1. 当备课遇上大模型一线教师真正需要的是什么这两年“AI 进课堂”喊得震天响但如果你真在一线教过书就会发现一个尴尬的现实大部分所谓“AI 教学工具”要么是给校长看的汇报 PPT要么是让老师多学一套复杂系统的负担。真正能嵌进备课工作流、不添乱、还能省时间的工具少之又少。Anthropic 推出的 Claude for Teachers是我近期比较关注的一个方向。它不是什么颠覆性的黑科技本质上是把 Claude 的能力通过一套面向教育场景的配置塞进老师日常备课、出题、批改、做课件的流程里。关键词里出现的 Claude Code、MCP、Skills其实都是支撑这套东西落地的技术底座。很多老师听到这些词就头大觉得是程序员才碰的东西但我想说的是你不需要懂 MCP 协议怎么握手也不需要会写 Skills你只需要知道“它能帮我干什么、我该怎么用、哪里会翻车”。这篇文章我打算拆三层来讲。第一层讲清楚 Claude for Teachers 到底解决了备课工作流里的哪些真实痛点而不是空谈“提效”。第二层把 Claude Code、MCP、Skills 这几个概念翻译成人话让你明白它们各自扮演什么角色为什么大厂要这么设计。第三层落到实操讲一个普通老师怎么从零开始把这条链路跑通包括环境准备、常见报错、以及我踩过的坑。适合所有想把 AI 真正用起来的老师、教研员以及做教育产品的同行参考。先说结论这套东西的价值不在于“AI 有多聪明”而在于它把 AI 的能力接进了你已经在用的工具里。你不用切换十个网页不用反复复制粘贴备课的上下文能留在原地。这才是它和普通聊天机器人的本质区别。2. 备课工作流的三个断点以及 Claude for Teachers 的切入点2.1 断点一资料散落在十几个地方AI 拿不到上下文老师备课最耗时的从来不是“写”而是“找”和“理”。一份教案背后可能是教材 PDF、去年的课件、几套真题、课程标准、还有你自己攒的错题本。这些东西散在网盘、本地文件夹、微信收藏、甚至纸质本子上。普通聊天机器人的问题是你得手动把资料喂给它。喂一次两次还行天天喂就是灾难。而 Claude for Teachers 结合 MCP 之后理论上可以让 AI 直接读取你指定目录下的资料或者连接你常用的文档系统。这就把“搬运上下文”这件事自动化了。我实测下来最实用的场景是把一学期的教材、课标、真题放在一个文件夹里让 AI 基于这些材料生成单元教学设计。它不会凭空编因为上下文是真实的。这一点比“让 AI 自由发挥”靠谱得多。2.2 断点二重复性劳动占比过高老师被琐事拖死出题、改题、做分层练习、写评语、整理知识点——这些活儿有个共同点有固定套路但每次都要重来一遍。一个班五十个学生光写个性化评语就能耗掉一晚上。Claude for Teachers 的思路是用 Skills 把这些套路固化下来。Skills 你可以理解成“给 AI 装的一套操作手册”比如“出题 Skill”规定了题型分布、难度梯度、知识点覆盖的规则。老师调用的时候只需要给素材AI 按规则产出。这比每次重新描述需求稳定得多。我个人的经验是凡是“每周都要做、格式基本固定”的活儿都值得做成 Skill。一次投入长期省事。2.3 断点三AI 输出不可控老师不敢直接用很多老师对 AI 的态度是“看着挺好但不敢用”。因为 AI 会一本正经地胡说尤其是涉及学科知识的时候。一个错误的知识点可能误导一整个班。Claude for Teachers 在这块的应对一是靠更强的模型能力二是靠 Skills 里预设的校验规则三是靠 MCP 接入真实数据源做交叉验证。比如出数学题可以让它调用计算工具验证答案而不是靠“感觉”。这里我要泼盆冷水没有任何 AI 能保证 100% 正确。老师的作用不是被替代而是做最后一道审核。把 AI 当“高效实习生”而不是“权威专家”心态就对了。3. 把 Claude Code、MCP、Skills 翻译成人话3.1 Claude Code不是给老师用的是给“搭台子的人”用的热词里 Claude Code 出现频率极高很多老师一看就懵。我先说清楚Claude Code 本质是一个命令行工具面向的是开发者不是普通老师。它的作用是让 Claude 能在你的电脑上执行操作——读写文件、运行脚本、调用外部服务。那它跟老师有什么关系关系在于学校或教研组里总得有人把台子搭好。这个人可能是信息技术老师可能是懂点技术的教研员也可能是外包的技术支持。他们用 Claude Code 把 MCP 服务、Skills 配置好普通老师才能开箱即用。