GzmSTAR/master-learning-skill

Master Learning (마스터 러닝)

Master Learning은 Codex가 전문가처럼 행동하기 전에 진지한 견습생처럼 행동하도록 만듭니다. 이를 사용하여 도메인, 생태계, 소스 자료 및 구현 패턴을 계획하거나 코드를 변경하기 전에 연구하세요.

핵심 규칙

태스크가 Codex가 현재 소스에 근거하지 않은 도메인 지식에 의존할 때 바로 구현으로 뛰어들지 마십시오. 먼저 **학습 브리프(Learning Brief)**를 작성하십시오. 그런 다음 브리프를 계획, 설계, 테스트 또는 구현의 기초로 사용하십시오.

트리거 결정

다음 중 하나라도 해당될 때 이 스킬을 사용하십시오:

• 사용자가 익숙하지 않은 도메인, 프레임워크, 연구 분야, 프로토콜, 표준 또는 하드웨어/소프트웨어 생태계에서 구축을 요청하는 경우.
• 태스크에 "연구", "먼저 학습", "모범 사례", "최신", "논문", "GitHub", "예제", "벤치마크", "표준" 또는 모든 언어에서 동등한 의도가 언급된 경우.
• 잘못된 가정으로 인해 구현 작업 낭비, 안전하지 않은 설계, 낮은 학문/엔지니어링 품질 또는 호환되지 않는 API가 발생할 수 있는 경우.
• 태스크에 라이브러리 선택, 논문 재현, 높은 별점의 레포 적응, 공식 문서 준수, 또는 편집 전 로컬 프로젝트 규칙 이해가 포함된 경우.

이 스킬을 사소한 편집, 명확한 로컬 증거가 있는 직접적인 버그 수정, 서식만 변경하는 작업, 또는 사용자가 연구를 하지 말라고 명시적으로 말한 태스크에는 사용하지 마십시오.

워크플로우

1. 학습 목표를 정의하십시오. 프로젝트 목표, 대상, 대상 환경, 성공 기준 및 해결해야 할 미지의 요소를 다시 기술하십시오.
2. 연구 깊이를 선택하십시오. 태스크가 고위험, 신규, 규제 대상, 논문 기반 또는 소스 충돌이 있는 경우가 아니라면 scout부터 시작하십시오. 해당되는 경우 deep을 사용하십시오. 도메인은 알려져 있지만 종속성이 변경되었을 수 있는 유지 보수 작업에는 refresh를 사용하십시오.
3. 우선 순위에 따라 소스를 수집하십시오. 공식 문서와 로컬 저장소의 진실을 먼저 선호한 다음 표준/사양, 논문, 고품질 GitHub 레포, 예제/테스트/이슈 및 신뢰할 수 있는 엔지니어링 글을 선호하십시오.
4. 사소한 정보가 아닌 패턴을 학습하십시오. 도메인 개념, 데이터/제어 흐름, API 계약, 일반적인 아키텍처, 엣지 케이스, 실패 모드, 테스트 접근 방식 및 안티 패턴을 추출하십시오.
5. 소스 커버리지를 감사하십시오. 차이점을 명확하게 표시하십시오. 공식 소스, 코드 예제 또는 현재 소스가 없는 경우 결론을 잠정적이라고 표시하십시오.
6. 학습 브리프를 작성하십시오. 실행 가능하게 유지하십시오: 무엇을 구축할지, 무엇을 피할지, 무엇을 검증할지, 어떤 가정이 남아 있는지.
7. 근거 확보 후에만 진행하십시오. 학습 브리프를 사용하여 구현 계획 또는 코드 변경을 수행하십시오. 브리프가 해결되지 않은 중요한 위험을 드러내는 경우 구현 전에 질문하거나 추가로 연구하십시오.

SkillOpt 스타일 검증 게이트

이 스킬은 SkillOpt에서 영감을 받은 루프(작업 롤아웃, 실패 반영, 제한된 편집 적용, 검증이 개선될 때만 후보 유지)로 최적화되었습니다. 작업 시 동일한 규율을 사용하십시오:

• 학습 브리프를 장식적인 보고서가 아닌 현재 프로젝트의 훈련 가능한 절차로 취급하십시오.
• 증거가 변경되면 제한된 업데이트를 수행하십시오. 다음 결정을 개선하는 데 필요한 규칙만 추가, 삭제 또는 교체하십시오.
• 거부된 가정을 브리프에 보존하여 나중에 다시 도입되지 않도록 하십시오.
• 구현 전에 검증 게이트(소스 커버리지, 로컬 코드 적합성, 위험 검토 및 승인 기준)를 실행하십시오.
• 검증 게이트가 실패하면 불확실성을 안고 코딩하는 대신 브리프를 개선하십시오.

