MCP HubMCP Hub
Volver a habilidades

learn

pjt222
Actualizado 6 days ago
18 vistas
17
2
17
Ver en GitHub
Metaaidesign

Acerca de

La habilidad `learn` permite a Claude adquirir conocimientos sistemáticamente de dominios desconocidos, construyendo modelos mentales estructurados mediante investigación y ciclos de retroalimentación. Está diseñada para situaciones como explorar una nueva base de código, resolver información conflictiva o comprender profundamente un tema antes de enseñarlo. El proceso imita la repetición espaciada, guiando a Claude para que examine, formule hipótesis, sondee y consolide información para una recuperación confiable en el futuro.

Instalación rápida

Claude Code

Recomendado
Principal
npx skills add pjt222/agent-almanac -a claude-code
Comando PluginAlternativo
/plugin add https://github.com/pjt222/agent-almanac
Git CloneAlternativo
git clone https://github.com/pjt222/agent-almanac.git ~/.claude/skills/learn

Copia y pega este comando en Claude Code para instalar esta habilidad

Documentación

行結構知識採集——掃未知、立初模、以試探、合發現、驗解、固持久。

  • 遇未知碼庫、框、或域且無前脈
  • 用者問技外需真察非回憶之題
  • 多矛盾源→須自空構一致心模
  • remote-viewing 出直覺線索需系統驗
  • teach — AI 須深解以釋

  • :學目——題、碼庫區、API、域概、或技
  • :範約——幾深(表掃 vs 深專)
  • :用者目——此知何要(導優先面)
  • :已知起點——已熟文件、文、或概

一:掃——圖疆

解前先圖景以識存者:

學模擇:
┌──────────────────┬──────────────────────────┬──────────────────────────┐
│ 疆型              │ 主模                      │ 工具式                    │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ 碼庫              │ 結構圖——               │ Glob 為文件樹、           │
│                  │ 尋入口、核模、邊            │ Grep 為 exports/imports、│
│                  │                          │ Read 為關鍵文件            │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ API/庫            │ 接口圖——               │ WebFetch 為文、           │
│                  │ 尋公面、型、配              │ Read 為例、               │
│                  │                          │ Grep 為用式                │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ 域概              │ 本體圖——               │ WebSearch 為概覽、         │
│                  │ 尋核詞、關係、辯論           │ WebFetch 為定義、          │
│                  │                          │ Read 為本地註               │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ 用者脈            │ 對話圖——               │ Read 對話、                │
│                  │ 尋所陳目、偏、約            │ Read MEMORY.md、          │
│                  │                          │ Read CLAUDE.md             │
└──────────────────┴──────────────────────────┴──────────────────────────┘
  1. 識疆型並擇主模
  2. 行廣掃——非深讀,識地標(關鍵文件、入口、核概)
  3. 記邊:何於範、何鄰、何外
  4. 識隙:顯要而表不透之區
  5. 造粗圖:列主組件與其表顯關係

得:疆骨圖有 5-15 地標識。何區表顯清、何需深察之感。尚無解——僅圖。

敗:疆過大不可掃→即窄範。問:「為服用目最少須解何?」無明入口→由出始(此系統生何?)逆追。

二:設——立初模

由掃構系統如何行之初設:

  1. 立 2-3 結構或行為設
  2. 各設明述:「吾信 X 因察 Y」
  3. 各設識何證確、何證駁
  4. 按信排:最支者、最動搖者
  5. 識首試最高價設(若確→解最多者)

得:具體可證偽設——非模糊印。各有確或駁之試。諸設合蓋疆最要面。

敗:無設→掃淺→返步一,深讀 2-3 地標。諸設等不確→由最簡始(奧卡姆剃刀)構。

三:探——試並驗

以針察系統驗各設:

  1. 擇最高優設
  2. 設最小探:確或駁之最小察?
  3. 行探(讀文件、搜式、試假)
  4. 記結:確、駁、或改
  5. 駁→按新證更設
  6. 確→深探:設於邊是否持,抑僅中?
  7. 次設複

得:至少一設試至結。心模成形——部確、部修。驚為特價數據。

敗:探恒生模糊結→設或試誤物。退問:「解此系統者視何為最要事實?」→探之。

四:合——構心模

合發現為連片之一致模:

  1. 審諸確設與修模
  2. 識中組原則:諸物所連之「脊」何?
  3. 圖關係:何組件依何?何流何?
  4. 識驚發現——常含最深洞見
  5. 尋跨疆不同部重現之式
  6. 構可預行為之心模:「入 X →出 Y,因 Z」

