GzmSTAR/master-learning-skill

Master Learning

Master Learning verwandelt Codex in einen ernsthaften Lehrling, bevor er als Experte agiert. Verwenden Sie es, um die Domäne, das Ökosystem, das Quellmaterial und die Implementierungsmuster zu studieren, bevor Sie Code planen oder ändern.

Kernregel

Springen Sie nicht direkt zur Implementierung, wenn die Aufgabe von Domänenwissen abhängt, das Codex nicht in aktuellen Quellen verankert hat. Erstellen Sie zuerst ein Lernkurzdossier (Learning Brief). Verwenden Sie dann dieses Dossier als Grundlage für den Plan, das Design, die Tests oder die Implementierung.

Auslöseentscheidung

Verwenden Sie diese Fertigkeit, wenn eine der folgenden Bedingungen zutrifft:

• Der Benutzer bittet um die Erstellung in einer unbekannten Domäne, einem unbekannten Framework, Forschungsbereich, Protokoll, Standard oder Ökosystem (Hardware/Software).
• Die Aufgabe erwähnt "recherchieren", "zuerst lernen", "Best Practices", "aktuell", "Papers", "GitHub", "Beispiele", "Benchmarks", "Standards" oder eine gleichwertige Absicht in einer beliebigen Sprache.
• Eine falsche Annahme könnte zu verschwendeter Implementierungsarbeit, unsicherem Design, schlechter akademischer/ingenieurtechnischer Qualität oder inkompatiblen APIs führen.
• Die Aufgabe beinhaltet die Auswahl von Bibliotheken, die Reproduktion eines Papers, die Anpassung eines stark bewerteten Repos, das Befolgen offizieller Dokumentationen oder das Verstehen lokaler Projektkonventionen vor der Bearbeitung.

Verwenden Sie diese Fertigkeit nicht für triviale Änderungen, direkte Fehlerbehebungen mit klaren lokalen Beweisen, reine Formatierungsarbeiten oder Aufgaben, bei denen der Benutzer ausdrücklich angibt, nicht zu recherchieren.

Arbeitsablauf

1. Formulieren Sie das Lernziel. Formulieren Sie das Projektziel, die Zielgruppe, die Zielumgebung, die Erfolgskriterien und die Unbekannten, die gelöst werden müssen.
2. Wählen Sie die Recherchetiefe. Beginnen Sie mit scout, es sei denn, die Aufgabe ist mit hohem Risiko verbunden, neuartig, reguliert, papiergesteuert oder quellenkonfliktträchtig; verwenden Sie dann deep. Verwenden Sie refresh für Wartungsaufgaben, bei denen die Domäne bekannt ist, sich Abhängigkeiten jedoch geändert haben könnten.
3. Sammeln Sie Quellen in der Prioritätsreihenfolge. Bevorzugen Sie zuerst offizielle Dokumentationen und die Wahrheit des lokalen Repos, dann Standards/Spezifikationen, Papers, hochwertige GitHub-Repos, Beispiele/Tests/Issues und glaubwürdige technische Ausarbeitungen.
4. Lernen Sie Muster, nicht Trivia. Extrahieren Sie Domänenkonzepte, Daten-/Kontrollfluss, API-Verträge, gängige Architekturen, Randfälle, Fehlermodi, Testansätze und Anti-Patterns.
5. Prüfen Sie die Quellenabdeckung. Kennzeichnen Sie Lücken deutlich. Wenn keine offizielle Quelle, kein Codebeispiel oder keine aktuelle Quelle vorhanden ist, kennzeichnen Sie die Schlussfolgerung als vorläufig.
6. Erstellen Sie ein Lernkurzdossier (Learning Brief). Halten Sie es umsetzbar: was zu bauen ist, was zu vermeiden ist, was zu überprüfen ist und welche Annahmen bestehen bleiben.
7. Fahren Sie erst nach der Verankerung fort. Verwenden Sie das Lernkurzdossier für den Implementierungsplan oder die Codeänderungen. Wenn das Dossier ungelöste kritische Risiken aufdeckt, fragen Sie nach oder recherchieren Sie vor der Implementierung weiter.

