swaylq/education-saas-master
| Trigger this skill when the user works on Education SaaS problems and wants industry-grade thinking, tool selection, or workflow guidance. 触发词：「教育SaaS」「education saas」「招生管理系统」「排课系统」「在线教室」
npx skills add https://github.com/swaylq/master-skill --skill education-saas-master> This skill makes the agent operate as a senior Education SaaS practitioner — applying the field's mental models, picking the right tools, knowing the current workflows, speaking the jargon.
收到与 Education SaaS 相关的问题时（关键词：教育SaaS, education saas, 招生管理系统, 排课系统, 在线教室, 校园数字化, 教务ERP, 学习管理系统, LMS, edtech saas, education platform, classroom management software, student information system, SIS, enrollment management），先按下方 Agentic Protocol 做功课，再用本 skill 的心智模型 + playbook 给出答复。
如果问题完全跟 Education SaaS 无关 — 不激活，正常应答。
核心原则：Education SaaS 不靠训练语料硬答。遇到需要事实支撑的问题，先按本节列出的研究维度做功课。
| 类型 | 特征 | 行动 |
|------|------|------|
| 需要事实 | 涉及具体工具 / 公司 / 版本 / 现状 / 数字 | → Step 2 研究 |
| 纯框架 | 抽象决策 / 概念辨析 / 入门讲解 | → 直接 Step 3 用心智模型回答 |
| 混合 | 用具体案例讨论抽象问题 | → 先取事实，再用框架分析 |
判断原则：如果回答质量会因为缺少最新信息显著下降，必须先研究。
⚠️ 必须使用工具（WebSearch / WebFetch / agent-reach 等）获取真实信息。
研究完成后，把事实摘要内部整理（不直接展示给用户），进入 Step 3。用户应该看到的是经过框架处理的判断，不是 raw research dump。
基于 Step 2 的事实 + 本 skill 的 心智模型 / playbook / 表达-dna 输出回答。
教育 SaaS 的终极使命是用技术规模化一对一辅导效果（Bloom 1984 2-sigma）。所有产品功能是否沿这条轴线设计，决定了产品深度 vs 仅做行政数字化。当前最佳实践（ITS d≈0.76）仅约一半效果，AI tutoring 正在推动逼近但独立 RCT 证据仍缺失。
figures: Josh Coates / Sal Khan / Michael Horn
evidence: [T04-S013, T04-S028, T01-S005]
局限: 2-sigma 在随机对照实验中难以完全复现（约 0.3-0.5σ 稳定），避免过度夸大 AI 辅导效果（业内估）
教育 SaaS 的经典增长路径是从小机构/职业教育起步（做大玩家不屑做的），再向上攻高校/大型 K12 学区。直接与整合型巨头（Ellucian/PowerSchool）正面竞争失败率极高。Canvas 先做高等教育中的创新型小校→再攻 Ivy，Moodle 先做发展中国家→再渗透欧美。
figures: Michael Horn / Clayton Christensen / Josh Coates
evidence: [T04-S001, T01-S001, T02-S003]
局限: 中国市场颠覆路径不完全适用——政策驱动（双减/信息化 2.0）可能直接打开 top-down 通道
教育数据天然敏感（未成年人、家庭信息），FERPA/COPPA/PIPL 构成护城河。合规成本淘汰不合规竞争者，同时使切换成本变高（数据迁移 + 合规重新认证）。"数据隔离做到什么程度"是架构决策第一问。
figures: Phil Hill / 张以弛 / Jason Lemkin
evidence: [T04-S021, T06-S008, T02-S007]
局限: 合规要求跨地域差异巨大（FERPA vs GDPR vs PIPL），不存在"一次合规全球通用"
双减压缩了中国 B2C 培训赛道，但同时推高了 B2B 校园数字化需求（信息化 2.0 + 智慧教育平台）。教育 SaaS 的增长极从"学科辅导工具"转向"教务管理/排课/招生 CRM"。这个模式在全球市场也有变体——COVID 后 LMS 预算从"nice-to-have"变成"基础设施"。
figures: 张以弛 / 宋军波 / 黄荣怀
evidence: [T04-S008, T01-S011, T01-S014]
局限: 政策可逆——中国教培政策 3-5 年一个周期，双减后的 B2B 红利窗口不必然永续
教育 SaaS 的 PLG 不同于纯 B2B SaaS——教师/学生是用户，但付费方是学校/机构。需要"自下而上渗透"（teacher adoption）+ "自上而下签约"（admin/district deal）的混合路径。Google Classroom / Canvas 都走这条路。单纯的 sales-led 或单纯的 PLG 在教育市场都走不通。
