DrCatHicks/learning-opportunities

来源：https://github.com/DrCatHicks/learning-opportunities

学习机会：面向刻意技能发展的 Claude Code 与 Codex 技能

构建你的专长，而不仅仅是你的项目。

本技能采用自适应的“动态教科书”方法，帮助你在进行代理式编程时，融入基于科学研究的专长构建练习。

当你完成架构性工作（新文件、Schema 变更、重构）时，Claude 会提供可选的 10-15 分钟学习练习，这些练习基于循证学习科学。练习运用预测、生成、检索练习和间隔重复等技术，为你提供来自自身项目工作的半示例。

与 Learning-Goal（https://github.com/DrCatHicks/learning-goal）搭配效果良好，该技能通过运用“心理对比与实施意图”（MCII）技术，引导你进行半结构化的互动学习目标设定，是一种基于证据的练习。

安装

Codex

本仓库也是一个 Codex 插件市场。要从 GitHub 添加：

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

如需从本地检出进行开发：

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

Codex 市场包含：

• learning-opportunities — 核心学习练习技能
• learning-opportunities-auto — 可选的提交后提示钩子
• orient — 仓库定向生成器

Claude Code

本仓库是一个 Claude Code 插件市场（https://docs.claude.com/en/docs/claude-code/plugins）。安装方式：

1. 添加市场： /plugin marketplace add https://github.com/DrCatHicks/learning-opportunities.git

2. 安装插件： /plugin install learning-opportunities@learning-opportunities

3. 重启 Claude Code 以激活

更多关于 Claude Code 插件的信息，请参阅插件文档（https://docs.claude.com/en/docs/claude-code/plugins）。

自动提示（可选）

Linux 和 macOS 用户可以安装 learning-opportunities-auto 与 learning-opportunities 一同使用，让 Claude 在每次 git 提交后自动考虑提供练习。Windows 用户也可使用——需进行一点设置。

获取仓库定向课程（可选）

如果你在学习一个新仓库，可以使用 orient 技能创建一个 orientation.md 文件，其中包含建议的课程。定向方法应用了程序理解和代码库导航方面的实证研究策略——包括专家开发者如何战略性采样代码库而非全面阅读。参见 orient 文献目录 获取完整来源列表。

安装 orient 插件： /plugin install orient@learning-opportunities

导航到你希望定向的仓库，然后以默认方式调用 orient 技能：

/orient

或使用 Simon Willison 的 showboat 工具（https://github.com/simonw/showboat）：

/orient showboat

然后使用 orient 参数调用 learning-opportunities，即可获得两门课程，帮助你了解仓库的核心特性：

/learning-opportunities orient

为什么你可能想尝试这个技能

AI 编程工具可能带来特定风险，通过引入低效的学习习惯，减少用户在学习中的参与。这些影响可以根据以下几项基础且经过科学验证的学习原则来预测：

1. 生成效应： 接受生成的代码并减少自己生成代码，可能会跳过构建理解所需的活动处理过程。
2. 流畅性错觉： 整洁的生成代码可能让人感觉比实际更了解；同样，通过搜索轻易获得的知识可能助长知识错觉，以及更完整心智模型的错觉。
3. 间隔效应： 机器速度可能将用户推向持续的死记硬背和长时间的生产会话，缺乏学习的节奏、反思和间隔，而这些正是长期保持所必需的。
4. 元认知： 快速工作流往往没有空间来监控学习、发展图示表征，以及用户对自己在处理新技术时的相对专长和知识水平的感知。
5. 测试与检索： 代理式模型倾向于给出完整答案，可能导致用户错失从自我测试和检索新知识的具体组成部分中受益的机会，而这恰恰能增强保持力。

SKILL.md 中的技术旨在通过重新引入以下内容来抵消这些风险：

• 主动生成（预测、解释、草图）
• 检索练习（检查、教回去、自我测试）
• 刻意暂停（间隔、反思）
• 明确元认知（自我评估、差距识别）

本技能通过提醒你考虑投入时间和精力进行反思与学习来打破这种模式。它引入了一种与 Claude 互动的不同“模式”，这种模式在感觉上会与高度流畅且快速的代理式编码明显不同，目的是帮助你反思和探索自己生成的工作。此技能可能特别适合那些通过代理式编码开发离散项目，且涉及多种不熟悉语言、技术或架构模式的用户。