所以如果你是完全不懂技术的老师看到 Claude Code 的安装教程热词里那一堆“claude code 安装”“ubuntu 安装 claude code”“vscode 配置 claude code”不用焦虑那不是你的活儿。你要关注的是“搭好之后怎么用”。3.2 MCPAI 世界的“USB 接口”MCP 这个词在热词里被反复问“是软件协议还是硬件协议”。答案是它是软件协议全称 Model Context Protocol翻译过来叫“模型上下文协议”。我用一个类比解释以前每个电器都有自己的充电口诺基亚、苹果、安卓各不相同出门得带一堆线。USB 出现之后一根线走天下。MCP 就是 AI 和外部工具之间的“USB 标准”。有了它Claude 可以用统一的方式连接文件系统、数据库、浏览器、各种软件而不需要为每个工具单独开发对接。热词里出现的 Playwright MCP、Chrome DevTools MCP、Unity MCP、Vivado MCP都是不同软件按 MCP 标准做的“接口”。对老师来说最可能用到的是文件系统 MCP读本地资料和文档类 MCP读在线文档。3.3 Skills给 AI 的“岗位说明书”Skills 是这套体系里对老师最友好的概念。你可以把它想成“预制好的工作模板”。一个 Skill 里包含这个任务的目标是什么、需要哪些输入、按什么步骤处理、输出什么格式、有哪些注意事项。热词里“数学建模 skills 推荐”“前端开发 skills”“常用 skills”都是在找现成的模板。老师完全可以自己攒一套出题 Skill、评语 Skill、教案 Skill、家长沟通 Skill。攒好之后每次调用只需要换素材不用重新解释需求。提示Skills 的核心价值是“一致性”。同一个 Skill 产出的东西格式和风格是稳定的这对教学资料的规范性很重要。4. 从零跑通一条备课链路环境、配置与第一次实战4.1 环境准备别一上来就追求“全自动”很多教程一上来就教你装一堆东西结果新手直接劝退。我的建议是分阶段来。第一阶段先用最基础的网页版或桌面版把“AI 帮我备课”这件事跑通不碰任何技术配置。第二阶段等你有稳定需求了再考虑接入 MCP 读本地资料。第三阶段才是把高频任务做成 Skills。环境准备上热词里提到的“claude code 桌面版”“claude code 下载”“vscode 接入 claude code”都是可选路径。如果你只是普通老师桌面版足够。如果你是教研组的技术负责人想给全组搭环境那才需要研究 Claude Code 和 MCP 的配置。这里有个常见报错要提前说热词里反复出现的 “unable to connect to anthropic services”“failed to connect to api”基本都是网络或配置问题。遇到这类报错先检查配置是否正确再检查网络环境不要急着重装。4.2 配置 MCP让 AI 读到你的资料配置 MCP 的核心是告诉 Claude“去哪里读文件”。以文件系统 MCP 为例你需要在配置文件里指定允许访问的目录。这里有个安全原则只开放必要的目录不要开放整个硬盘。配置好之后你可以这样测试让 AI 列出指定目录下的文件。如果它能正确列出说明 MCP 通了。这一步很关键因为后面所有“基于资料生成内容”的操作都依赖这个通道。我踩过的坑是目录路径写错、权限没给够、文件编码不兼容。尤其是中文文件名和特殊字符容易出问题。建议资料目录用简单的英文命名减少意外。4.3 第一次实战用 Skill 生成一份单元教学设计假设你要做“初中物理·浮力”这一单元的教学设计。传统做法是翻教材、找课标、参考往年教案拼一两个小时。用 Skill 的做法是先准备一个“教学设计 Skill”里面规定好输出结构——教学目标、重难点、课时安排、每课时的活动设计、作业分层、评价方式。然后给 AI 输入教材对应章节、课标要求、学生学情。AI 产出的初稿你只需要做三件事核对知识点准确性、调整难度适配你的班级、补充你自己的教学风格。实测下来初稿能省掉 60% 到 70% 的机械劳动剩下的 30% 是你作为老师的核心价值这部分不能省也不该省。注意AI 生成的学情分析往往是泛泛而谈因为它不了解你的学生。这部分必须你自己填或者把班级的实际情况作为输入喂给它。5. 那些教程不会告诉你的坑报错、幻觉与边界5.1 报错排查从“连不上”到“模型不对”热词里有一类报错特别典型“claude doesnt look like an anthropic model: expected a gateway model route”。