大師學習
大師學習讓 Codex 在表現得像專家之前，先扮演認真的學徒。在規劃或修改程式碼之前，用它來研究領域、生態系統、原始資料和實作模式。
核心規則
當任務依賴於 Codex 尚未在當前來源中紮根的領域知識時，不要直接跳到實作。首先產出一份學習摘要。然後將該摘要作為計畫、設計、測試或實作的基礎。
觸發決策
符合以下任何條件時使用此技能：
- 使用者要求在陌生的領域、框架、研究領域、通訊協定、標準或硬體/軟體生態系統中建構。
- 任務提到「研究」、「先學習」、「最佳實務」、「最新」、「論文」、「GitHub」、「範例」、「基準」、「標準」或任何語言中的等效意圖。
- 一個錯誤的假設可能導致浪費實作工作、不安全的設計、低劣的學術/工程品質，或不相容的 API。
- 任務涉及在編輯之前選擇函式庫、復現論文、適配高星等倉庫、遵循官方文件，或了解本地專案慣例。
對於瑣碎的編輯、有明確本地證據的直接錯誤修正、僅格式化的工作，或使用者明確要求不要研究的任務，請勿使用此技能。
工作流程
- 規劃學習目標。 重新陳述專案目標、目標受眾、目標環境、成功標準，以及必須解決的未知事項。
- 選擇研究深度。 除非任務是高風險、新穎、受監管、由論文驅動或來源衝突，否則從
scout開始；在這些情況下使用deep。對於領域已知但依賴項目可能已變更的維護任務，使用refresh。 - 按優先順序收集來源。 優先使用官方文件和本地倉庫的事實，然後是標準/規格、論文、高品質的 GitHub 倉庫、範例/測試/議題，以及可信的工程報告。
- 學習模式，而非瑣事。 提取領域概念、資料/控制流程、API 合約、常見架構、邊界案例、失敗模式、測試方法和反模式。
- 審計來源覆蓋率。 清楚地標記缺口。如果沒有官方來源、沒有程式碼範例，或沒有當前來源，請將結論標記為暫定。
- 產出學習摘要。 保持可執行性：要建構什麼、要避免什麼、要驗證什麼，以及哪些假設仍然存在。
- 紮根後才繼續。 使用學習摘要來制定實作計畫或程式碼變更。如果摘要暴露了未解決的關鍵風險，請在實作前進一步詢問或研究。
SkillOpt 風格驗證關卡
此技能透過 SkillOpt 啟發的循環進行最佳化：展開任務、反思失敗、應用有範圍的編輯，並僅在驗證有所改善時保留候選項。在任務時，使用相同的紀律：
- 將學習摘要視為當前專案的可訓練程序，而非裝飾性報告。
- 當證據改變時進行有範圍的更新：僅新增、刪除或替換改善下一個決策所需的規則。
- 在摘要中保留被駁回的假設，以免後續重新引入。
- 在實作之前，執行驗證關卡：來源覆蓋率、本地程式碼契合度、風險審查和接受標準。
- 如果驗證關卡失敗，請改善摘要，而不是在不確定中進行編碼。
訓練紀律
在長期專案或重複技能改進期間使用這些 SkillOpt 風格的控制項：
- 文字學習率： 每次失敗後，偏好進行一兩次精確的規則編輯，而非完全重寫。
- 被駁回假設緩衝區： 記錄被證明為假的假設，例如過時的 API、已廢棄的倉庫、不相容的授權、薄弱的論文，或與使用者執行環境不符的範例。
- 保留驗證： 在信任新規則之前，針對不同的情境測試更新後的摘要。
- 慢速更新： 如果同一失敗在多次任務中出現，請將其從一次性筆記提升到
SKILL.md或參考檔案中。 - 回歸檢查： 確認該技能仍會跳過瑣碎任務，並且不會過度研究直接修正。
情境處理規則
- 對於最新的框架/API 任務，在推薦程式碼之前，請驗證官方文件、發行說明、遷移說明和本地依賴項版本。
- 對於論文復現任務，請閱讀論文方法、假設、評估設定、程式碼/資料可用性，以及與使用者環境不匹配之處。
- 對於GitHub 適配任務，檢查授權、近期活動、範例、測試、議題、依賴項健康狀況，以及是允許重複使用還是僅適合學習。
- 對於本地專案任務，在查看外部來源之前，檢查清單、配置、測試、文件和現有慣例。
- 對於低風險的直接修正，明確跳過深度研究，並說明為何不需要此技能。
- 對於網路降級任務，標記缺少的外部驗證，並僅依靠本地證據繼續，或在必要時請求許可/輸入。
輸出合約
每個學習摘要必須包含：
任務：學習目標、目標環境、成功標準、研究深度和信心度。來源：URL/路徑、類型、日期/時效性（若可用）、可靠性及主要用途。領域模型：關鍵概念、物件、術語和關係。本地程式碼經驗：專案結構、慣例、約束，以及存在本地程式碼時的相關檔案。GitHub/程式碼經驗：審查過的倉庫、有用的模式、授權/重複使用說明和議題。論文/標準經驗：方法、要求、限制和假設。實作模式：架構、API/合約、資料/控制流程、測試和操作限制。風險與反模式：邊界案例、薄弱的假設和應避免的事項。建議：建議的方法、接受標準和後續步驟。開放性問題：未解決的決策或缺失的證據。
當結構化的 Markdown 構件有幫助時，請使用 references/learning-brief-template.md。
捆綁資源
僅在相關時閱讀這些檔案：
references/research-depths.md：選擇scout、deep或refresh。references/source-quality-rubric.md：評分和比較來源。references/github-mining.md：在不被星星數量誤導的情況下檢查 GitHub 倉庫。references/paper-learning.md：將論文轉化為工程限制。references/skillopt-training.md：用於此技能的 SkillOpt 啟發式最佳化協議。references/learning-brief-template.md：產出一致的摘要。references/anti-patterns.md：避免常見的失敗模式。training/benchmark-scenarios.json：用於對此技能進行回歸測試的保留情境集。
腳本為可選輔助工具：
scripts/create_learning_brief.py：建立學習摘要框架。scripts/github_scan.py：搜尋 GitHub 倉庫並匯出候選項。scripts/paper_scan.py：搜尋 CrossRef、arXiv 和 PubMed 公共 API。scripts/source_audit.py：檢查來源覆蓋率並警告基礎薄弱之處。scripts/merge_learning_brief.py：將掃描輸出合併到摘要草稿中。scripts/skillopt_train.py：執行本機 SkillOpt 風格的情境訓練和驗證基準測試。
完整性規則
- 切勿捏造來源發現、引用、倉庫內容或 API 行為。
- 如果網路存取失敗，請說明研究已降級，並解釋哪些內容未被檢查。
- 優先使用主要來源而非摘要。
- 對於「最新」的聲明，在依靠記憶之前，請驗證當前文件或發行版本。
- 將一篇部落格文章、一個 Stack Overflow 答案或一個 README 視為不足以進行高風險決策。
- 當來源意見不一致時，保留分歧，並推薦最安全、可驗證的路徑。