工作原理

当你完成重要工作后（你可以自行定义，但我建议：创建新文件或模块、数据库 Schema 变更、架构决策或重构、实现不熟悉的模式、开发过程中用户问过“为什么”的任何工作。关键思想是在你个人工作流中找到一个学习机会最有益的时机），Claude 会询问：

“你是否想快速做一个关于 [主题] 的学习练习？大约 10-15 分钟。”

如果你接受，Claude 就会引导你完成一个互动练习。一个关键设计原则：Claude 会暂停并等待你的输入，而不是回答它自己的问题。这可能感觉有点令人沮丧，但这正是为了对抗 Claude 默认总是提供完整答案的倾向，从而鼓励你付出自身的心智努力和学习。你可能会遇到 Claude 的默认倾向，并需要针对它进行设计——即提供完整答案；如果发现一些在你自己的工作流中常见的陷阱或冲突，并且你认为这些对其他人也有普遍性，请随时告诉我，以便我将其纳入本技能进行改进（例如，我发现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？现在让我们看看。什么让你感到意外？
• 生成 → 比较：在看到实现之前，先画出你的方法草图
• 追踪路径：一步一步走过执行流程，预测每个转换
• 调试这个：这里会出什么问题，为什么？
• 教回去：假设你在指导一位新开发者入门，解释这个组件
• 检索检查：在一次会话开始时，你还记得上次的什么内容？

在以下情况下不会建议学习机会…

目前建议了两个抑制条件，可以根据你的工作流需求进行调整。 Claude 不会在以下情况下提示学习机会：

• 你已在本会话中拒绝过一次练习
• 你已在本会话中完成了 2 次练习

背后的科学原理与资源

这些练习借鉴了学习科学中广为人知的发现，以及关于典型学习者误解的大量研究。设计选择也吸取了对开发者的多次定性访谈，了解他们在快速代理式编码中对自己学习和发展的最大挫败感、担忧或困难。

详见 PRINCIPLES.md，其中提供了详细解释，可以帮助你开发新的练习类型，或者仅仅是了解更多有助于你自身学习的策略。

测量这一点：让团队实验可见的轻量级手册

如果你正与团队一起尝试这个技能，可以叠加一个轻量级的前/后测量，使这个实验在你的组织中更加可见并由价值。

MEASURE-THIS.md 是一本配套手册，包含：

• 一组经过验证的调查项目，来自我们关于开发者蓬勃发展及 AI 技能威胁的同行评审研究，可直接复制到 Google Form 或团队频道
• 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，以及我对这类测量的一些思考边界
• 一个“团队炫耀”模板：一个填空式段落，用于将你的实验包装成一封给领导层的邮件，基于真实研究
• 用于统计严谨性的 Claude.md 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

这些测量在 CC-BY-SA 4.0 许可证下免费开放。如需完整测量集和设计说明，请参阅 AI 技能威胁开放获取测量补充材料（https://osf.io/preprints/psyarxiv/2gej5）和开发者蓬勃发展开放获取测量补充材料（https://ieeexplore.ieee.org/ielx7/52/10547603/10491133/supp1-3382957.pdf?arnumber=10491133）。

定制

本技能可以大幅优化和调整。你可能希望：

• 包含你自己的技术专长和现有知识信息，以便练习从合适的水平开始（例如，已知语言、学习目标）
• 提示 Claude 将学习机会中的见解纳入你的项目 Claude.md
• 根据你的工作流调整触发条件
• 为练习添加项目特定的示例
• 更改每次会话的练习软上限
• 添加领域特定的检索检查问题
• 探索添加评估检查，以评估本技能在多大程度上成功执行了其指令

背景

本技能基于学习科学发展而来，并借鉴了对多位软件开发专业人士的定性访谈，了解他们对代理式编码的担忧，这是我对开发者蓬勃发展及 AI 辅助工作流中技能发展的开放科学实证研究的一部分。在对数千名开发者的研究（https://osf.io/preprints/psyarxiv/2gej5_v2）中，我还发现，强烈的学习价值观和承诺预示着开发者在想象需要适应代理式编码时感受到更少的威胁、担忧和焦虑。学习文化也与团队整体效能（而不仅仅是个人生产力）的提升相关。

