# 克劳德代码与《代码书》技能：有针对性的技能培养

- 来源：Hacker News 热门（buzzing.cc 中文翻译）
- 作者：cdrnsf
- 发布时间：2026-05-14 21:23
- AIHOT 分数：78
- AIHOT 标记：精选
- AIHOT 链接：https://aihot.virxact.com/items/cmp5izn7e0ekxsljxtzoi9u0b
- 原文链接：https://github.com/DrCatHicks/learning-opportunities

## 精选理由

这个skill把Claude Code变成一对一的代码教练，专门抓你代码里的坏习惯，对想用AI真正提升编码水平的人是个好东西。

## AI 摘要

开发者发布了一款名为“克劳德代码与《代码书》技能”的GitHub工具，旨在通过刻意练习提升编程技能。该工具利用AI模型生成特定主题的代码示例与解释，帮助用户进行针对性学习。项目在Hacker News上获得104点热度，关注度较高。其核心变化在于将传统的广泛学习转化为聚焦、可重复的技能训练模式，通过结构化练习提升学习效率。

## 正文

学习机会：一个用于刻意技能发展的 Claude Code 和 Codex 技能

打造你的专业能力，而不仅仅是你的项目。

该技能采用一种自适应的“动态教科书”方法，帮助你在进行智能体编码的同时，融入基于科学原理的专业能力构建练习。

当你完成架构性工作（新文件、模式变更、重构）后，Claude 会提供可选的、时长 10-15 分钟的学习练习，这些练习基于循证学习科学。这些练习运用了预测、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中的半成品示例。

与 Learning-Goal 技能搭配使用效果很好，该技能通过一种名为“心理对照与执行意图”（MCII）的循证练习，引导你进行半结构化的、互动式的学习目标设定。

安装

Codex

该仓库也是一个 Codex 插件市场。要通过 GitHub 添加它：

codex plugin marketplace add https://github.com/DrCatHicks/learning-opportunities.git

如需从检出目录进行本地开发：

codex plugin marketplace add /path/to/learning-opportunities

Codex 市场包括：

learning-opportunities — 核心学习练习技能

learning-opportunities-auto — 可选的提交后提示钩子

orient — 仓库导向生成器

Claude Code

该仓库是一个 Claude Code 插件市场。要安装：

添加市场：

/plugin marketplace add https://github.com/DrCatHicks/learning-opportunities.git

安装插件：

/plugin install learning-opportunities@learning-opportunities

重启 Claude Code 以激活

有关 Claude Code 插件的更多信息，请参阅插件文档。

自动提示（可选）

Linux 和 macOS 用户可以同时安装 learning-opportunities-auto 和 learning-opportunities，以便 Claude 在每次 git 提交后自动考虑提供练习。Windows 用户也可以使用——只需进行一些设置。

获取仓库导向课程（可选）

如果你正在学习一个新仓库，你可以使用 orient 技能创建一个包含建议课程的 orientation.md 文件。这种导向方法应用了关于程序理解和代码库导航的实证研究策略——包括专家开发者如何策略性地采样代码库，而不是通读所有内容。请参阅 orient 参考书目以获取完整的来源列表。

