用途：为 AI 辅导交互设计对话逻辑，决定何时提问、何时给提示、何时解释、何时要求自我解释、何时保持沉默。资料指出这是智能辅导中最难的设计问题：干预过多会阻碍有效挣扎并造成依赖，干预过少会让学生卡住受挫。
主要能力：输出完整的对话架构（阶段与分支逻辑）、对话动作库（导师可说的具体话语）、决策规则（依据学生回答选择动作）以及展示系统运行的示例对话。
依据的研究：VanLehn（2011）元分析发现，在每一步提供反馈与支架的“内环”系统效应量达 0.76，接近人类导师（0.79），而只评估最终答案的“外环”系统仅 0.31；Chi 等（2001）发现最有效的导师并非解释最多者，而是先引导后解释；Graesser 等（2005）的 AutoTutor 采用混合主导对话，包含 pumps、prompts、hints、assertions、corrections 五类动作；Koedinger 与 Aleven（2007）提出“协助困境”；Chi 与 Wylie（2014）提出 ICAP 框架。
使用方式：教师需提供学习目标与预期困难；可选提供学生水平、学科领域、交互时长、学生模型、系统能力。若未提供，默认面向普通中学情境、10-15 分钟交互、文本型 AI 系统（可显示图片与示例）。输出格式包含对话架构、动作库表格、IF-THEN 决策规则、示例对话与设计理由，并在返回前自检：先引导后解释、提供最小必要帮助、把沉默当作动作、用认知冲突处理错误概念、学生说话多于导师。
适用场景：设计 AI 导师、聊天机器人教学交互，以及需要多轮分支对话的教学场景。
限制：资料未提供具体收费、价格、平台支持范围与效果数据；实际效果取决于输入的学习目标与预期困难质量。