Scientific Learning Skills

A student-facing Agent Skills prototype for diagnosis-before-explanation tutoring.

Quick Start · Demo · Evidence · 设计对比 · Platforms · English

它能做什么

下列内容是仓库中编写的行为示例，用于展示 Skill 期望的交互形式；不是受控对照实验、实时模型生成记录或真实用户学习证据。

查一个单词，它给你的不只是翻译：

> !undermine 六级

📌 已存入记忆（新词，明天复习）

含义：1. 逐渐削弱（六级中频） 2. 挖墙脚
词根：under（在下面）+ mine（挖）→ 在底下挖 → 掏空根基
形近词陷阱：undermine vs underline vs underestimate
考试怎么考：六级选词填空经典辨析，阅读同义替换（= weaken）
常见误区：和 underestimate 混用——前者是破坏，后者是低估
备考建议：被动识别即可。行动：① 抄下形近词对比表 ② 做 3 道选词填空真题

"我懂了但做题不会"——它先诊断再修：

> 我会算矩阵乘法，但不知道矩阵到底在算什么。

诊断：你的卡点是"线性变换"这个前置概念没建立直觉。
你不是不会算——你是把矩阵当成了一个静态表格，而不是一个动作。

修复：矩阵的每一列 = 基向量被映射后的新位置。
[2 0; 0 3] → 把 x 拉伸 2 倍，y 拉伸 3 倍。
[0 -1; 1 0] → 把整个平面旋转 90°。

验证：矩阵 [0,-1; 1,0] 对正方形做了什么？
变式：换成 [1,1; 0,1]，预测效果。

背政治大题，它拆成思维导图，然后抽背：

> 帮我背这段：实践是检验真理的唯一标准……

思维导图：
实践是检验真理的唯一标准
├── 真理的本性：主观认识与客观实际相符合
├── 实践的特点：直接现实性（能把主观变客观）
└── 为什么唯一：只有实践能连接主客观

> 出题

🔁 抽背（3 题）
Q1: [填空] 实践是检验真理的____标准。
Q2: 为什么说实践是检验真理的唯一标准？
Q3: 关键词"直接现实性"→ 请复述相关要点。

9 个 Skill，覆盖 9 类常见学习任务：

设计对比示例

下表对比两个仓库内的手工编写示例，用来说明“先诊断、再讲解”的设计意图。它不是在同一模型、同一参数下的现场 A/B 测试。

用户：我会算矩阵乘法，但不知道矩阵到底表示什么。

矩阵有三种理解方式：

1. 对空间的变换——当作一台机器，输入向量输出向量
2. 线性方程组的系数——行乘列来自代入消元
3. 矩阵的列 = 基向量被变换后的位置

一句话：矩阵是空间中的一个动作。

诊断：你怎么理解矩阵？先确认两件事——

1. 矩阵 [1,2; 3,4] 乘以向量 [x,y]，你觉得这到底在对 [x,y] 做什么？
2. 你学矩阵是从解方程组切入，还是几何，还是直接给运算规则？

（等你回答后再针对性修复）

左侧示例直接给了三个视角——但用户真正缺的可能只是其中一个视角的直觉，因此可能造成额外信息负担。

Skill 先追问两个诊断问题——判断是「直觉缺失」还是「概念混淆」，然后只讲用户缺失的那一块。不讲用户已经懂的内容，不讲用户暂时不需要的内容。

静态结构评分

下表是基于 evals/scoring_rubric.md 对两个已签入仓库的静态 Markdown 示例所做的启发式结构打分。python eval.py --all 可以复现该规则检查；--quick 会排除 baseline。评分只检查诊断问句、变式、误区表等可观察结构，不代表模型新生成输出的质量或学习效果。

设计目标：先判断学习者的具体卡点，再提供针对性解释，减少与当前问题无关的信息。

快速开始

git clone https://github.com/hwl668/Scientific-learning-skills-.git scientific-learning-skills
cd scientific-learning-skills
bash setup.sh # 自动检测 AI 工具 + 创建软链接 + 初始化 memory
claude        # 启动，Skills 自动加载

setup.sh 支持 Linux、macOS，以及在 Linux 文件系统内完成 clone 的 WSL 环境。由于 Git for Windows 在 core.symlinks=false 时会把仓库符号链接检出为普通文件，当前不承诺 Git Bash 安装路径可用。脚本会为检测到的 Claude Code 创建 .claude/skills/ 链接并初始化本地 memory/；它只检测 Codex CLI，不会为 Codex 自动安装 Skill。Codex 用法见 deploy/codex.md。