安装 orient 插件：

/plugin install orient@learning-opportunities

导航到你想要了解的仓库，然后调用 orient 技能（作为默认技能或通过其他方式）。

/orient

或者使用 Simon Willison 的展示工具

/orient showboat

然后，使用 orient 参数调用 learning-opportunities，即可获得两项课程，它们将引导你了解该仓库的核心功能。

/learning-opportunities orient

为何你可能想尝试这项技能

AI 编程工具可能带来特定风险，即通过引入低效的学习习惯，降低用户参与学习的积极性。基于若干有科学依据的基础学习原则，可以预见这些影响：

生成效应：接受生成的代码而减少自己编写代码，可能会跳过构建理解所需的主动处理过程。

流利错觉：整洁的生成代码可能让人误以为自己理解得比实际更深；同样，通过搜索轻易获取的知识，也可能助长知识错觉和心智模型更完整的错觉。

间隔效应：机器的速度可能推动用户持续填鸭式学习和长时间的生产会话，而缺乏有助于长期记忆的学习节奏、反思和间隔安排。

元认知：快速的工作流程往往没有留出空间来监控学习、发展图式表征，以及用户在使用新技术时对自身相对专业水平和知识的感知。

测试与检索：智能体模型倾向于给出完整答案，这可能导致用户减少从自我测试和检索新知识的具体组成部分中获益的机会，而后者恰恰能强化记忆。

SKILL.md 中的技术旨在通过重新引入以下内容来应对这些风险：

主动生成（预测、解释、草图）

检索练习（检查点、复述教学、自我测试）

刻意停顿（间隔安排、反思）

显性元认知（自我评估、识别差距）

这项技能会打断那种模式，提醒你考虑投入时间进行反思和学习。它引入了一种与 Claude 交互的“不同模式”，这种模式在感觉上会刻意不同于高度流畅、快速的智能体编码，目的是帮助你反思和探索你生成的作品。这项技能对于正在尝试使用智能体编码开发独立项目、且项目涉及多种不熟悉的语言、技术或架构模式的用户来说，可能特别有用。

工作原理

在你完成重要工作后（你可以自行定义，但我建议：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、以及开发过程中用户提出“为什么”问题的任何工作。关键思想是在你的个人工作流中找到一个学习机会最有利的时机），Claude 会询问：

“你想做一个关于 [主题] 的快速学习练习吗？大约需要 10-15 分钟。”

如果你接受，Claude 会引导你完成一个互动练习。一个关键的设计原则是：Claude 会暂停并等待你的输入，而不是回答它自己的问题。这可能会让人感到沮丧，但这能对抗 Claude 总是提供完整答案的默认倾向，并鼓励你付出脑力努力和学习。你可能会遇到 Claude 默认提供完整答案的情况，并需要针对此进行设计；如果你在自己的工作流中发现了你认为会普遍适用于他人的陷阱或冲突，请随时告诉我，以便我将其纳入技能中进行改进（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：你预期会发生什么？现在让我们看看。有什么让你感到意外？

生成 → 比较：在查看实现之前，先草拟你会如何处理这个问题。

追踪路径：一步步地走通执行过程，预测每一步的转换。

调试这个：这里可能会出什么问题，以及为什么？

反向教学：就像在指导一位新入职的开发者一样，解释这个组件。

检索回顾：在一次会话开始时，你从上一次记住了什么？

不会建议学习机会的情况……

目前建议设置两种抑制条件，可根据你的工作流程需求进行调整。在以下情况下，Claude 不会提示学习机会：

你已在本次会话中拒绝过一次练习

你已在本次会话中完成了 2 次练习

背后的科学原理与参考资料

这些练习借鉴了学习科学中经过充分验证的发现，以及关于典型学习者误解的大量研究。设计选择还参考了与开发者的多次定性访谈，内容涉及在快速智能体编程过程中，他们在自身学习与发展方面感到最沮丧、最担忧或最困难的方面。

请参阅 PRINCIPLES.md 文件，其中包含详细解释，可帮助你开发新的练习类型，或了解更多有助于自身学习的策略。

衡量这一点：一份让团队实验可见的轻量级操作手册

如果你正与团队一起尝试这项技能，可以加入轻量级的前/后测量，使实验在你的组织中更可见、更受重视。

MEASURE-THIS.md 是一份配套操作手册，内容包括：

一套精选的、经过验证的调查问卷题目，源自我们关于开发者成长与 AI 技能威胁的同行评审研究，可直接复制到 Google 表单或团队频道中使用

关于如何处理（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，以及我对这类测量方式的一些思考边界

一份“团队宣传”模板——一个填空式段落，用于将你的实验包装成发送给领导层的邮件，内容基于真实研究

Claude.md 中的统计严谨性提示：如果你想使用 Claude 进行更复杂的分析，这些提示有助于防范常见的 AI 辅助统计错误

这些测量工具在 CC-BY-SA 4.0 许可下免费开放使用。如需完整的测量工具集和设计说明，请参阅 AI 技能威胁开放获取测量工具补充材料和开发者成长开放获取测量工具补充材料。

自定义

这项技能可以进行大幅度的优化和调整。你可能想要：

包含关于自身技术专长和现有知识的信息，以便从合适的水平开始练习（例如，已知的编程语言、学习目标）

提示 Claude 将学习机会中的见解纳入你的项目 Claude.md 文件中。

调整工作流的触发条件。

在练习中添加特定于项目的示例。

更改每次会话中练习数量的软上限。

添加特定领域的检索检查问题。

探索添加评估检查，以评估该技能在多大程度上成功执行了其指令。

背景

这项技能是基于学习科学开发的，并参考了对多位软件开发专业人士进行的定性访谈，访谈内容涉及他们对智能体编程的担忧。这是我关于开发者在 AI 辅助工作流中成长与技能发展的开放科学实证研究的一部分。在我对数以千计开发者的研究中，我还发现，强烈的学习价值观和学习投入能够预测，当开发者想象需要适应智能体编程时，他们感受到的威胁、担忧和焦虑会更少。学习文化还与团队整体效能的提升相关，而不仅仅是个人生产力的提升。