非常希望你能享受这个技能并从中有所收获！分享开放科学资源有助于像我这样的研究人员创造更多帮助软件团队的东西。我始终感谢公开的致谢或分享，这有助于更多人了解软件团队心理学。通过我的通讯《为人类而战》（https://www.fightforthehuman.com/）获取关于软件团队心理学的更多更新和资源。

作者

Learning-Opportunities：

Dr. Cat Hicks

我是一位研究软件团队和技术工作的心理科学家，也是一位作者、公开演讲者、研究架构师和实证干预者，致力于建设激进的科研团队，为每个人都在问但很少有人收集真实证据的问题提供答案。

• 网站：drcathicks.com（https://drcathicks.com）
• 软件团队与工程领导力咨询：catharsisinsight.com（https://www.catharsisinsight.com/）
• 即将出版：《软件团队心理学》（2026）

Orient：

Dr. Michael Mullarkey

我是一位机器学习工程师，曾经是治疗师兼社会科学研究员。我一直在思考如何利用代理式 AI 帮助人们学习技能，请参见 blendtutor（https://github.com/mcmullarkey/blendtutor）作为另一个示例。

• 网站（https://mcmullarkey.github.io/）

来源

• Bjork, R. A., Dunlosky, J., & Kornell, N. (2013). Self-regulated learning: Beliefs, techniques, and illusions. Annual review of psychology, 64(1), 417-444.
• Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students’ learning with effective learning techniques: Promising directions from cognitive and educational psychology. Psychological Science in the Public interest, 14(1), 4-58.
• Ericsson, K. A., Hoffman, R. R., & Kozbelt, A. (Eds.). (2018). The Cambridge handbook of expertise and expert performance. Cambridge University Press.
• Giebl, S., Mena, S., Storm, B. C., Bjork, E. L., & Bjork, R. A. (2021). Answer first or Google first? Using the Internet in ways that enhance, not impair, one’s subsequent retention of needed information. Psychology Learning & Teaching, 20(1), 58-75.
• Hicks, C. M., Lee, C. S., & Foster-Marks, K. (2025, March 15). The New Developer: AI Skill Threat, Identity Change & Developer Thriving in the Transition to AI-Assisted Software Development. https://doi.org/10.31234/osf.io/2gej5_v2
• Kalyuga, S. (2007). Expertise reversal effect and its implications for learner-tailored instruction. Educational psychology review, 19(4), 509-539.
• Kang, S. H. (2016). Spaced repetition promotes efficient and effective learning: Policy implications for instruction. Policy Insights from the Behavioral and Brain Sciences, 3(1), 12-19.
• Kornell, N. (2009). Optimising learning using flashcards: Spacing is more effective than cramming. Applied Cognitive Psychology: The Official Journal of the Society for Applied Research in Memory and Cognition, 23(9), 1297-1317.
• Murphy, D. H., Little, J. L., & Bjork, E. L. (2023). The value of using tests in education as tools for learning—not just for assessment. Educational Psychology Review, 35(3), 89.
• Roediger III, H. L., & Karpicke, J. D. (2006). The power of testing memory: Basic research and implications for educational practice. Perspectives on psychological science, 1(3), 181-210.
• Rohrer, D., & Taylor, K. (2007). The shuffling of mathematics problems improves learning. Instructional Science, 35(6), 481-498.
• Skulmowski, A., & Xu, K. M. (2022). Understanding cognitive load in digital and online learning: A new perspective on extraneous cognitive load. Educational psychology review, 34(1), 171-196.
• Soderstrom, N. C., & Bjork, R. A. (2015). Learning versus performance: An integrative review. Perspectives on Psychological Science, 10(2), 176-199.
• Sweller, J., & Cooper, G. A. (1985). The use of worked examples as a substitute for problem solving in learning algebra. Cognition and instruction, 2(1), 59-89.
• Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S. (2024, May). The metacognitive demands and opportunities of generative AI. In Proceedings of the 2024 CHI Conference on Human Factors in Computing Systems (pp. 1-24).
• Hicks, C. (2025). Cognitive helmets for the AI bicycle: Part 1. Fight for the Human. https://www.fightforthehuman.com/cognitive-helmets-for-the-ai-bicycle-part-1/

许可

许可：CC BY 4.0（https://creativecommons.org/licenses/by/4.0/）

本作品采用知识共享署名 4.0 国际许可协议（https://creativecommons.org/licenses/by/4.0/）授权。