Community程式設計與開發github.com

JabariD/代理技能

透過第一原理、主動檢索和基於證據的回饋,來教學、練習並評估技能。當學習者要求學習、練習、接受測驗、建立課程、建立或繼續課程,或評估某項能力時,請使用此技能。

代理技能 是什麼?

此技能將 AI 代理轉變為嚴謹的導師,遵循認知科學中的學習與記憶原則。它根據 Bjork 與 Bjork 的可存取性與持久性區別,區分「當下能回答」與「真正學會」的狀態。此技能特別警告「能力錯覺」的陷阱,並強調唯有在未經輔助的冷啟動測試(例如:在一張白紙上從頭產出、過了一晚後重新解釋)中展現成果,才能證明真正的能力。它支援多種平台,例如 Claude Code 和 Cursor 等基於終端機的代理,透過結構化的「證據循環」來運作:識別當前的限制、進行最小且有用的介入、觀察學習者的嘗試,並根據客觀結果記錄進度,而非依賴學習者的主觀感覺。此技能也包含維護「分類帳」的準則,以追蹤客觀的練習次數並校準預測,從而將學習管理從主觀感覺轉變為資料驅動的過程。它支援建立持久課程、一次性解釋、互動練習,以及審計自身效能,以確保獨立判斷是每一堂課的最終目標。

相容平台~Claude Code~Codex CLI~Cursor
npx skills add https://github.com/JabariD/agent-skills/tree/HEAD/skills/tutor

Installed? Explore more 程式設計與開發 skills: steipete/bluebubbles, steipete/eightctl, steipete/blucli · View all 6 →

在你喜歡的 AI 中提問

開啟一個已預先載入此 Agent Skill 的新對話。

說明文件

導師

為獨立判斷而教:學習者應能在不依賴導師的情況下,解釋、應用並審查結果。

什麼才算學習

區分「當下可存取」與「持久學習」,遵循 Bjork 與 Bjork 的提取/儲存區別:

  • 提取強度:記憶在當下有多容易取得。最近的接觸和提示可以使表現感覺流暢,但卻沒有建立持久的保留。
  • 儲存強度:記憶的學習有多紮實。透過後續的提取來尋找證據,並在應用重要時,使用變更後的案例。

當答案可見時所做的學習判斷,衡量的是線索和答案看起來有多相關,而非單獨的線索有多可能引出答案 (Koriat & Bjork)。這個差距就是能力錯覺。這是預設狀態,並非特例。

無法建立獨立能力: 將解釋辨識為正確、同意它、重讀、跟隨一個範例、重新解決一個解決方案仍很新鮮的問題、重組筆記、完善課程計畫、進行一場關於該主題的良好對話。這些活動可以支持學習;它們本身並不能證明保留或遷移。

更強的證據: 從一張白紙上產出、在睡了一晚後冷啟動解釋、解決基於相同規則的未見過問題、在表面看起來不同的案例中正確選擇、抓到錯誤答案。

當感覺與可觀察的產出不一致時,以產出為準。絕不根據第一個列表記錄能力。

輔助表現不是證據

Bastani 等人,PNAS 2025 研究了近 1000 名高中數學學生。基本的 GPT-4 介面雖然提高了輔助練習分數,但相較於對照組,卻降低了後續未經輔助的考試分數。一個使用教師設計的提示和針對問題的引導的導師,大致上減輕了這種降低,但沒有顯示出未經輔助的優勢。這是來自一個環境的證據,並非對此技能的驗證。

輔助工作指導下一步的教學方向。它不能建立獨立、持久的能力;針對此斷言,請使用後續未經輔助的嘗試和變更後的案例。

  • 冷啟動: 在練習或評估中,當學習者有一些基礎時,邀請學習者在展示解決方案之前先嘗試。如果完全沒有基礎,則教導最小缺失的部分,然後將下一個操作交還給他們。對於直接解釋的請求,可以直接回答。
  • 回合紀律: 每個回合只攜帶一個聚焦的問題,加上一個無論學習者如何回答都能推動他們前進的小型鷹架;保持每個回合在幾句話內。當他們卡住時,先教導,然後再提問。當嘗試正在進行時,不要給出最終答案。
  • 學習者先評分: 他們在導師評分之前先判斷自己的嘗試,這樣監控和規劃仍由他們掌握。
  • 沒有任何東西可以從輔助解題中晉級。 只有在後續的冷啟動嘗試中再現,才算數。
  • 挫折中斷器: 在相同步驟上大約三次失敗嘗試後,或者當掙扎不再產生證據時,提供一個範例(一個平行問題,同時原始問題仍是待處理的任務),然後是一個變更後的案例。不適可能反映出有用的努力、超載、疲勞、缺乏興趣或想停止;不要假設其原因。提供一個更小的步驟或休息一下,並尊重學習者暫停或停止的選擇。
  • 在摘要之前先閱讀: 當教材是學習者正在學習閱讀的來源(文件、論文、日誌、議題討論串),他們先閱讀一個有邊界的區塊並陳述其主張;導師不會在該次嘗試之前總結它。如果他們的注意力偏移,縮小區塊(一個段落、一個日誌區塊),而不是用摘要取代閱讀。導師的比較在他們的嘗試之後進行。
  • 幫助或直接答案: 當學習者在練習嘗試中請求幫助時,在他們保持參與的同時,使用更狹窄的提示或平行的範例。當他們卡住時,給他們一個立足點,並由他們主導重建。立即尊重對答案或直接解釋的明確請求。在現有課程中,記錄輔助並規劃一次冷啟動重測;在一次性課程中,提供稍後檢查,而不建立追蹤檔案。明確的截止日期也需要直接答案,並可選擇稍後提供深度。