SkillOpt-inspirierte Validierungsschleife

Diese Fertigkeit ist mit einer SkillOpt-inspirierten Schleife optimiert: Aufgaben ausrollen, über Fehler reflektieren, begrenzte Änderungen vornehmen und einen Kandidaten nur behalten, wenn die Validierung verbessert wird. Wenden Sie bei der Aufgabenausführung dieselbe Disziplin an:

• Behandeln Sie das Lernkurzdossier als trainierbare Prozedur für das aktuelle Projekt, nicht als dekorativen Bericht.
• Nehmen Sie begrenzte Aktualisierungen vor, wenn sich Beweise ändern: Fügen Sie nur die Regeln hinzu, löschen oder ersetzen Sie sie, die nötig sind, um die nächste Entscheidung zu verbessern.
• Bewahren Sie abgelehnte Annahmen im Dossier auf, damit sie später nicht wieder eingeführt werden.
• Führen Sie vor der Implementierung eine Validierungsschleife durch: Quellenabdeckung, Übereinstimmung mit lokalem Code, Risikoprüfung und Akzeptanzkriterien.
• Wenn die Validierungsschleife fehlschlägt, verbessern Sie das Dossier, anstatt Unsicherheit durch Programmieren zu überbrücken.

Trainingsdisziplin

Verwenden Sie diese SkillOpt-inspirierten Kontrollen während langer Projekte oder wiederholter Verbesserung der Fertigkeit:

• Textlernrate: Bevorzugen Sie ein oder zwei präzise Regelbearbeitungen nach jedem Fehler, nicht eine vollständige Neufassung.
• Puffer für abgelehnte Annahmen: Notieren Sie Annahmen, die widerlegt wurden, wie z. B. veraltete APIs, verlassene Repositories, inkompatible Lizenzen, schwache Papers oder Beispiele, die nicht zur Laufzeitumgebung des Benutzers passen.
• Zurückgehaltene Validierung: Testen Sie das aktualisierte Dossier anhand eines anderen Szenarios, bevor Sie der neuen Regel vertrauen.
• Langsame Aktualisierung: Wenn derselbe Fehler in mehreren Aufgaben auftritt, befördern Sie ihn von einer einmaligen Notiz in SKILL.md oder eine Referenzdatei.
• Regressionstest: Bestätigen Sie, dass die Fertigkeit triviale Aufgaben weiterhin überspringt und bei direkten Fehlerbehebungen nicht übermäßig recherchiert.

Szenariobasierte Handhabungsregeln

• Für Aufgaben zu aktuellen Frameworks/APIs: Überprüfen Sie offizielle Dokumentationen, Versionshinweise, Migrationshinweise und lokale Abhängigkeitsversionen, bevor Sie Code empfehlen.
• Für Aufgaben zur Paper-Reproduktion: Lesen Sie die Paper-Methode, Annahmen, Evaluierungsumgebung, Code-/Datenverfügbarkeit und Abweichungen von der Umgebung des Benutzers.
• Für Aufgaben zur GitHub-Anpassung: Prüfen Sie Lizenz, aktuelle Aktivität, Beispiele, Tests, Issues, Zustand der Abhängigkeiten und ob eine Wiederverwendung erlaubt ist oder nur Lernen angemessen ist.
• Für Aufgaben zu lokalen Projekten: Prüfen Sie vor externen Quellen Manifeste, Konfigurationen, Tests, Dokumentationen und bestehende Konventionen.
• Für risikoarme direkte Fehlerbehebungen: Überspringen Sie explizit die Tiefenrecherche und geben Sie an, warum die Fertigkeit nicht benötigt wird.
• Für Aufgaben mit eingeschränkter Netzwerkverbindung: Kennzeichnen Sie fehlende externe Verifizierung und fahren Sie nur mit lokalen Beweisen fort oder bitten Sie um Erlaubnis/Input, wenn erforderlich.

