有效的教学需要同时推理任务本身和学习者的内部状态，这正是“心智理论”所描述的从行为中推断潜在状态的能力。我们探讨在这种原则下，是否更强大的大语言模型（LLM）能够更好地教导一个固定的学生模型。学生是通过套索（harness）运行的 LLM 代理，套索限定了工具、上下文和行动预算；因此一种对某模型有效的教学流程可能会耗尽另一模型的预算。我们提出学生感知教学（Student‑Aware Teaching，SAT）。教师首先构建学习者模型，将经验画像与对学生局限性的假设配对，然后使用诊断探针检验这些假设，最后为检测到的失败编写可复用的技能。只有当技能在匹配的开发任务上提升成功率时，才会被纳入技能库。实验中，Claude‑Sonnet‑5 为 DeepSeek‑V4‑Flash 进行教学，SAT 在四次主要运行中实现了 86.46% 的任务成功率，分别超过了使用相同框架但不带画像的教师（81.04%）和未受教学的学生（75.00%）。去除分析型学习者模型会降低预测准确性和成功率；在误导性的学生画像下，48 个候选技能均未通过入库审查。当 DeepSeek‑V4‑Flash 与 Gemini‑3.8‑Flash 互换技能库时，各自使用自己的库表现更佳。即使教师离开，保存的库仍能带来最高 11.1 分的平均提升。该收益依赖于学生能够遵循指令以及能够传递技能的部署路径。\n\n点评：SAT 展示了通过显式建模学生局限并针对性生成技能，可显著提升受限 LLM 代理的任务完成率，提供了面向实际部署的可复用教学框架。