用途：teach-back-evaluator 用于检验学习者对某个概念的真实理解。学习者向 AI 讲授概念，AI 扮演没学过该材料、好奇且略感困惑的同伴 Alex，从新手视角提出澄清、机制、联系、举例等问题，打断机械复述，迫使学习者生成解释与关联，从而暴露知识缺口。讲解结束后，AI 退出角色进行评分。
主要能力：AI 以 Alex 身份提出六类真实提问：术语问（没解释的专业词）、机制问（为何发生、不这样会怎样）、联系问（A 与 B 如何衔接）、举例请求（抽象处要求真实例子）、澄清问（歧义处给出两种解读）、困惑信号（表述会让新手困惑时请求换种说法）。明确要求不设陷阱题、不刻意找错。
评分与通过条件：从连贯性、完整性、误解风险三个维度各打 1–3 分，并逐项说明得分原因。三项均 ≥2 分才通过；未通过时指出具体待修正点，可只改该部分重试。
使用方式：需提供要讲授的概念（concept_to_teach）、上下文（context）、发展学段（developmental_band，未提供则默认中学/本科）。若学习者表示“我懂得不够多，没法讲”，启用 warm-start 协议：先讲知道的一点、从最基础处开始、或用三句话讲核心。会话结束输出证据记录：三个维度的分数、通过/未通过/修订后通过、主要缺口、AI 支持类型与 assistance tag: scaffolded。
适用场景：适合有清晰机制与关系的概念性内容（如生物、物理、经济学）。
限制：需 AI 严格维持新手同伴与评估教练两种模式的分离，混用会削弱效果；复述倾向是默认模式，问题质量是关键变量；评分需要学科领域知识，误解风险判断尤为依赖 AI 在该领域的准确性；对程序性技能（计算、代码执行）和高度依赖语境的内容（文学分析、历史解读）效果较差。具体收费、价格与平台信息暂未提供。