GzmSTAR/master-learning-skill

Master Learning (Aprendizaje Maestro)

Master Learning hace que Codex actúe como un aprendiz serio antes de actuar como un experto. Úsalo para estudiar el dominio, el ecosistema, el material fuente y los patrones de implementación antes de planificar o modificar código.

Regla Central

No saltes directamente a la implementación cuando la tarea dependa de un conocimiento del dominio que Codex no haya fundamentado en fuentes actuales. Primero elabora un Informe de Aprendizaje. Luego usa el informe como base para el plan, diseño, pruebas o implementación.

Decisión de Activación

Usa este skill cuando se cumpla alguna de las siguientes condiciones:

• El usuario pide construir en un dominio, marco de trabajo, área de investigación, protocolo, estándar o ecosistema de hardware/software desconocido.
• La tarea menciona "investigar", "aprender primero", "mejores prácticas", "lo último", "artículos", "GitHub", "ejemplos", "benchmarks", "estándares" o una intención equivalente en cualquier idioma.
• Una suposición incorrecta podría provocar trabajo de implementación desperdiciado, diseño inseguro, mala calidad académica/de ingeniería o APIs incompatibles.
• La tarea implica seleccionar bibliotecas, reproducir un paper, adaptar un repositorio con muchas estrellas, seguir documentación oficial o entender convenciones de un proyecto local antes de editar.

No uses este skill para ediciones triviales, correcciones directas de errores con evidencia local clara, trabajo solo de formato o tareas donde el usuario diga explícitamente que no investigue.

Flujo de Trabajo

1. Enmarca el objetivo de aprendizaje. Reformula el objetivo del proyecto, la audiencia, el entorno de destino, los criterios de éxito y las incógnitas que deben resolverse.
2. Elige la profundidad de investigación. Comienza con scout a menos que la tarea sea de alto riesgo, novedosa, regulada, basada en papers o con fuentes en conflicto; entonces usa deep. Usa refresh para tareas de mantenimiento donde el dominio es conocido pero las dependencias pueden haber cambiado.
3. Recopila fuentes en orden de prioridad. Prefiere primero la documentación oficial y la verdad del repositorio local, luego estándares/especificaciones, papers, repositorios de GitHub de alta calidad, ejemplos/pruebas/issues y escritos de ingeniería creíbles.
4. Aprende patrones, no trivialidades. Extrae conceptos del dominio, flujo de datos/control, contratos de API, arquitecturas comunes, casos límite, modos de fallo, enfoques de prueba y antipatrones.
5. Audita la cobertura de fuentes. Marca claramente las lagunas. Si no existe fuente oficial, ejemplo de código o fuente actual, etiqueta la conclusión como provisional.
6. Elabora un Informe de Aprendizaje. Mantenlo accionable: qué construir, qué evitar, qué verificar y qué suposiciones quedan.
7. Procede solo después de fundamentar. Usa el Informe de Aprendizaje para hacer el plan de implementación o los cambios de código. Si el informe expone un riesgo crítico no resuelto, pregunta o investiga más antes de implementar.

Compuerta de Validación estilo SkillOpt

Este skill está optimizado con un bucle inspirado en SkillOpt: ejecutar tareas, reflexionar sobre fallos, aplicar ediciones acotadas y mantener un candidato solo cuando la validación mejora. Durante la tarea, usa la misma disciplina:

• Trata el Informe de Aprendizaje como el procedimiento entrenable para el proyecto actual, no como un informe decorativo.
• Haz actualizaciones acotadas cuando la evidencia cambie: añade, elimina o reemplaza solo las reglas necesarias para mejorar la próxima decisión.
• Conserva las suposiciones rechazadas en el informe para que no se reintroduzcan más adelante.
• Antes de implementar, ejecuta una compuerta de validación: cobertura de fuentes, ajuste al código local, revisión de riesgos y criterios de aceptación.
• Si la compuerta de validación falla, mejora el informe en lugar de codificar en medio de la incertidumbre.

Disciplina de Entrenamiento

Usa estos controles estilo SkillOpt durante proyectos largos o mejora repetida del skill:

• Tasa de aprendizaje textual: prefiere una o dos ediciones precisas de reglas después de cada fallo, no una reescritura completa.
• Buffer de suposiciones rechazadas: registra suposiciones que fueron refutadas, como APIs obsoletas, repositorios abandonados, licencias incompatibles, papers débiles o ejemplos que no coinciden con el entorno de ejecución del usuario.
• Validación retenida: prueba el informe actualizado contra un escenario diferente antes de confiar en la nueva regla.
• Actualización lenta: si el mismo fallo aparece en múltiples tareas, promuévelo de una nota aislada a SKILL.md o un archivo de referencia.
• Comprobación de regresión: confirma que el skill sigue saltándose tareas triviales y no investiga en exceso correcciones directas.