然后直接说话：

> 什么是极限？我第一次接触。
> 我会算矩阵乘法，但不知道矩阵到底表示什么。
> !undermine 六级

想先看看设计形式？→ demo/ 目录包含仓库维护者编写的静态对话/输出示例，不用安装就能浏览。

想运行静态结构回归？→

python -B eval.py --quick
python -B -m learning_agent.eval.runner --suite evals/cases/smoke.jsonl --report markdown

两条命令都对仓库内的静态文本做启发式规则检查，不会调用模型生成新回复。

v0.2 / v0.3：实验性 Learning Agent 模块

项目目前是 Skill Pack + 可独立运行的实验性 CLI 模块。Skill 定义教学行为；路由、诊断、记忆调度、评测、提示编译和案例库可以分别通过命令行运行。这些模块尚未串成一个持久化、端到端的学习产品。v0.3 还包含一个 learned-router baseline，用合成训练数据学习 skill routing，并设置 non-learning 类与低置信度 fallback。

数据与回归样例：

证据边界与本地验证

Learned router 的训练报告应与数据集指纹、切分策略一起阅读。即使合成 holdout 上的指标很高，也不应写成“真实准确率 100%”或“已证明提升学习效果”。

安全模型格式、完整哈希、切分限制和适用边界见 artifacts/README.md。

当前回归验证：

# 全量回归需要可选的 ML 与 Skill YAML 校验依赖
python -m pip install -e ".[ml,validation]"

python -B -m unittest discover -s tests
python -B -m learning_agent.router --eval
python -B -m learning_agent.diagnosis --eval
python -B -m learning_agent.ml_router evaluate
python -B eval.py --quick
python -B -m learning_agent.eval.runner --suite evals/cases/smoke.jsonl --report json

更多 v0.2 设计和验证说明见 docs/v0.2-summary.md。

安装到其他平台

Skills 本质是结构化 Markdown 指令集。在支持 Agent Skills 的宿主中可以加载 Skill 目录；其他平台可用 Prompt Compiler 合成指令。加载方式、模型能力与工具权限都会影响实际遵循效果。

Token 预算与选中 Skill 有关。用 python -B -m learning_agent.compile --target generic --skills all --metadata 查看当前版本的启发式估算；实际 token 数以目标模型的 tokenizer 为准。

Memory 支持矩阵

不同平台对 Memory（间隔复习、薄弱追踪）的支持程度：

本仓库未提供托管的用户记忆服务。无可写存储时，Skill 的单轮诊断/讲解/解题指令仍可加载，但跨会话复习状态不会持久化。

使用

在已加载子 Skill 且宿主支持 Skill 发现/匹配时，可以直接自然描述问题；匹配结果仍取决于宿主实现：

# 零基础入门
> 什么是导数？我第一次接触。

# 模糊诊断
> 我会算极限，但不理解 ε-N 定义到底在干什么。

# 解题
> 求 lim(x→0) (e^x - 1 - x) / x²，我卡住了。

# 错题复盘
> f(x)=ln(x²-1)，我求定义域答了 x>1，答案却是 x<-1 或 x>1。

# 单词（加 ! 存入记忆，支持间隔复习）
> !complimentary 六级

# 背文本（存入后说"出题"开始抽背）
> 帮我背这段：实践是检验真理的唯一标准……

# 复习计划
> 两个月自学线代通过期末考，每天 1.5 小时，基础只会矩阵乘法。

也可以显式调用总入口：

> /scientific-learning 矩阵乘法是什么？
> 用 scientific-learning 帮我处理这个学习问题：这题我卡住了……

记忆管理（对应 Skill 已加载且 memory/ 可写时）：

> 复习单词         # 按间隔复习法抽取到期词汇
> 出题             # text-memorizer 抽背薄弱知识点
> 学习报告         # 跨 Skill 薄弱点汇总 + 掌握率 + 建议
> 清除全部记忆     # 清空所有 Skill 的记忆数据

辅助工具：

python review.py          # 终端彩色面板：到期复习数、掌握率、薄弱项 TOP 10
bash skill-creator.sh     # 交互式创建自定义 Skill 骨架

想了解更多

• 设计理念、认知科学依据、架构决策 → DESIGN.md
• 模型卡与安全制品说明 → artifacts/README.md
• 漏洞私下报告与数据边界 → SECURITY.md
• 贡献指南 → CONTRIBUTING.md
• 后续规划 → docs/roadmap.md
• 学科扩展方案 → docs/subject-expansion-plan.md

语言选择 / Language

• 🇨🇳 中文版本 (Chinese)
• 🇬🇧 English Version

License

MIT