 Skills¶
（大多數還沒有做成 skill marketplace。這個分支最有社群貢獻空間——見 CONTRIBUTING.md。）
可用的基礎元件¶
obra/superpowers ⭐⭐⭐⭐¶
通用的寫作 / 腦力激盪 skill。可改用在備課上。
進階自動化：Claude Code（搭配自訂 CLAUDE.md）⭐⭐⭐⭐⭐¶
★ 120k+ — 教師的基礎工具是 Claude.ai（網頁版）+ NotebookLM + Google Classroom / LMS 整合、先從這裡開始。只有當你已有會重複跑的批次流程（如每週生成 50 份家長信、每學期跑學生反饋分析）才升級到 Claude Code、需要學一點 CLI。
教學課程素材（給教師備課用）¶
huggingface/agents-course ⭐⭐⭐⭐¶
| 欄位 | 內容 |
|---|---|
| Stars | ★ 28k+ |
| License | Apache-2.0 |
教什麼：Hugging Face 官方的 agent 課程——notebook、練習、結業認證。是一份現成的「AI agent 教學」素材。
適合誰：要在學校 / 工作坊開「AI agent 入門」課程的老師，可以直接拿來當教材或改編。
備註：注意這是「教 AI agent 怎麼建」的教材，不是「老師用 AI 教書」的工具。
datawhalechina/llm-universe ⭐⭐⭐⭐（中文）¶
| 欄位 | 內容 |
|---|---|
| 語言 | 中文（zh-Hans） |
| Stars | ★ 13k+ |
| License | NOASSERTION |
教什麼：Datawhale 出品的中文 LLM 應用開發課程——含 RAG、agent、章節練習。中文教師備課的現成模板。
適合誰：中文教師要找現成可改的 LLM 教材底稿、再針對自己學生程度調整。
備註：跟 hf agents-course 一樣，是「教學生建 LLM 應用」的教材，不是「教師端的 AI 助教」。
Prompt 素材庫¶
f/awesome-chatgpt-prompts ⭐⭐⭐⭐¶
| 欄位 | 內容 |
|---|---|
| Stars | ★ 161k+ |
| License | NOASSERTION（CC0 / public domain 風格，但未提供 SPDX） |
教什麼：社群維護的 prompt 大全——「act as X」型樣板涵蓋幾百種角色（老師、面試官、stand-up comedian、辯論者⋯）。教師可以拿來當「prompt 寫法範例」教給學生，或直接借用其中合適的當作課堂示範。
適合誰：要教學生「prompt engineering」的老師，找現成例子比較不同寫法的差異。
備註：品質不一致——當作素材庫挑選用，不是「全部直接拿去教」。
閱讀材料¶
The Effortless Academic — Beginner Guides¶
寫給學術工作者導入 Claude Code 的多篇指南，教師也適用。
可以建的流程（按教學階段）¶
下表 5 條是模板——配合你的學科自行調整：
| 階段 | 流程 | 怎麼做（≤ 3 步） | 推薦工具 | 注意 |
|---|---|---|---|---|
| 備課前 | 教案生成器 | (1) 課綱 + 主題提示 → 大綱 (2) 大綱 → 投影片 (3) 投影片 → 評量題目 |
Claude.ai / NotebookLM | 教師最後審 |
| 備課中 | Rubric 建立 | (1) 給學生作業樣本 + 學習目標 (2) 請 AI 草擬 4 級 rubric (3) 教師調整級距 |
Claude.ai | 避免「品質好」這種模糊詞 |
| 改作業 | 個別化回饋 | (1) 學生作業 + rubric → AI 寫回饋初稿 (2) 教師逐份審 + 改 (3) 寄回 |
Claude.ai | AI 輔助 ≠ AI 評分，最終分數一定人工 |
| 課堂活動 | 情境模擬 | (1) 教學目標 + 角色設定 → 對話腳本 (2) 課堂演練 (3) 反思問題 |
Claude.ai | 蘇格拉底式追問、不直接給答案；學生輸入不含個資 |
| 課後補救 | 個別化補救教材 | (1) 整理學生常見錯誤 (2) 依學生程度 → 小練習 + 提示 (3) 延伸挑戰題 |
Claude.ai | 注意學生個資匿名化 |
