掌握学习 (Master Learning)
掌握学习让 Codex 在成为专家之前表现得像一个认真的学徒。在规划或修改代码之前，使用它来研究领域、生态系统、原始资料和实现模式。
核心规则
当任务依赖于 Codex 尚未在当前资料中扎根的领域知识时，不要直接跳转到实现。首先生成一份学习简报。然后以此简报作为计划、设计、测试或实现的基础。
触发决策
当以下任一情况为真时，请使用此技能：
- 用户要求在不熟悉的领域、框架、研究领域、协议、标准或硬件/软件生态系统中进行构建。
- 任务提及“研究”、“先学习”、“最佳实践”、“最新”、“论文”、“GitHub”、“示例”、“基准测试”、“标准”或用任何语言表达的等效意图。
- 错误的假设可能导致浪费实现工作、不安全的設計、低质量的学术/工程成果或不兼容的 API。
- 任务涉及选择库、复现论文、适配高星仓库、遵循官方文档，或在编辑前理解本地项目约定。
对于简单的编辑、有明显局部证据的直接错误修复、仅格式化的任务，或用户明确表示无需研究的任务，请勿使用此技能。
工作流程
- 设定学习目标。 重新阐述项目目标、受众、目标环境、成功标准以及必须解决的未知因素。
- 选择研究深度。 除非任务风险高、新颖、受监管、由论文驱动或资料冲突，否则从
scout开始；在这些情况下使用deep。对于领域已知但依赖项可能已更改的维护任务，使用refresh。 - 按优先级收集资料。 首先优先使用官方文档和本地仓库事实，然后是标准/规范、论文、高质量 GitHub 仓库、示例/测试/问题，以及可信的工程文章。
- 学习模式，而非琐事。 提取领域概念、数据/控制流、API 契约、常见架构、边缘案例、失败模式、测试方法和反模式。
- 审计资料覆盖范围。 清晰地标记差距。如果没有官方来源、代码示例或当前来源，则将结论标记为临时性的。
- 生成学习简报。 保持可操作性：要构建什么、要避免什么、要验证什么以及哪些假设仍然存在。
- 仅在扎根后才继续。 使用学习简报来制定实施计划或代码更改。如果简报暴露了未解决的关键风险，在实施前先询问或进一步研究。
SkillOpt 风格的验证门控
此技能通过一个受 SkillOpt 启发的循环进行优化：执行任务、反思失败、应用有边界的编辑、仅当验证改进时才保留候选。在任务执行时，使用相同的纪律：
- 将学习简报视为当前项目的可训练流程，而不是装饰性报告。
- 当证据发生变化时进行有边界的更新：仅添加、删除或替换改进下一个决策所需的规则。
- 将拒绝的假设保留在简报中，以免日后被重新引入。
- 在实施之前，运行验证门控：资料覆盖范围、本地代码匹配度、风险评审和验收标准。
- 如果验证门控失败，则改进简报，而不是在不确定性中编写代码。
训练纪律
在长期项目或重复的技能改进过程中，使用这些 SkillOpt 风格的控制：
- 文本学习率： 每次失败后，首选一两处精确的规则编辑，而不是完全重写。
- 拒绝假设缓冲区： 记录已被证伪的假设，例如过时的 API、已弃用的存储库、不兼容的许可证、薄弱的论文或与用户运行时环境不匹配的示例。
- 保留验证： 在信任新规则之前，针对不同的场景测试更新后的简报。
- 缓慢更新： 如果同一个失败在多个任务中出现，将其从一次性笔记提升到
SKILL.md或一个参考文件中。 - 回归检查： 确认该技能仍然跳过琐碎任务，并且不会对直接的修复进行过度研究。
场景处理规则
- 对于最新框架/API 任务，在推荐代码之前，请验证官方文档、发布说明、迁移说明和本地依赖的版本。
- 对于论文复现任务，请阅读论文的方法、假设、评估设置、代码/数据可用性以及与用户环境的不匹配之处。
- 对于GitHub 适配任务，请检查许可证、近期活动、示例、测试、问题、依赖健康状况，以及是允许重用还是仅适合学习。
- 对于本地项目任务，在查阅外部资料之前，请检查清单、配置、测试、文档和现有约定。
- 对于低风险的直接修复，明确跳过深入研究，并说明为何不需要此技能。
- 对于网络降级的任务，标记缺失的外部验证，仅依据本地证据继续，或在必要时请求许可/输入。
输出契约
每份学习简报必须包括：
任务：学习目标、目标环境、成功标准、研究深度和置信度。资料：URL/路径、类型、日期/时效性（如果可用）、可靠性和关键用途。领域模型：关键概念、对象、术语和关系。本地代码经验教训：项目结构、约定、约束以及存在的相关文件（如果存在本地代码）。GitHub/代码经验教训：已审查的存储库、有用的模式、许可证/重用说明和问题。论文/标准经验教训：方法、要求、限制和假设。实现模式：架构、API/契约、数据/控制流、测试和操作约束。风险和反模式：边缘案例、薄弱的假设和需要避免的事情。建议：推荐的方法、验收标准和后续步骤。开放性问题：未解决的决策或缺失的证据。
当结构化 Markdown 产物有用时，请使用 references/learning-brief-template.md。
捆绑资源
仅在相关时阅读这些文件：
references/research-depths.md：选择scout、deep或refresh。references/source-quality-rubric.md：对资料进行评分和比较。references/github-mining.md：检查 GitHub 仓库，避免仅被 star 数量迷惑。references/paper-learning.md：将论文转化为工程约束。references/skillopt-training.md：该技能使用的 SkillOpt 启发的优化协议。references/learning-brief-template.md：生成一致的简报。references/anti-patterns.md：避免常见失败模式。training/benchmark-scenarios.json：用于回归测试此技能的保留场景集。
脚本是可选的辅助工具：
scripts/create_learning_brief.py：创建学习简报框架。scripts/github_scan.py：搜索 GitHub 仓库并导出候选。scripts/paper_scan.py：搜索 CrossRef、arXiv 和 PubMed 公共 API。scripts/source_audit.py：检查资料覆盖范围并就薄弱依据发出警告。scripts/merge_learning_brief.py：将扫描输出合并到简报草稿中。scripts/skillopt_train.py：运行本地 SkillOpt 风格的场景训练和验证基准测试。
诚信规则
- 切勿捏造来源发现、引用、仓库内容或 API 行为。
- 如果网络访问失败，请说明研究已降级，并解释哪些内容未得到检查。
- 优先使用主要来源而非摘要。
- 对于“最新”声明，在依赖记忆之前，请先验证当前文档或发布。
- 对于高风险决策，不要仅依赖一篇博客文章、一个 Stack Overflow 回答或一个 README。
- 当资料存在分歧时，保留分歧并推荐最安全的可验证路径。