这个报错的意思是你调用的模型路由不对可能是配置里指向了错误的服务地址。排查思路是这样的先确认你用的服务地址是否正确再确认模型名称是否匹配最后检查配置文件有没有被其他设置覆盖。这类问题九成出在配置不是模型本身的问题。还有 “your organization has disabled claude subscription access” 这类报错通常是账号权限或订阅状态的问题跟技术配置无关需要从账号层面解决。我把常见报错整理成一张表方便对照报错关键词大概率原因排查方向unable to connect to anthropic services网络或服务地址问题检查配置中的服务地址与网络连通性failed to connect to api接口地址错误或服务未启动核对 API 地址确认服务运行状态doesnt look like an anthropic model模型路由配置错误检查模型名称与网关配置organization has disabled access账号订阅或权限问题从账号管理层面确认权限5.2 幻觉问题AI 最危险的地方在“自信地错”我做过一个测试让 AI 生成 20 道初中数学题不给任何约束。结果有 3 道题的答案算错了还有 1 道题的题干本身有歧义。如果老师不检查直接用就是教学事故。解决办法有两个。一是用 Skills 预设校验步骤比如要求 AI 生成题目后自己再算一遍答案。二是接入计算类 MCP让 AI 调用真实计算工具验证。但即便如此人工审核这一关不能省。我的原则是AI 负责“生成初稿”人负责“终审”。凡是涉及知识点准确性、价值观导向、学生安全的内容必须人工过一遍。5.3 边界意识哪些活儿不该交给 AI不是所有备课工作都适合 AI。我总结了几条不适合的场景涉及学生隐私的数据处理不要随便喂给 AI。需要深度学情判断的决策比如“这个学生要不要留级”AI 给不了靠谱建议。需要情感投入的沟通比如给家长的个性化反馈AI 写的容易“正确但冰冷”。涉及原创性要求高的内容比如参赛教案AI 痕迹太重反而扣分。把 AI 用在“量大、重复、有套路”的环节把人的精力留给“需要判断、需要温度、需要创造”的环节这才是正确的分工。6. 给不同角色的落地建议老师、教研组与技术负责人6.1 普通老师从一个小场景切入别贪多如果你是完全不懂技术的老师我的建议是只挑一个最痛的场景开始。比如你每周要出一次周测卷那就先把“出卷”这件事用 AI 跑顺。跑顺之后再扩展到别的场景。不要一上来就想“全流程 AI 化”那必然失败。工具的价值是在使用中慢慢显现的不是一次性配置出来的。6.2 教研组把个人经验沉淀成共享 Skills教研组最大的价值是“经验共享”。一个老师摸索出的好用的 Skill可以复制给全组用。这就把个人的效率提升变成了团队的效率提升。具体做法是组里指定一个人负责维护 Skills 库其他人贡献使用反馈。定期更新把好用的留下不好用的淘汰。这套机制跑起来比买任何商业软件都管用。6.3 技术负责人搭台子但别过度设计如果你是负责给学校或教研组搭环境的技术人员我的建议是优先保证稳定和易用不要追求功能大而全。先把文件系统 MCP 配好让老师能读到资料。再把几个高频 Skill 配好让老师能一键调用。剩下的花哨功能等老师用起来有需求了再加。过度设计的结果往往是配置复杂、维护困难、老师不用。热词里那些“trae ide 搭载 burp suite mcp”“ruoyi-vue-pro 合并 mcp 功能”属于开发者的玩法跟教学场景关系不大别被带偏。7. 我个人的使用体会用了一段时间下来我最大的感受是AI 不会让好老师变懒但会让懒老师显得更懒。工具本身是中性的它放大的是你原本的工作方式。你本来备课就认真它会让你更快更全你本来就想糊弄它会帮你糊弄得更多。Claude for Teachers 这套东西目前还在早期阶段配置有门槛报错也不少。但它代表的方向是对的AI 不该是一个孤立的聊天窗口而应该长在你已有的工作流里。MCP 解决“连接”Skills 解决“规范”Claude Code 解决“执行”三者合起来才是一个完整的生产力系统。最后分享一个小技巧每次用 AI 生成内容后别急着用先让它“自我批判”一遍——问它“这份教案有哪些地方可能不符合我的班级实际情况”。它往往能挑出几个你自己没注意到的点。这个反向提问的习惯比任何配置都值钱。