得:釋疆結構且預行為之一致心模。模可 3-5 句述且具體聲明非模糊泛化。

敗:片不合為一致模→前設中或有根解誤。識不合之片並重試。或疆真不一致(差設系統存)——記此為發現非強合。

五:驗——挑戰解

以預測並查驗心模:

  1. 以模立 3 關疆之具體預
  2. 以察驗各預(非假之)
  3. 各確→信增
  4. 各駁→識模誤處並正
  5. 識邊例:模於邊持否,或崩?
  6. 問:「何驚吾?」——查此驚可能乎

得:心模過 3 中至少 2 預測。崩處誤解並正。模有確優與已知限。

敗:多預敗→心模有根缺。此乃貴信息——意疆異預。以新證返步二重構設。二試速快因已除誤模。

六:固——存以取

捕學為支未來取與用之形:

  1. 3-5 句總心模
  2. 記關鍵地標——最要 3-5 事
  3. 記易忘之反直覺發現
  4. 識此學所連之相關題
  5. 若學持久(跨會話須)→更 MEMORY.md
  6. 若會話特→記為當對話脈
  7. 述未知何——誠隙較假信有用

得:捕核解之簡取總。未來此題可由此總始非由空重學。

敗:學抗總→尚未完合→返步四。學似顯而不值存→考今顯者新脈中或不顯。存非顯部。

  • 深察前掃(圖先於潛)
  • 設明述並試,非假
  • 至少一設按證修(示真學)
  • 心模作具體可試預
  • 已知未知與已知已知同識
  • 固總簡以有利未來取

  • 略掃:解景前潛入細→費於非要區失大圖
  • 不可證偽設:「此或複」不可試。「此模處認證因導 crypto」可
  • 探時確認偏:僅尋支設之證忽矛盾
  • 過早固:未試存模→信錯之未來預
  • 完美主義:用知前欲學一切。學乃迭——用部解後精
  • 無目學:無應用之知→無焦淺解

  • learn-guidance — 人指結構學之變體
  • teach — 按學者校之知轉;基此處構之模
  • remote-viewing — 出線索供系統學驗之直察
  • meditate — 入新學疆前清前脈絡噪
  • observe — 養學原數據之持中式識

Repositorio GitHub

pjt222/agent-almanac
Ruta: i18n/wenyan-ultra/skills/learn
0
agentsagentskillsai-assisted-developmentclaude-codeskillsteams

Habilidades relacionadas

content-collections

Meta

Esta habilidad proporciona una configuración probada en producción para Content Collections, una herramienta centrada en TypeScript que transforma archivos Markdown/MDX en colecciones de datos con tipado seguro mediante validación Zod. Úsala al construir blogs, sitios de documentación o aplicaciones Vite + React con mucho contenido para garantizar seguridad de tipos y validación automática de contenido. Abarca todo, desde la configuración del plugin de Vite y compilación MDX hasta la optimización de despliegue y validación de esquemas.

Ver habilidad

polymarket

Meta

Esta habilidad permite a los desarrolladores crear aplicaciones con la plataforma de mercados de predicción Polymarket, incluyendo la integración de API para operaciones y datos de mercado. También proporciona transmisión de datos en tiempo real a través de WebSocket para monitorear operaciones en vivo y actividad del mercado. Úsela para implementar estrategias de trading o crear herramientas que procesen actualizaciones de mercado en tiempo real.

Ver habilidad

creating-opencode-plugins

Meta

Esta habilidad ayuda a los desarrolladores a crear complementos de OpenCode que se conectan a más de 25 tipos de eventos, como comandos, archivos y operaciones LSP. Proporciona la estructura del complemento, las especificaciones de la API de eventos y los patrones de implementación para módulos en JavaScript/TypeScript. Úsala cuando necesites interceptar, monitorear o extender el ciclo de vida del asistente de IA de OpenCode con lógica personalizada basada en eventos.

Ver habilidad

sglang

Meta

SGLang es un framework de alto rendimiento para el servicio de LLM que se especializa en generación rápida y estructurada para JSON, expresiones regulares y flujos de trabajo de agentes utilizando su caché de prefijos RadixAttention. Ofrece una inferencia significativamente más rápida, especialmente para tareas con prefijos repetidos, lo que lo hace ideal para salidas complejas y estructuradas, y conversaciones multiturno. Elige SGLang sobre alternativas como vLLM cuando necesites decodificación restringida o estés construyendo aplicaciones con uso extensivo de prefijos compartidos.

Ver habilidad