Reglas de Manejo de Escenarios

• Para tareas de marco de trabajo/API más reciente, verifica la documentación oficial, notas de versión, notas de migración y versiones de dependencias locales antes de recomendar código.
• Para tareas de reproducción de papers, lee el método del paper, suposiciones, configuración de evaluación, disponibilidad de código/datos y desajuste con el entorno del usuario.
• Para tareas de adaptación de GitHub, inspecciona licencia, actividad reciente, ejemplos, tests, issues, salud de dependencias, y si se permite reutilización o solo es apropiado aprender.
• Para tareas de proyecto local, inspecciona manifiestos, configuraciones, tests, documentación y convenciones existentes antes de fuentes externas.
• Para correcciones directas de bajo riesgo, omite explícitamente la investigación profunda y explica por qué el skill no es necesario.
• Para tareas con red degradada, marca la verificación externa faltante y continúa solo con evidencia local o pide permiso/entrada cuando sea necesario.

Contrato de Salida

Cada Informe de Aprendizaje debe incluir:

• Tarea: objetivo de aprendizaje, entorno de destino, criterios de éxito, profundidad de investigación y confianza.
• Fuentes: URLs/rutas, tipo, fecha/actualidad cuando esté disponible, fiabilidad y uso clave.
• Modelo de Dominio: conceptos clave, objetos, términos y relaciones.
• Lecciones de Código Local: estructura del proyecto, convenciones, restricciones y archivos relevantes cuando exista código local.
• Lecciones de GitHub/Código: repositorios revisados, patrones útiles, notas de licencia/reutilización e issues.
• Lecciones de Paper/Estándar: métodos, requisitos, límites y suposiciones.
• Patrones de Implementación: arquitectura, APIs/contratos, flujo de datos/control, pruebas y restricciones operativas.
• Riesgos y Antipatrones: casos límite, suposiciones débiles y cosas a evitar.
• Recomendación: enfoque recomendado, criterios de aceptación y próximos pasos.
• Preguntas Abiertas: decisiones no resueltas o evidencia faltante.

Usa references/learning-brief-template.md cuando un artefacto Markdown estructurado sea útil.

Recursos Incluidos

Lee estos archivos solo cuando sea relevante:

• references/research-depths.md: elige scout, deep o refresh.
• references/source-quality-rubric.md: puntúa y compara fuentes.
• references/github-mining.md: inspecciona repositorios de GitHub sin dejarse engañar solo por las estrellas.
• references/paper-learning.md: convierte papers en restricciones de ingeniería.
• references/skillopt-training.md: protocolo de optimización inspirado en SkillOpt usado para este skill.
• references/learning-brief-template.md: produce un informe consistente.
• references/anti-patterns.md: evita modos de fallo comunes.
• training/benchmark-scenarios.json: conjunto de escenarios retenidos usado para pruebas de regresión de este skill.

Los scripts son ayudantes opcionales:

• scripts/create_learning_brief.py: crea un esqueleto de Informe de Aprendizaje.
• scripts/github_scan.py: busca repositorios de GitHub y exporta candidatos.
• scripts/paper_scan.py: busca en APIs públicas de CrossRef, arXiv y PubMed.
• scripts/source_audit.py: verifica la cobertura de fuentes y advierte sobre fundamentación débil.
• scripts/merge_learning_brief.py: fusiona salidas de escaneo en un borrador de informe.
• scripts/skillopt_train.py: ejecuta el entrenamiento local de escenarios estilo SkillOpt y el benchmark de validación.

Reglas de Integridad

• Nunca fabriques hallazgos de fuentes, citas, contenidos de repositorios o comportamiento de APIs.
• Si el acceso a la red falla, di que la investigación fue degradada y explica qué no se comprobó.
• Prefiere fuentes primarias sobre resúmenes.
• Para afirmaciones de "lo último", verifica la documentación actual o los lanzamientos antes de confiar en la memoria.
• Considera una sola publicación de blog, una respuesta de Stack Overflow o un README como insuficientes para decisiones de alto riesgo.
• Cuando las fuentes estén en desacuerdo, conserva el desacuerdo y recomienda la ruta verificable más segura.