五个相关的讲解，可能比五十条只有松散关联的链接更值得学习。这个流程先明确我们要做的决定，再通过对话改进样本。示例是一位舞蹈老师研究如何讲解动作衔接，而不是照搬别人的整套编舞。
Kabo 是用于创作者研究的 AI 智能体，负责检索参考证据。在一起审阅候选来源时，Muse 帮助我们进一步明确教学问题。
先连接 Kabo，再请求新的证据
按照 Muse 连接指南连接 https://kabo.sh/mcp-pub 并登录。开始新的研究前，请 Muse 列出已就绪的 Kabo 工具。
准备好问题与起始参考资料
[ ] 研究问题——我们想解决的具体讲解难点。 [ ] 受众——经验水平，以及观众已经理解的内容。 [ ] 范围——语言、形式与发布日期区间。 [ ] 自有示范——我们自己能教或展示什么。 [ ] 起始 URL——可选的公开参考资料，并说明它们为何相关。
先请 Muse 判断候选资料是否相关，再综合分析
一位舞蹈老师正在规划一堂面向初学者的教程，教大家记住一小段编舞。老师希望了解公开课程如何讲解动作衔接，而不必一开始就投入大型研究。
在同一条消息里说明教学问题与日期区间，请它先展示简短的候选资料表。排除主题偏向进阶表演，或讲解没有涉及衔接的例子。这是对话中的检查节点，不是要求直接接受模型的第一版总结。
我的教学对象是[受众]。请研究[语言]的 YouTube 公开视频，主题为[具体问题]，发布日期从[开始]到[结束]。使用 Kabo，先展示一张小型候选表，包含 URL、日期与相关性说明。我们自己的示范材料是[材料]。暂时不要编写教案。
用 Kabo 检查有用的讲解
为相关候选清单收集可用的公开指标和转录证据。将老师实际说了什么的来源记录，与自己对其教学价值的解读分开。转录无法证明无声示范中展示的动作；需要时，应检查视频，或提议进行一次可保存的分析。
收窄问题时保留原日期区间。否则，追问可能悄悄更换证据集，让第二个答案看起来像是在纠正第一个答案，实际却是另一项研究。
对于无声示范，视频分析流程说明了如何针对画面提问，而不是从转录推断动作。
对于我们接受的来源，使用 Kabo 可用的元数据和转录证据，比较它们如何讲解这个问题。将讲述者说的话与自己的教学解读分开。标出需要检查画面的判断。返回一份可复制的备忘录，包含来源链接、最有用的讲解方式，以及一份使用我们自己示范材料的计划。
在第二轮对话中收窄问题
如果第一份报告主要讨论如何记住整套编舞，请 Muse 聚焦舞段之间的衔接。保留原日期和纳入规则。你可以要求更聚焦的答案，而不是扩展成一组与问题无关的记忆技巧。
把发现转成自己的排练任务
请求一份简短计划，说明衔接问题、自有示范材料，以及排练时要检查的内容。将来源清单与计划复制到教学笔记中。你自己的编舞提供课程素材，参考研究则帮助你决定如何讲解。
一项教学决策提案
对于这位舞蹈老师，值得区分的是记住整套编舞与练习两个舞段之间的衔接：
- 课程重点：把一个舞段的结尾与下一个舞段的开头连起来练习。
- 自有示范：录制我们的四个舞段及其衔接。
- 参考问题：检索到的课程如何讲解衔接？
- 应附证据：来源 URL，以及有证据支持的讲解记录。
- 不要照搬：其他老师的编舞，或具有辨识度的口述顺序。
这些例子讨论的是记住整套编舞。请聚焦从一个舞段过渡到下一个舞段，并指出检索到的哪些来源确实涉及这个问题。
根据备忘录排练讲解难点
将备忘录复制到 Google 文档或自己的教学笔记中。决定最终脚本前，先录制自己的排练示范，并为审阅课程的人保留相关来源链接。
公开播放量无法揭示观看时长、观众留存、收入或视频取得某种表现的原因。如果决策依赖频道的私有分析数据，请提供你自己的 YouTube Studio 导出文件。
文中的完整示例用于说明方法。产品截图展示的是 Kabo 网页端已有的结果，并非本指南示例的实际执行记录。请使用自己的素材，以及您的任务实际返回的证据。