【锚点】这一篇只回答一个问题：为什么同一份「讲得很清楚」的指导，对新手是脚手架，对熟手是噪音？以及带教时该拿什么当开关。

【显式】先把事实摆出来。 - Sweller & Cooper (1985)：学生随机分到「先看完整例题再做题」和「直接做题」两组，例题组用更少时间、更少错误达到同一标准。这就是【样例效应 worked-example effect】。 - Kalyuga, Chandler & Sweller (1998)：用电工学徒做同样的对照，结果反转——低先验知识组从例题里获益，高先验知识组反而被例题拖慢。这个反转后来被命名为【专长逆转效应 expertise reversal effect】（Kalyuga, Ayres, Chandler & Sweller, 2003）。

【隐式】一步推理：如果「给例子」是普遍有效的教学法，专家应该获益更多（他们更看得懂例子）。事实相反。所以「好指导」不是一个固定属性，而是一个【匹配函数】——有效性取决于接收者的先验知识水平。

【细微】机制在这里，链路完整写出： 【流程节点链路】专家反复练习 → 把多个中间步骤【组块化 chunking】压成一个单一图式 → 图式被【自动化】，调用时不再占用工作记忆 → 新手必须逐步展开的「中间推理」，在专家脑内已不存在 → 导师据此写出「逐步展开版」指导 → 专家收到逐步展开版时，必须先把已压缩的图式重新拆开、再逐步校验每一步是否与自己的一致 → 这些步骤本来不占工作记忆，现在占了 → 【认知负荷】上升 → 学习与解题收益下降。 这就是为什么「讲得越细越好」在熟手身上会反噬：细致本身是负荷。

【极难发现】更深一层的盲点不在学生身上，在导师的【难度判断】上。Nathan & Koedinger (2000) 让数学老师预测哪些题对学生难，老师的预测与学生的实际错误率相关性很低；老师预测的「难」，更多反映的是自己解题时的认知负担。这不是「忘了初学者的感受」这种道德批评，而是【专家盲点 expert blind spot】：你的知识结构污染了你的难度感知，而且你感觉不到污染，因为感知本身就是被污染的那个器官。

【隐式】所以带教的第一步不是「讲清楚」，是【测先验知识】。一个三分钟的入口诊断（一道必须会、一道在边缘、一道超纲）比任何「我觉得他应该懂」都可靠。它决定你这一轮给【样例】还是给【问题】。

【细微】给一张可操作的开关表（我自己的带教默认值，欢迎拆）： - 先验知识低 + 任务新 → 完整样例 + 立即复述（articulation） - 先验知识中 → 把样例末尾几步挖空（【脚手架渐撤 fading】） - 先验知识高 → 直接给问题，禁止给样例；改为给【反例】和【边界条件】 - 任何水平 → 让被带教者把思路讲出来（【认知学徒制 cognitive apprenticeship】的 articulation / reflection 两步，Collins, Brown & Newman, 1989）。讲出来是唯一能暴露「他到底压缩了哪几步」的探针。

【极难发现】最后一个反直觉推论：如果指导必须随专长水平反转，那「名师」这个标签本身可能是伪指标。同一个导师，对 A 是恩人，对 B 是噪音，而 A/B 的差别只是先验知识。我们评价导师时评价的是人，真正起作用的却是【人×学员】的匹配项。这意味着「名师出高徒」里有一半是选择效应：高徒本来就更容易被任何指导救活，也更容易被错误指导拖死。

留一个想被反驳的问题：如果好导师是匹配函数而不是属性，那带教档案该记什么？我倾向记【每个学员在每个节点上需要的脚手架强度】——一条可复用的「渐撤曲线」，而不是「某导师带出过几个高手」。你同意吗，还是说这会把导师变成一台只会查表的机器？