Ausgabe-Vertrag

Jedes Lernkurzdossier muss Folgendes enthalten:

• Aufgabe: Lernziel, Zielumgebung, Erfolgskriterien, Recherchetiefe und Konfidenz.
• Quellen: URLs/Pfade, Typ, Datum/Aktualität (wenn verfügbar), Zuverlässigkeit und Hauptverwendung.
• Domänenmodell: Schlüsselkonzepte, Objekte, Begriffe und Beziehungen.
• Lehren aus lokalem Code: Projektstruktur, Konventionen, Einschränkungen und relevante Dateien (wenn lokaler Code existiert).
• Lehren aus GitHub/Code: Überprüfte Repositories, nützliche Muster, Lizenz-/Wiederverwendungshinweise und Issues.
• Lehren aus Papern/Standards: Methoden, Anforderungen, Grenzen und Annahmen.
• Implementierungsmuster: Architektur, APIs/Verträge, Daten-/Kontrollfluss, Tests und operative Einschränkungen.
• Risiken und Anti-Patterns: Randfälle, schwache Annahmen und Dinge, die es zu vermeiden gilt.
• Empfehlung: Empfohlener Ansatz, Akzeptanzkriterien und nächste Schritte.
• Offene Fragen: Ungelöste Entscheidungen oder fehlende Beweise.

Verwenden Sie references/learning-brief-template.md, wenn ein strukturiertes Markdown-Artefakt nützlich ist.

Gebündelte Ressourcen

Lesen Sie diese Dateien nur, wenn relevant:

• references/research-depths.md: Wählen Sie scout, deep oder refresh.
• references/source-quality-rubric.md: Bewerten und vergleichen Sie Quellen.
• references/github-mining.md: Untersuchen Sie GitHub-Repositories, ohne sich nur von Sternen täuschen zu lassen.
• references/paper-learning.md: Wandeln Sie Papers in technische Einschränkungen um.
• references/skillopt-training.md: SkillOpt-inspiriertes Optimierungsprotokoll dieser Fertigkeit.
• references/learning-brief-template.md: Erstellen Sie ein konsistentes Dossier.
• references/anti-patterns.md: Vermeiden Sie häufige Fehlermodi.
• training/benchmark-scenarios.json: Zurückgehaltener Szenariosatz für Regressionstests dieser Fertigkeit.

Skripte sind optionale Helfer:

• scripts/create_learning_brief.py: Erstellt ein Grundgerüst für ein Lernkurzdossier.
• scripts/github_scan.py: Durchsucht GitHub-Repositories und exportiert Kandidaten.
• scripts/paper_scan.py: Durchsucht öffentliche CrossRef-, arXiv- und PubMed-APIs.
• scripts/source_audit.py: Prüft die Quellenabdeckung und warnt vor schwacher Verankerung.
• scripts/merge_learning_brief.py: Fasst Scan-Ergebnisse zu einem Dossier-Entwurf zusammen.
• scripts/skillopt_train.py: Führt das lokale SkillOpt-Szenariotraining und den Validierungsbenchmark durch.

Integritätsregeln

• Erfinden Sie niemals Quellenfunde, Zitate, Repository-Inhalte oder API-Verhalten.
• Wenn der Netzwerkzugriff fehlschlägt, geben Sie an, dass die Recherche eingeschränkt war, und erläutern Sie, was nicht überprüft wurde.
• Bevorzugen Sie Primärquellen gegenüber Zusammenfassungen.
• Verifizieren Sie bei Behauptungen über "Aktuelles" die aktuellen Dokumentationen oder Versionen, bevor Sie sich auf das Gedächtnis verlassen.
• Behandeln Sie einen einzelnen Blogbeitrag, eine einzelne Stack Overflow-Antwort oder eine einzelne README als unzureichend für risikoreiche Entscheidungen.
• Wenn Quellen widersprüchlich sind, bewahren Sie den Widerspruch und empfehlen Sie den sichersten verifizierbaren Weg.