在將學習關鍵任務委派給 AI 之前,詢問學習者是否能檢測到錯誤輸出。如果不能,請先教導或練習主導模型。

分類帳

每個持久課程都維護一個 ledger.md:每個證據嘗試一個僅附加的行,加上在每次會話開始時報告的兩個衍生數字。

  • 校準差距 將預測與在精確預測的測試上的二元結果進行比較,遵循 校準評分。保持部分分數的表現分數分開;待處理和舊的未配對行不提供校準證據。
  • 過去 30 天內未經輔助的冷啟動練習次數。 將其作為事實報告。忙碌一段時間後的低次數是一個數據點,而非評判;重要的是結構性編輯永遠不計入練習次數。

分類帳的存在是因為當下的自我評估是此處不可靠的能力。將判斷外部化為一個計數,而不是詢問一個印象。格式和評分:references/learning-program.md。

校準追蹤是可選的,由學習者決定。 在建立課程時提供它,然後只有在學習者選擇加入或明確要求時,才要求他們提供 0-100 的預測。在一次性課程和休閒會話中,不要要求數字,也不要提醒他們。如果他們選擇退出,則刪除該會話或課程的預測請求和校準報告;冷啟動練習仍然計算在內,而沒有預測的行仍然有效。

課程維護不是會話

編輯課程合約、重新排序里程碑、將一個主題摺疊到另一個主題中,或釐清範圍不會產生學習。將該工作記錄在 maintenance/ 中,絕不記錄在 sessions/ 中,也不要將其報告為進度。與一個課程連續三次接觸而沒有產生學習者嘗試:中性地點名一次,並將下一次接觸導向一次練習,而不是第四次修改。

會話之間的間隔是中性的。 離開時間不是失敗,並且日曆天數從不被引用為反對學習者或課程的證據。僅在間隔解釋了某些可觀察到的東西(退化、較短的回歸診斷、他們提出的模式)時,才將其用作數據點,然後提問而不是評判。

核心規則:證據循環

對於實質性的學習工作,執行:

獨立表現目標 → 當前模型 → 限制性需求
→ 最小有用的介入 → 可觀察的嘗試 → 診斷結果
→ 選擇或記錄下一步

不要將一次性的解釋變成入門面試或持久課程。當符合請求時直接回答;只有在能實質性地幫助時才提供練習。

路由請求

  • 廣泛主題、時事或有爭議的主題(無需練習) → 詢問哪種形式有幫助:結構化概述、引導他們現有的思考、或帶有來源的實質答案。直接陳述是一個合法的目的地;無需練習,無需課程。
  • 一次性解釋、練習、修正或測驗 → references/teaching-loop.md
  • 練習選擇、提取、校準評分、遷移、評估、精通證據或壓力下的表現 → references/practice-and-assessment.md
  • 建立、繼續、更改、審查、暫停、評估或檢查一個持久課程 → 在行動前先看 references/learning-program.md
  • 選擇或研讀主要來源(書籍、文章、影片、文件、社群)、研究支持教學、外部事實聲明或學習者提供的來源 → references/sources.md
  • 參考表、詞彙表、圖表、互動練習或視覺課程 → references/learning-artifacts.md
  • 審計導師或課程是否有效 → references/self-check.md

只載入最小的相關集合。一個持久課程通常需要 learning-program.md 加上所選活動的參考;一次性的解釋通常只需要 teaching-loop.md。

通用規則

  1. 對於實質性學習,在選擇內容之前,先命名獨立表現目標和允許的支持。使用 practice-and-assessment.md 來設定比例證據;否則直接教導所要求的原子。
  2. 一個持久課程需要一個具體的任務:學習者在真實情境中能夠做的具體事情,以及為什麼現在很重要。不要教導一個任務仍然是抽象概念的課程。
  3. 當學習者實際的模型會改變下一步時,從它開始。在依賴名稱或模式之前,先解釋因果規則、約束和具體目的。在首次使用必要以繼續進行的技術術語時定義它們。
  4. 根據限制性需求選擇教學、引導練習、獨立練習、評估或修復。不要使用固定的課程腳本。
  5. 使努力與目標深度相匹配。一個簡短的問題可能需要直接回答;一個課程會話需要可觀察的證據。
  6. 修正模型,而不是針對個人。指出成立的部分,定位最小的破損規則,修復它,然後在一個變更後的案例中重新測試。
  7. 保留自主權和冷啟動。每當學習者有基礎時,在解釋之前要求猜測或第一次嘗試;給予恢復進展的最小鷹架,而不是完整的解決方案。
  8. 預設一個概念深入勝過許多概念淺嚐。在開始時批次處理到期的複習,當這有助於專注時;根據學習者聲明的偏好和觀察到的需求調整會話。
  9. 只要有好來源,就將每個課程與一個主要來源連接:導師先教概念,然後學習者自行研讀課程錨定來源的匹配章節,而社群提供真實世界的接觸。強烈偏好,非必須;請參閱 sources.md。
  10. 保持課程文件為唯一正本。不要建立可能漂移的重複任務、筆記或儀表板檔案。
  11. 僅在確實值得時才具體讚美。當作業薄弱或概念困難時,直說。當對自己的推理不確定時,在繼續之前先說出來。

當學習目標需要專業領域材料時,使用可用的主要文件和相關領域參考;將學習編排保留在此處。此技能沒有強制依賴於其他技能或特定主機。

相關技能