Learning Opportunities：用于刻意技能发展的 Claude Code 和 Codex 技能

提升你的专业能力，而不仅仅是完成项目。

本技能采用自适应的"动态教材"方法，帮助你在进行代理编码时融入基于科学的能力构建练习。

当你完成架构工作（新文件、模式变更、重构等）后，Claude 会提供可选的学习练习，每次约 10-15 分钟，这些练习基于有据可查的学习科学。练习使用预测、生成、检索练习和间隔重复等技术，为你提供来自你自身项目工作的半成品示例。

与 Learning-Goal 配合使用效果更佳，该技能通过心理对比与实施意图（MCII）技术引导你进行半结构化的交互式学习目标设定。

适用场景

本技能专为使用代理编码工具（Claude Code、Codex）的开发者设计，旨在帮助他们在完成项目之外建立更深层次的专业能力。当你在处理涉及多个不熟悉语言、技术或架构模式的项目时，本技能尤为有用。

为什么你可能想尝试这个技能

AI 编码工具可能通过引入低效的学习习惯，带来降低用户学习参与度的特定风险。这些影响可以根据几个有科学基础的学习原则来预测：

1. 生成效应（Generation effect）：接受生成的代码而减少自己生成代码，可能会跳过构建理解的主动加工过程。
2. 流畅性错觉（Fluency illusion）：干净的生成代码可能让人误以为自己比实际更理解它；同样，通过搜索轻松获取知识可能会促进知识错觉和更完整心理模型的错觉。
3. 间隔效应（Spacing effect）：机器速度可能推动用户持续"填鸭式"学习和长时间的生产会话，而没有学习所需的节奏、反思和间隔，而这正是长期保持的关键。
4. 元认知（Metacognition）：快速工作流往往没有空间来监控学习、发展模式表征，以及用户对自己在处理新技术时相对专业水平和知识程度的感知。
5. 测试与检索（Testing and retrieval）：代理模型倾向于给出完整答案，可能导致用户失去从自我测试和检索新知识特定组件中获益的机会，而这些组件能强化记忆。

SKILL.md 中的技术旨在通过重新引入以下内容来对抗这些风险：

• 主动生成（预测、解释、草图）
• 检索练习（检查、教学、自我测试）
• 刻意停顿（间隔、反思）
• 显性元认知（自我评估、缺口识别）

本技能通过提醒你考虑投入反思和学习来打断这种模式。它引入了一种与 Claude 交互的"不同模式"，这种模式会有意地与高度流畅、快速的代理编码感觉不同，以帮助你反思和探索你生成的工作。本技能可能特别适合那些正在使用代理编码开发涉及多个不熟悉语言、技术或架构模式的离散项目的用户。

核心能力

• 自适应学习练习：当你完成架构工作（新文件、模式变更、重构等）后，Claude 会主动询问你是否愿意进行 10-15 分钟的学习练习。
• 多种练习类型：包括预测→观察→反思、生成→比较、追踪执行路径、调试、教学、检索检查等。
• 基于学习科学：练习设计利用生成效应、检索练习、间隔重复和元认知策略，以对抗代理编码中常见的学习风险。
• 主动思考设计：Claude 会暂停并等待你的输入，而不是直接给出答案，从而促进主动心理加工。
• 可定制化：你可以根据自身技术水平和学习目标调整触发条件、练习内容、软上限等。
• 与 Learning-Goal 配合：用于设定学习目标，结合使用可以更系统地发展技能。

工作方式

在你完成重要工作（你可以自行定义，但建议包括：创建新文件或模块、数据库模式变更、架构决策或重构、实现不熟悉的模式、任何开发过程中你问过"为什么"的工作。关键思想是在你的个人流程中找到一个学习机会最有益的时刻）后，Claude 会问：

"你想做一个关于[主题]的快速学习练习吗？大约 10-15 分钟。"

如果你接受，Claude 会引导你完成一个交互式练习。一个关键设计原则：Claude 会暂停并等待你的输入，而不是回答自己的问题。这可能会让人感到沮丧，但这正是为了对抗 Claude 默认总是提供完整答案的倾向，鼓励你自己的心理努力和学习。你可能会遇到并需要针对 Claude 的默认行为进行设计，以阻止它提供完整答案；如果你发现你认为对其他人也有普遍意义的陷阱或冲突，请随时告诉我，以便我将其纳入技能中改进（例如，我了解到我们需要抑制提示建议）。

练习类型

• 预测→观察→反思：你期望发生什么？现在看看。什么让你感到惊讶？
• 生成→比较：在看到实现之前，先画出你如何处理这个问题。
• 追踪路径：逐步执行，预测每一步的转换。
• 调试这个：这里会出什么问题，为什么？
• 教回去：像给新开发者介绍一样解释这个组件。
• 检索检查：在会话开始时，你上次记住了什么？

不会建议学习练习的情况

目前建议了两个抑制条件，你可以根据工作流程需要调整。Claude 在以下情况下不会提示学习练习：

• 你本会话已经拒绝过一次练习
• 你本会话已经完成了 2 次练习

背后的科学和资源

这些练习借鉴了学习科学中已确立的发现，以及关于典型学习者误解的大量研究。设计选择还借鉴了对开发者的多次定性访谈，了解他们在快速代理编码中关于自身学习和发展的最令人沮丧、担忧或困难之处。

详见 PRINCIPLES.md，其中包含详细解释，可以帮助你开发新的练习类型，或了解更多有助于你学习的策略。

衡量这一项：让团队实验可见的轻量级指南

如果你正在团队中尝试此技能，可以添加轻量级的前/后测量，以使实验在组织中更可见、更有价值。

MEASURE-THIS.md 是一个配套指南，包括：

• 一组经过验证的调查项目，来自我们关于开发者蓬勃发展和 AI 技能威胁的同行评审研究，可直接复制到 Google 表单或团队频道
• 关于如何处理结果（以及不处理结果）的指导，包括为什么方差与平均值同样重要，以及我对这些测量类型的一些防护栏
• 一个"团队炫耀"模板，一个填空段落，用于将你的实验包装成给领导层的邮件，基于真实研究
• Claude.md 统计严谨性提示，如果你希望使用 Claude 进行更复杂的分析，这些提示有助于防止常见的 AI 辅助统计错误

这些测量是免费的，在 CC-BY-SA 4.0 许可下开放获取。完整的测量和设计说明，请参阅 AI 技能威胁开放获取测量补充 和 开发者蓬勃发展开放获取测量补充。

自定义

此技能可以大幅优化和调整。你可能希望：

• 包含关于你自己技术专业知识和现有知识的信息，以便练习从合适的水平开始（例如，已知的语言、学习目标）
• 提示 Claude 将学习机会的见解纳入你的项目 Claude.md
• 根据你的工作流程调整触发条件
• 向练习添加项目特定示例
• 更改每会话的软上限
• 添加领域特定的检索检查问题
• 探索添加评估检查，以评估此技能成功执行其指令的程度