# Learn > 通过自适应辅导、课程规划、练习、检索检查、讲解、学习指南或练习题帮助用户学习某个主题。当用户要求学习、理解、练习、训练、复习、研读或接受辅导时使用。触发词：学习、辅导、练习、复习、研读、教程、训练、理解 - Skill: `kscz0000/learn` (Agent Skill) - Install (CLI): `npx skillmds@latest add kscz0000/learn` - Raw SKILL.md: https://api.skillmd.com/api/skills/kscz0000/learn/raw - Safety review: pending - Works with: Claude Code, Claude.ai, OpenAI Codex - Category: Coding & Dev Tools - License: MIT - Author: kscz0000 (https://skillmd.com/u/kscz0000) - Updated: 2026-09-21 - Page: https://skillmd.com/skills/kscz0000/learn --- ## 何时使用 当工作流匹配以下用户请求时使用：通过自适应辅导、课程规划、练习、检索检查、讲解、学习指南或练习题帮助用户学习某个主题。当用户要求学习、理解、练习、训练、复习、研读或接受辅导时使用。 _来源：[dair-ai/dair-academy-plugins](https://github.com/dair-ai/dair-academy-plugins) (MIT)。_当用户想要学习某个主题或提升某项技能时使用此技能。输出应适配用户的请求和宿主智能体的环境。除非用户明确要求，否则不要假设特定的产品、交付格式、持久化机制或运行时。 ## 核心工作流 1. 诊断学习者当前水平和目标。 2. 选择一个小的下一步学习目标。 3. 先用具体示例教学，再讲抽象概念。 4. 给学习者一个主动任务、问题或练习。 5. 提供即时反馈和纠正。 6. 在有用时记录或总结下一步建议。 对于非常简单的问题，直接回答并附带一个快速理解检查。对于较大的学习请求，创建一个简短的学习路径并从第一课开始。 ## 诊断 在制定完整计划之前，先从用户的提示中推断你能推断的信息。仅在缺失信息会实质性地改变课程时，才提出最多 1 到 3 个简短问题。 有用的诊断维度： - 当前熟悉程度 - 目标或使用场景 - 偏好深度 - 可用时间 - 格式偏好（如果用户有的话） 如果用户想立即开始，做出合理假设并简要说明。 当用户给出较短的时间窗口时，除非必要，不要问宽泛的诊断问题。陈述一个合理假设，并从最高杠杆的目标开始。 ## 学习设计 让学习者处于合适的难度区间： - 初学者需要简单的词汇、详细示例和频繁的检查。 - 中级学习者需要对比、练习和常见失败模式。 - 高级学习者需要压缩总结、边缘情况、权衡取舍和真实任务。 一次教授一个有用的概念。除非用户明确要求概览，否则避免一次性覆盖整个主题。 使用主动学习： - 检索问题 - 预测提示 - 详细示例后跟类似问题 - 调试或评审任务 - 短小应用练习 - 对早期概念的间隔复习 让反馈具体化。解释正确答案为何正确，以及诱人的错误答案为何失败。 ## 输出格式 选择满足请求的最轻量格式： - 对话式课程，用于快速辅导 - 学习计划，用于多会话学习 - Markdown 笔记，用于持久参考 - 练习或测验，用于实践 - 代码示例，用于编程主题 - 图表或表格，当它们能厘清关系时 - 文件、笔记本、幻灯片或网页，仅在用户要求或明显有用时 不要将每个学习任务都强制做成应用、网页、持久化中心或本地文件集。 对于多日计划，包含节奏、每日重点、主动练习和复习检查点。如果每日时间未知且会实质性地影响计划，提出一个问题或说明假设的每日投入时间。 ## 课程结构 一个优秀的课程通常包括： - 简短目标 - 具体示例或场景 - 示例背后的原理 - 引导式练习步骤 - 知识检查 - 反馈或答案 - 下一步 保持讲解简洁。优先使用平实语言而非术语，等学习者掌握了概念之后再引入精确术语。 ## 练习与评估 每个实质性课程应至少包含一种让学习者自我测试的方式。 对于明确的练习请求，先给出任务再给长篇讲解，然后提供针对性反馈或答案。 好的检查方式包括： - 干扰项明确的选择题 - 简答题提示 - 填空练习 - 解释错误题目 - 代码追踪或预测 - 有明确成功标准的小项目 对于选择题，除非题目明确要求选择多个答案，否则只让一个答案明显正确。 对于编程主题，除非环境真正能执行代码，否则避免假装执行任意代码。当可用时使用真实工具执行，或提供固定代码片段及其预期输出和推理。 当有交互式来回时，先让学习者尝试练习再揭示答案。对于自包含响应，将答案放在任务之后。 ## 自适应调整 利用学习者的答案和错误来调整： - 当出现困惑时放慢节奏并增加示例。 - 当答案持续正确时提高难度。 - 明确地重新审视误解。 - 将新材料与学习者声明的目标联系起来。 当从先前工作继续时，保留来自现有笔记、文件、聊天历史或用户提供进度的有用上下文。不要假设特定的持久化机制。 ## 质量标准 在完成之前，检查： - 课程匹配学习者的水平和目标。 - 讲解有具体示例。 - 练习任务可从课程内容中解答。 - 在适当时包含了答案或反馈。 - 下一步清晰。 - 任何生成的文件或代码在目标环境中确实可用。 ## 限制 - 当工作流指定了上游工具、账户、API 密钥或本地设置时，需要相应的前提条件。 - 未经用户明确批准，不授权执行破坏性、生产环境、付费或外部消息操作。 - 在将生成的产物或建议视为最终结果之前，请对照用户的真实来源进行验证。