💡 新手起手式：先做「備課前的教案生成器」一個學期、習慣後再加 rubric / 回饋流程。⚠️ 所有跟學生個資 / 評分相關的步驟都要回頭看下面的 §隱私 + 倫理（重要）章節。
3 個可直接複製的 prompt 範本¶
1. 教案大綱生成（複製到 Claude.ai 即可用）：
你是一位 [學科] 老師。我要給 [年級] 學生上一堂 [時長] 分鐘的課，主題是「[主題]」。
學生先備知識：[簡述]。請產出：
1. 學習目標（3-4 條，用 Bloom's taxonomy 動詞）
2. 課程大綱（含時間分配）
3. 1 個課堂活動 / 討論題
4. 1 個課後評量題
不要產生超出我給的主題範圍的內容。
2. Rubric 草稿生成：
我有一份 [作業類型] 作業，學生年級 [年級]，主題 [主題]。
學習目標：[列 2-3 條]。
請產出一份 4 級 rubric（卓越 / 熟練 / 發展中 / 待改進），
每級在「內容深度」「組織結構」「論證 / 計算」「表達清晰度」4 個面向各給一段描述。
描述要具體可觀察，不用「品質好」這種模糊詞。
3. 學生回饋整理：
以下是 [N] 份學生作業片段：
[貼上文本]
請：
1. 摘要這批作業共同的 3 個強項
2. 摘要 3 個共同弱點
3. 針對最常見弱點，建議 1-2 個下次上課該加強的環節
不要做個別化評語——我會自己針對個人寫。
隱私 + 倫理（重要）¶
教師端用 LLM 跟一般 user 不同，牽涉學生資料——以下是 hard rule：
- 不要把學生個資丟進公開 LLM（姓名、學號、聯絡方式、成績）。需要的話先匿名化（用「學生 A / B / C」）
- AI 輔助 ≠ AI 評分：用 LLM 草擬回饋 / rubric 沒問題，但最終評分一定要人工把關——LLM 對複雜思考的評估還不可靠
- 告知學生：如果課堂材料是 AI 輔助生成，建議向學生揭露（比照論文揭露 AI 工具使用）。教學誠信很重要
- 檢查事實：LLM 會編造引用、學者名字、研究資料。專業領域內容必須核對才能上課
- 學生作品的著作權：不要把學生作品用 LLM 大量分析後上傳到第三方 service、可能涉及所在地個資法、學校政策、第三方服務條款——在美國另需留意 FERPA（學生紀錄保護法）、在歐盟需留意 GDPR、在台灣則需注意《個資法》與校方公告。實際適用範圍請以該地法規與學校 IT 政策為準
如果你的學校 / 機構有 AI 使用政策，那份比這份優先。
給教師的層級建議¶
下表是建議的進階路徑——大多數教師應該停在 Tier 0-1：
| Tier | 工具 | 適合誰 | 學習成本 |
|---|---|---|---|
| Tier 0 | Claude.ai 網頁版聊天 | 偶爾備課、單次任務、出題、寫信。複製上面的 prompt 範本填入主題即可 | 0（會用瀏覽器就行） |
| Tier 1 | Claude Desktop / NotebookLM | 批改 / 整理一整學期資料、做課程地圖、整批匯入課本 PDF 後問問題 | 半小時裝好 |
| Tier 2+ | Claude Code / CLI / SDK | 有重複自動化需求（例：每週收 30 份作業 → 自動生成回饋初稿） | 1 週上手；不熟程式可找學校 IT / 學生 RA 幫忙設定 |
多數教師停在 Tier 0-1 就夠了。升級到 Tier 2+ 就建議走 Track A — CLI Power User。
也適用其他分支¶
很多老師同時是研究員 / 知識工作者，這幾個分支重疊：
- 也做研究（找文獻、寫 paper、整理 references）→ 研究員分支
- 要寫報告 / 整理會議記錄 / 跨工具整合（Notion、Excel、Email）→ 知識工作者分支
- 要把 AI 接到 Notion / Obsidian / 飛書 等日常工具 →
resources/mcp-skills-catalog.md
社群備註¶
這個分支目前是精選內容最少的一塊。特別歡迎以下貢獻：
- 教案生成 skill
- 學科專屬的 prompt library（國文老師的 prompts、數學老師的 prompts、英文老師的 prompts ⋯）
- 教師專屬的 MCP server（成績冊整合、LMS 串接如 Canvas / Moodle / Google Classroom）
- 某學科 + 某年級的完整 case study（例如「我用 AI 帶國中數學一個學期，這是我的 workflow」）
請見 CONTRIBUTING.md。