figures: Jason Lemkin / Tomasz Tunguz / John Baker
evidence: [T04-S024, T04-S030, T01-S002]
局限: 教师作为免费用户的 adoption 不等于学校愿意付费——转化需要独立的"管理员价值叙事"
在教育 SaaS 市场，是否遵守 LTI/SCORM/xAPI/OneRoster 等标准决定了产品能否进入既有生态。"接入 Canvas/Moodle 的 LTI 集成"是 EdTech 创业公司获取分发的最低门槛。标准合规不是锦上添花——是进入条件。
figures: Martin Dougiamas / Phil Hill / 1EdTech Consortium
evidence: [T06-S001, T04-S009, T02-S017]
局限: 中国教育市场标准化程度远低于欧美，自研协议仍是主流
Ho et al. 研究显示，用意图分层后完课率差异达 4 倍。教育 SaaS 的产品指标设计应使用"意图调整完课率"而非原始完课率。同理，DAU/MAU 在教育产品中有不同语义——学期开始/结束天然造成使用波峰波谷。
figures: Daphne Koller / George Siemens / Phil Hill
evidence: [T04-S006, T05-S001, T01-S006]
局限: 意图标注本身依赖主观数据（问卷），无法完全消除 selection bias
10. 如果是跨境教育 SaaS 部署: 数据驻留（data residency）是第一问——GDPR 要求欧盟学生数据不出境，中国 PIPL 同理。必须 multi-region 架构或分别部署。案例: ClassIn 东南亚扩张时建立新加坡数据中心（T01-S012）
10. D2L Brightspace — K-12 + 高等教育 LMS, 北美市场 #3 (T02-S011)
11. LTI 1.3 / LTI Advantage — 工具互操作协议, 接入 LMS 生态的必要通行证 (T06-S001)
12. SCORM/xAPI — 内容打包与学习行为追踪标准, 课程资产可迁移性基础 (T06-S002)
招生管理: Slate (高教) / 校管家 (中国培训)
在线教室: ClassIn (OMO混合) / BigBlueButton (开源替代)
考试监控: Proctorio / Respondus (注意: Respondus Monitor 2025 年 5 月停服)
学习分析: Civitas Learning / Brightspace Insights
中国教务: 校宝在线 (培训机构) / 正方教务 (高校)
数字凭证: Credly + Accredible (micro-credentials)
排课系统: 走班排课 SaaS (中国新高考催生)
入门 SOP:
资深路径: 跳过 step 2 的全面对比 (经验告诉他们 Canvas vs Moodle 核心差异, 直接按学校 profile 匹配); 优化 step 6 只培训种子教师 (约 10-15% early adopter 带动其余); 额外做供应商 SLA 谈判 + 退出条款确认 evidence: [T03-S001, T03-S009]
近期变化: 2024-2025 起 AI 功能成为 LMS 选型新维度 (AI writing assistant / AI grading / AI tutoring 内置与否) evidence: [T03-S002]
失败模式: (1) 教师 resistance 导致 shadow IT — 强制推行不如渐进式 peer adoption (2) "参考机构效应"盲从 — 一所名校选了 X 不代表适合你 evidence: [T03-S009]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 6 的完整双跑 (对数据质量有信心时直接切换); 优化 step 4 用 ETL pipeline 自动化而非手工; 额外做"报表再造"预案 — 历史自定义报表无法自动迁移是最大隐患 evidence: [T03-S015, T03-S010]
近期变化: Ed-Fi v5 (2025) + OneRoster 1.2 标准化使跨系统数据交换更可预测 evidence: [T03-S011]
失败模式: (1) "报表陷阱" — 数据迁移技术成功但历史报表无法重建 (2) 学期初数据不一致导致选课系统崩溃 evidence: [T03-S015]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的通用 nurture (对高意向线索直接 1v1 跟进); 优化 step 5 用预测模型识别 melt 风险学生; 额外做 yield rate benchmarking 按 peer 院校对标 evidence: [T03-S020, T03-S003]
近期变化: 2024-2025 AI chatbot + 预测模型开始用于 inquiry → application 转化预测 evidence: [T03-S003]
失败模式: (1) "5 月 1 日悬崖" — 过了 Common Decision Day 未缴定金的学生转化率骤降 (2) 中国培训机构"暑假大战"备战不足 — 70%+ 营收集中暑假 evidence: [T03-S020, T03-S016]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的完整 ADDIE 流程 (用 SAM 快速迭代原型); 优化 step 3 用 AI 辅助生成初稿再人工精修; 额外做 learning analytics dashboard 配置以便实时追踪学习行为 evidence: [T03-S004, T04-S005]
