SuperAPI AI 工具集

start-learning

通用与其它

查看项目

更新于 10-16 10:10

技能介绍

用途

start-learning 是针对「AI Engineering from Scratch」课程的一次性入门引导(onboarding)。该课程包含 20 个阶段、523 节课,覆盖从线性代数到自主智能体的完整内容。技能的目标是在当前目录生成一个 LEARNING.md 文件,记录学习者为什么学、应该从哪里开始、以及学习路径长什么样。后续每一次学习都会读取并更新这个文件,因此它被当作学习者的唯一事实来源(source of truth)。

主要能力

  1. 面试式引导:提出三个问题(学习动机、每周学习时间、最终想构建的成果),用于捕捉学习意图,而不测量知识水平。
  2. 分级测验:运行 find-your-level 技能提供的分级测验(5 个领域、10 道题),将学习者映射到某个起始阶段。
  3. 生成状态文件:写出包含 Mission、Placement、Path、Progress log、Review queue 五个部分的 LEARNING.md。
  4. 路线分流:识别并转交给 MCP、Agent Skills、逆向工程等专门学习路线。
  5. 恢复与续学路由:在存在既有状态文件时,判断应恢复到哪条路线。

使用方式

技能名称是可移植的,但调用语法取决于宿主环境:

  • Codex:使用 start-learning、learn、course-guide 等技能名形式,或从 /skills 中选择。
  • Claude Code:使用 /start-learning、/learn、/course-guide 等斜杠命令形式。
  • 其他兼容宿主:使用自然语言,例如“Use learn to start my first lesson.”

当宿主未知时,应使用自然语言形式。不要把 Claude Code 的斜杠命令当作通用语法。

恢复路由

在通用引导之前,技能会先把所有「恢复」或「继续」请求与以下状态文件及其路线归属对应起来:

  • LEARNING.md 属于 learn(完整课程)。
  • MCP-LEARNING.md 属于 learn-mcp(Model Context Protocol 路线)。
  • MCP-ENGINEERING-LEARNING.md 是同一 learn-mcp 路线的旧文件名,不是单独路线。
  • AGENT-SKILLS-LEARNING.md 属于 learn-agent-skills。
  • REVERSE-ENGINEERING-LEARNING.md 属于 learn-reverse-engineering。
  • CLAUDE-CERTIFICATION.md 属于 claude-certification。

若学习者在恢复请求中指明了路线,则立即派发给对应归属者并停止本技能,即使存在其他状态文件也一样。对于未指明路线的请求,技能会收集存在状态文件的归属者(把两个 MCP 文件名归入 learn-mcp)。若只剩一个路线归属者,则调用它并在通用引导前停止本技能;若有两个或更多,则列出面向学习者的路线名称并询问要恢复哪一条。若都不存在,则继续通用引导。技能不会根据文件新近程度推断路线,也不会把一个路线的进度合并到另一个状态文件中。

已存在 LEARNING.md 时的处理

若 LEARNING.md 已存在,不覆盖它,而是概述其内容(使命、入口点、迄今进度),并提供三种路径:

  1. 恢复:用上述宿主语法调用 learn,跳过面试和分级测验。
  2. 重新分级:再次进行测验,只更新 Placement 部分和 Path 状态,保留 Mission、Progress log 和 Review queue。
  3. 重新开始:仅在明确确认后,把当前文件重命名为 LEARNING-<YYYY-MM-DD>.md 归档,再执行完整引导。绝不静默删除或覆盖历史。

引导流程

第一步:面试(3 个问题)

  • 为什么学 AI 工程?自由文本。可提供示例:发布 AI 产品、职业转型、理解日常所用、研究。
  • 每周多少时间?选项:约 2 小时、约 5 小时、约 10 小时、「尽可能快」。仅用于诚实表述节奏,绝不删减内容。
  • 最终最想构建什么?一行。智能体、训练模型、RAG 产品、「还不确定」都可以。

不要超过这三个问题。分级测验测量知识;面试只捕捉意图。

第二步:分级

运行 find-your-level 技能提供的分级测验:5 个领域、10 道题,映射到某个起始阶段。遵守该技能的答案隔离约定。若学习者表示已知从哪里开始(如「就从第 7 阶段开始」),则跳过测验,但输出契约与测验运行相同:验证阶段为 0–19 并解析其规范名称;Path 表中低于入口的阶段为 Skip,入口及之上为 Do;Placement 部分写 Score: self-selected。

第三步:写入 LEARNING.md

文件恰好包含以下部分:

  • # My AI Engineering Path(含托管注释与仓库链接)
  • ## Mission:问题 1 的答案(用学习者自己的话)加问题 3 的构建目标
  • ## Placement:Date、Score(总分/10 加领域细分,或 self-selected)、Entry point(Phase N: name)、Pace
  • ## Path:全部 20 个阶段的表格,列 Phase、Name、Status(Skip/Review/Do/Done)、Est. hours。小时数来自 ROADMAP.md,可本地读取或从 https://raw.githubusercontent.com/rohitg00/ai-engineering-from-scratch/main/ROADMAP.md 获取
  • ## Progress log:表格,列 Date、Lesson、Quiz、Note
  • ## Review queue:初始为空,由 learn 添加测验标记的课程

第四步:交接

以三行收尾:入口点与 Review + Do 阶段的总预估小时数;给出宿主正确的 learn 调用语法,说明它启动第一节课并每次从该文件续接;给出宿主正确的 course-guide <topic> 调用语法,说明它可以跳转到特定主题。

适用场景

  • 首次开始「AI Engineering from Scratch」完整课程的初学者。
  • 已知起始阶段、希望直接跳过测验的学习者。
  • 已存在状态文件、需要恢复或重新分级的学习者。
  • 需要把请求分流到 MCP、Agent Skills 或逆向工程专门路线的学习者。

限制

  • 只提出三个面试问题,不用于测量知识。
  • 不覆盖已存在的 LEARNING.md,除非学习者明确确认重新开始。
  • 不根据文件新近程度推断路线,不跨路线合并进度。
  • 若学习者明确想要 MCP、Agent Skills 或逆向工程,则不运行分级测验、不创建 LEARNING.md,而是转交对应的专门技能。
  • 关于具体平台支持范围、收费与价格信息,资料中暂未提供。