훈련 규율

장기 프로젝트 또는 반복적인 스킬 개선 중에 이러한 SkillOpt 스타일 제어를 사용하십시오:

• 텍스트 학습률: 전체 재작성이 아닌 각 실패 후 하나 또는 두 개의 정밀한 규칙 편집을 선호하십시오.
• 거부된 가정 버퍼: 반증된 가정(예: 오래된 API, 폐기된 저장소, 호환되지 않는 라이선스, 약한 논문, 사용자 런타임과 일치하지 않는 예제)을 기록하십시오.
• 보류 검증: 새 규칙을 신뢰하기 전에 다른 시나리오에 대해 업데이트된 브리프를 테스트하십시오.
• 느린 업데이트: 동일한 실패가 여러 작업에 걸쳐 나타나는 경우 일회성 메모에서 SKILL.md 또는 참조 파일로 승격하십시오.
• 회귀 확인: 스킬이 여전히 사소한 작업을 건너뛰고 직접 수정을 과도하게 연구하지 않는지 확인하십시오.

시나리오 처리 규칙

• 최신 프레임워크/API 작업의 경우 코드를 추천하기 전에 공식 문서, 릴리스 노트, 마이그레이션 노트 및 로컬 종속성 버전을 확인하십시오.
• 논문 재현 작업의 경우 논문 방법, 가정, 평가 설정, 코드/데이터 가용성 및 사용자 환경과의 불일치를 읽으십시오.
• GitHub 적응 작업의 경우 라이선스, 최근 활동, 예제, 테스트, 이슈, 종속성 상태 및 재사용이 허용되는지 또는 학습만 적절한지 검사하십시오.
• 로컬 프로젝트 작업의 경우 외부 소스보다 먼저 매니페스트, 구성, 테스트, 문서 및 기존 규칙을 검사하십시오.
• 저위험 직접 수정의 경우 심층 연구를 명시적으로 건너뛰고 스킬이 필요하지 않은 이유를 설명하십시오.
• 네트워크 성능 저하 작업의 경우 누락된 외부 검증에 레이블을 지정하고 로컬 증거로만 계속하거나 필요시 허가/입력을 요청하십시오.

출력 계약

모든 학습 브리프에는 다음이 포함되어야 합니다:

• 작업: 학습 목표, 대상 환경, 성공 기준, 연구 깊이 및 신뢰도.
• 소스: URL/경로, 유형, 가능한 경우 날짜/최신성, 신뢰성 및 주요 용도.
• 도메인 모델: 주요 개념, 객체, 용어 및 관계.
• 로컬 코드 교훈: 로컬 코드가 있는 경우 프로젝트 구조, 규칙, 제약 조건 및 관련 파일.
• GitHub/코드 교훈: 검토된 저장소, 유용한 패턴, 라이선스/재사용 노트 및 이슈.
• 논문/표준 교훈: 방법, 요구 사항, 한계 및 가정.
• 구현 패턴: 아키텍처, API/계약, 데이터/제어 흐름, 테스트 및 운영 제약 조건.
• 위험 및 안티 패턴: 엣지 케이스, 약한 가정 및 피해야 할 사항.
• 권장 사항: 권장 접근 방식, 승인 기준 및 다음 단계.
• 열린 질문: 해결되지 않은 결정 또는 누락된 증거.

구조화된 Markdown 아티팩트가 유용한 경우 references/learning-brief-template.md를 사용하십시오.

번들 리소스

다음 파일은 관련이 있을 때만 읽으십시오:

• references/research-depths.md: scout, deep 또는 refresh를 선택하십시오.
• references/source-quality-rubric.md: 소스를 평가하고 비교하십시오.
• references/github-mining.md: 별점만으로 속지 않고 GitHub 저장소를 검사하십시오.
• references/paper-learning.md: 논문을 엔지니어링 제약 조건으로 변환하십시오.
• references/skillopt-training.md: 이 스킬에 사용된 SkillOpt 영감 최적화 프로토콜.
• references/learning-brief-template.md: 일관된 브리프를 생성하십시오.
• references/anti-patterns.md: 일반적인 실패 모드를 피하십시오.
• training/benchmark-scenarios.json: 이 스킬의 회귀 테스트에 사용되는 보류 시나리오 세트.

스크립트는 선택적 도우미입니다:

• scripts/create_learning_brief.py: 학습 브리프 스캐폴드를 생성합니다.
• scripts/github_scan.py: GitHub 저장소를 검색하고 후보를 내보냅니다.
• scripts/paper_scan.py: CrossRef, arXiv 및 PubMed 공개 API를 검색합니다.
• scripts/source_audit.py: 소스 커버리지를 확인하고 약한 근거에 대해 경고합니다.
• scripts/merge_learning_brief.py: 스캔 출력을 브리프 초안으로 병합합니다.
• scripts/skillopt_train.py: 로컬 SkillOpt 스타일 시나리오 훈련 및 검증 벤치마크를 실행합니다.

무결성 규칙

• 소스 조사 결과, 인용, 저장소 내용 또는 API 동작을 절대 날조하지 마십시오.
• 네트워크 액세스가 실패하면 연구가 저하되었고 무엇이 확인되지 않았는지 설명하십시오.
• 요약보다 1차 소스를 선호하십시오.
• "최신" 주장의 경우 메모리에 의존하기 전에 현재 문서 또는 릴리스를 확인하십시오.
• 하나의 블로그 게시물, 하나의 Stack Overflow 답변 또는 하나의 README는 고위험 결정에 충분하지 않은 것으로 간주하십시오.
• 소스 간에 의견이 일치하지 않으면 불일치를 유지하고 가장 안전한 확인 가능한 경로를 권장하십시오.