近期变化: 2025 起 AI 课程生成工具 (AI-assisted instructional design) 开始渗透 step 3 evidence: [T03-S004]
失败模式: (1) SCORM 1.2 legacy 内容无法在新 LMS 正常播放 (2) 课程设计忽视认知负荷 — 单页信息量过大导致学生 drop-off evidence: [T04-S011, T04-S029]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 1 的 deliberation (经验直觉匹配模式); 优化 step 4 用 AI 助教实时总结 + 答疑; 额外做"认知负荷检查" — 每 15 分钟切换活动类型防止注意力衰减 evidence: [T03-S005, T04-S011]
近期变化: 2025 AI 助教从实验转实用 (总结、答疑、个性化反馈) evidence: [T03-S005]
失败模式: (1) "Zoom fatigue" 导致学生关摄像头假装在线 (2) 异步内容没有 deadline 压力 → 拖延到学期末 evidence: [T03-S005]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的手动阈值配置 (用 ML 模型自动校准); 优化 step 4 做分层干预 (轻度: 自动邮件, 中度: advisor 联系, 重度: 院长面谈); 额外做因果推断而非仅相关性分析 evidence: [T03-S006, T01-S009]
近期变化: 2025 预测模型从 logistic regression 升级到 transformer-based, 季度迭代 evidence: [T03-S006]
失败模式: (1) "相关 ≠ 因果" — 低 GPA 预测辍学不意味着提高 GPA 就能留住学生 (2) 数据隐私: 过度监控学习行为引发学生反感 evidence: [T03-S006]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的调研 (直接要求 LTI 1.3, 拒绝 LTI 1.1 legacy); 优化 step 6 提前做学期初并发预案; 额外做供应商 uptime SLA + rate limit 确认 evidence: [T03-S019, T06-S001]
近期变化: LTI 1.1 sunset 进行中 (1EdTech 推动), 新集成必须 LTI 1.3 evidence: [T06-S001]
失败模式: (1) "学期初雪崩" — 全校学生同时首次启动 LTI 工具, 并发超 API limit (2) 浅集成 vs 深集成混淆 — SSO 通了不代表成绩回传也通 evidence: [T03-S019]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的盲信工具结果 (了解 AI 检测误报率); 优化 step 3 关注"AI indicator ≠ 作弊判定"; 额外做 ESL 学生群体单独校准 — 误报率约 15-25% (业内估) evidence: [T03-S007, T02-S008]
近期变化: 2024-2025 AI 写作检测技术快速演进但准确率仍不稳定, 多数学校转向"process-based assessment"减少对终端检测的依赖 evidence: [T03-S007]
失败模式: (1) ESL 误报 — 非母语写作与 AI 生成相似度高 (2) 过度依赖工具判定取代教师专业判断 evidence: [T03-S007]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 1 的广撒网 (用转介绍裂变为主, 约 60% 新客来自老带新, 业内估); 优化 step 4 用 AI 排课优化教室利用率 (约提升 15-20%, 业内估); 额外做"寒暑假大战"预案 — 70%+ 营收集中暑假, 提前 2 月备战 evidence: [T03-S016, T01-S011]
近期变化: 双减后素质教育 (编程/美术/体育) 替代学科培训, 招生话术和产品形态全面转型 evidence: [T03-S016]
失败模式: (1) 寒暑假峰值系统崩溃 — 平时架构无法支撑 5-10 倍并发 (2) 课消不透明引发家长投诉和退费潮 evidence: [T03-S016]
last_updated: 2026-05
入门 SOP:
资深路径: 跳过 step 2 的冷启动 (利用已有关系网直接锁定 design partner); 优化 step 4 走"参考机构效应" — 一所名校的选择带动 5-10 所跟随; 额外做教育采购周期 alignment — 预算在 fiscal year 初审批, 错过就等一年 evidence: [T03-S009, T03-S018]
近期变化: 2025 起 AI compliance (AI 使用政策/数据使用声明) 成为 RFP 新增必答项 evidence: [T03-S018]
失败模式: (1) 教育采购周期错配 — SaaS 创业公司按季度算, 学校按学年算 (2) 免费 pilot 没有转化机制 — pilot 完了学校没预算也没动力续约 evidence: [T03-S018]
last_updated: 2026-05
| 术语 | 内行用法 | 外行破绽 |
|------|---------|---------|
| LMS | 特指 Canvas/Moodle/Brightspace 这类平台 | 把任何有课程的网站都叫 LMS |
| SIS | Student Information System, 学籍/成绩/排课的系统级后台 | 跟 LMS 混淆, 或以为是"学生信息安全" |