我很想知道你是否喜欢这个，以及你学到了什么！分享开放科学资源有助于像我这样的研究人员创造更多东西来帮助软件团队。我始终感谢任何公开的提及或分享，这能帮助更多人了解软件团队心理学。欢迎订阅我的通讯《为人类而战》（Fight for the Human），获取最新动态和更多关于软件团队心理学的内容。

卡特·希克斯博士（Dr. Cat Hicks）

我是一位研究软件团队与技术工作的心理科学家，同时也是一位作家、公开演讲者、研究架构师和实证干预主义者。我致力于建立激进的研究团队，为那些人人都在问、但很少有人真正收集证据来回答的问题提供答案。

网站：drcathicks.com

软件团队与工程领导力咨询：catharsisinsight.com

即将出版的新书：《软件团队心理学》（The Psychology of Software Teams，2026年）

指导者（Orient）：

迈克尔·穆拉基博士（Dr. Michael Mullarkey）

我是一名机器学习工程师，曾经是治疗师和社会科学研究人员。我一直在思考如何利用智能体 AI 来帮助人们学习技能，另一个例子可以参考 blendtutor。

网站

来源

Bjork, R. A., Dunlosky, J., & Kornell, N. (2013). 自我调节学习：信念、技巧与错觉。《心理学年度评论》，64(1)，417-444。

Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). 利用有效学习技巧提升学生学习效果：来自认知与教育心理学的有前景方向。《公共利益中的心理科学》，14(1)，4-58。

Ericsson, K. A., Hoffman, R. R., & Kozbelt, A. (编). (2018). 《剑桥专长与卓越表现手册》。剑桥大学出版社。

Giebl, S., Mena, S., Storm, B. C., Bjork, E. L., & Bjork, R. A. (2021). 先回答还是先谷歌？以增强而非损害后续所需信息记忆的方式使用互联网。《心理学教学与学习》，20(1)，58-75。

Hicks, C. M., Lee, C. S., & Foster-Marks, K. (2025年3月15日). 《新开发者：AI技能威胁、身份转变与开发者在向AI辅助软件开发过渡中的蓬勃发展》。https://doi.org/10.31234/osf.io/2gej5_v2

Kalyuga, S. (2007). 专长反转效应及其对个性化教学的意义。《教育心理学评论》，19(4)，509-539。

Kang, S. H. (2016). 间隔重复促进高效学习：对教学的政策启示。《行为与脑科学政策洞察》，3(1)，12-19。

Kornell, N. (2009). 使用闪卡优化学习：间隔学习比突击学习更有效。《应用认知心理学：应用记忆与认知研究学会官方期刊》，23(9)，1297-1317。

Murphy, D. H., Little, J. L., & Bjork, E. L. (2023). 在教育中利用测试作为学习工具——而非仅用于评估的价值。《教育心理学评论》，35(3)，89。

Roediger III, H. L., & Karpicke, J. D. (2006). 测试记忆的力量：基础研究及其对教育实践的启示。《心理科学视角》，1(3)，181-210。

Rohrer, D., & Taylor, K. (2007). 数学问题的交错排列能提升学习效果。《教学科学》，35(6)，481-498。

Skulmowski, A., & Xu, K. M. (2022). 理解数字与在线学习中的认知负荷：外部认知负荷的新视角. Educational psychology review, 34(1), 171-196.

Soderstrom, N. C., & Bjork, R. A. (2015). 学习与表现：一项整合性综述. Perspectives on Psychological Science, 10(2), 176-199.

Sweller, J., & Cooper, G. A. (1985). 使用示例解题作为代数学习中问题求解的替代方法. Cognition and instruction, 2(1), 59-89.

Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024, 5月). 生成式AI的元认知需求与机遇. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (pp. 1-24).

Hicks, C. (2025). AI自行车的认知头盔：第一部分. Fight for the Human. https://www.fightforthehuman.com/cognitive-helmets-for-the-ai-bicycle-part-1/

许可协议

本作品采用知识共享署名 4.0 国际许可协议进行许可。

关于

一个用于AI辅助编程中进行刻意技能培养的Claude或Codex技能

资源

许可协议

CC-BY-4.0 许可协议

星标数

2.2k

关注者

复刻数

发布版本

软件包

贡献者

语言

Shell 100.0%