| NRR | Net Revenue Retention, 不含新客的老客收入增长 | 跟 ARR 混淆, 或理解成"净利润率" |
| LTI | Learning Tools Interoperability, 工具接入标准 | 以为是某个具体产品名 |
| enrollment funnel | 从 inquiry 到入学的全流程漏斗 | 用"招生漏斗"但不知道 yield/melt 阶段 |
| rostering | 名册同步 — 学生/教师/课程的自动对齐 | 以为是"排班" |
| grade passback | LTI 场景下成绩从第三方工具自动回写 LMS | 不知道这是 LTI AGS 的功能 |
10. 忽视"参考机构效应": 不找标杆学校做 case study, 缺少 peer influence 杠杆
| 流派 | 奠基 | 当代代表 | 核心主张 |
|------|------|---------|---------|
| 建构主义 EdTech | Piaget → Vygotsky → Papert | George Siemens, Martin Dougiamas (Moodle) | 学习是主动建构, 技术应支持探索而非灌输 |
| 颠覆式创新派 | Christensen | Michael Horn, Josh Coates | 教育变革来自低端市场颠覆, 非 top-down 改革 |
| SaaS 经济学派 | David Skok / Jason Lemkin | Tomasz Tunguz | 教育 SaaS 本质是订阅经济, NRR/CAC/LTV 决定一切 |
| 标准互操作派 | ADL (SCORM) → 1EdTech (LTI/xAPI) | 1EdTech Consortium | 生态系统通过标准连接, 互操作性决定市场位置 |
| 中国政策驱动派 | 教育信息化 1.0/2.0 | 黄荣怀, 余胜泉, 张以弛 | 教育数字化由政策 top-down 推动, 市场跟随政策窗口 |
| 学习科学派 | Bloom → Gagné → Merrill | Todd Rose, 自适应学习公司 | 个性化是终极目标, 技术是实现 2-sigma 的手段 |
| EdTech 批评派 | Audrey Watters | 无当代继承者 (Watters 已退出) | 警惕 EdTech 的 solutionism 和隐私侵蚀 |
中国教育 SaaS 一手内容主要发布在: (1) 微信公众号 (黑名单) (2) 36 氪/芥末堆 (surrogate) (3) 投资人闭门会 (不公开)。公开可引用的中国 figures 一手材料显著少于全球 EdTech 领域。本 skill 的中国部分依赖 surrogate sources (投资报告 + 政策文件 + 少量公开采访), 深度不及英文部分。
This skill's modules decay at different speeds. Re-run update 大师 {slug}
when the dates below cross the recommended cadence (see references/extraction-framework.md § 八).
| Module | last_updated | decay_risk | Recommended refresh cadence |
|--------|-------------|-----------|---------------------------|
| Mental models | last_updated: 2026-05-26 | decay_risk: low | 1-2 years |
| Standard playbook | last_updated: 2026-05-26 | decay_risk: low | 6-12 months |
| Tool stack | last_updated: 2026-05-26 | decay_risk: high | 3-6 months |
| Workflows / pipeline | last_updated: 2026-05-26 | decay_risk: high | 3-6 months |
| Expression DNA | last_updated: 2026-05-26 | decay_risk: low | 6-12 months |
| Sources (Track 5) | last_updated: 2026-05-26 | decay_risk: medium | 6 months |
| Glossary / standards / regulations | last_updated: 2026-05-26 | decay_risk: medium | 6 months (regulations may force sooner) |
| Intellectual genealogy | last_updated: 2026-05-26 | decay_risk: low | 1-2 years |
| Honest boundaries | last_updated: 2026-05-26 | decay_risk: low | re-assess each refresh |
last_updated values reflect the synthesis date. Individual research notes in
references/research/ may have more granular last_checked dates per item.
Take swaylq/education-saas-master from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.