Claude Code 和 Codex 的技能框架体系

构建专业技能，而不只是项目

这个 skill 采用自适应的"动态教科书"方法，帮助你在进行 agentic 编码的同时整合基于科学证据的专业技能发展练习。

当你完成架构工作（新建文件、schema 更改、重构）时，Claude 会提供可选的 10-15 分钟学习练习，这些练习以学习科学证据为基础。这些练习采用预测、生成、检索练习和间隔重复等技巧，为你提供来自你自己项目工作的半成品示例。

与 Learning-Goal skill 配对使用效果更佳。Learning-Goal 使用心理对比与实现意图（Mental Contrasting with Implementation Intentions，MCII）这一有证据支持的练习方法，引导你进行半结构化的交互式学习目标设定。

Codex 插件市场

此仓库也是 Codex 插件市场。要从 GitHub 添加：

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

对于本地开发检出：

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

Codex 市场包括：

• learning-opportunities — 核心学习练习 skill
• learning-opportunities-auto — 可选的 post-commit 提示 hook
• orient — repo 方向指引生成器

Claude Code 插件市场

此仓库是 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

自动提示（可选）

Linux 和 macOS 用户可以在 learning-opportunities 旁边安装 learning-opportunities-auto，以便在每次 git commit 后让 Claude 自动考虑提供一个练习。Windows 用户也可以使用它——需要一些设置。

获取 Repo 方向指引课程（可选）

如果你要学习一个新仓库，可以使用 orient skill 创建一个 orientation.md 文件，其中包含建议的课程。方向指引方法应用了关于程序理解和代码库导航的实证研究中的策略——包括专家开发者如何有策略地采样代码库而不是详尽阅读。详见 orient 参考文献。

安装 orient 插件：

/plugin install orient@learning-opportunities

导航到你要学习的仓库，并以默认方式调用 orient skill

/orient

或使用 Simon Willison 的 showboat 工具

/orient showboat

然后使用 orient 参数调用 learning-opportunities，以获得两个帮助你学习仓库核心功能的课程

/learning-opportunities orient

你可能想要尝试这个 Skill 的原因

AI 编码工具可能会引入特定风险，通过引入低效的学习习惯来降低用户的学习参与度。这些影响可以基于几个基础的有科学支持的学习原则来预期：

生成效应：接受生成的代码并减少自己生成代码的行为，会跳过建立理解的主动处理过程。

流畅性错觉：干净生成的代码可能被认为理解得比实际上更深入；同样，从搜索获得的易获取知识可能会促进对知识的错觉和对更完整心理模型的错觉。

间隔效应：机器速度可能会推动用户持续进行"突击"学习和长时间的生产会话，而不是能导致更长期记忆的学习节奏、反思和间隔。

元认知：快速工作流通常不会为监测学习和开发模式表示留出空间，也不利于用户在使用新技术时对自身相对专业水平和知识的感知。

测试和检索：Agentic 模型倾向于提供完整答案，这可能导致用户减少利用自我测试和检索新知识特定部分的机会，而这能增强记忆保留。

SKILL.md 中的技巧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（核对、讲述、自我测试）
• 刻意暂停（间隔、反思）
• 显式元认知（自我评估、差距识别）

这个 skill 通过提醒你考虑投入反思和学习来打破这种模式。它引入了与 Claude 互动的不同"模式"，这种模式会故意感受不同于高度流畅和快速的 agentic 编码，目的是帮助你反思和探索你的生成工作。对于那些正在进行涉及多种不熟悉语言、技术或架构模式的 agentic 编码离散项目的用户来说，这个 skill 可能特别有用。

何时会建议学习机会

完成重要工作后（你可以自定义，但我的建议是：创建新文件或模块、数据库 schema 更改、架构决策或重构、实现不熟悉的模式、任何用户在开发过程中提出"为什么"问题的工作。关键思想是在你个人工作流中找到学习机会最有益的时刻），Claude 会问：

"你想在 [主题] 上做一个快速学习练习吗？大约 10-15 分钟。"

如果你接受，Claude 会带你进行交互式练习。一个关键设计原则是：Claude 暂停并等待你的输入，而不是自己回答问题。这可能感觉令人沮丧，但这对抗了 Claude 始终提供完整答案的默认行为，并鼓励你自己的心理努力和学习。你可能会遇到需要针对 Claude 的默认行为进行设计的情况，以提供完整答案；如果你发现你自己的工作流中的陷阱或冲突，你认为这些会推广到其他人，请随时告诉我，这样我可以将其纳入 Skill 以改进这一点（例如，我了解到我们需要抑制提示建议）。

练习类型包括：

预测 → 观察 → 反思：你期望会发生什么？现在让我们看看。什么让你惊讶？

生成 → 比较：在看到实现之前，草图你会如何处理这个问题

追踪路径：一步步地走过执行，预测每一个转换

调试这个：这里会出什么问题，为什么？

讲述回来：解释这个组件，就像在给新开发者入职

检索核对：在会话开始时，你从上次记得什么？

何时不会建议学习机会

当前建议两个抑制条件，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：

• 你已经在这个会话中拒绝了一个练习
• 你已经在这个会话中完成了 2 个练习

背后的科学与资源

这些练习来自学习科学中的公认发现，以及关于典型学习者误解的实质性研究。设计选择也来自与开发人员的多次定性访谈，关于他们在快速 agentic 编码中发现最令人沮丧、令人担忧或困难的方面，特别是关于他们自己的学习和发展。

详见 PRINCIPLES.md，其中包含详细的解释，可以帮助你开发新的练习类型或简单地了解更多关于帮助你自己学习的策略。

衡量这个——一个轻量级的团队实验可见性手册

如果你正在与你的团队尝试这个 skill，你可以附加一个轻量级的前/后测量，使实验在你的组织中更加可见和受重视。

MEASURE-THIS.md 是一个配套手册，包括：

• 一组精选的来自我们关于开发者繁荣和 AI 技能威胁的同行评审研究的经过验证的调查项目，准备好复制到 Google Form 或团队频道中
• 关于如何处理（以及不处理）你的结果的指导，包括为什么差异与平均值一样重要，以及我对这些类型措施的一些防护栏的思考
• 一个"团队吹牛"模板，一个填空段落，用于将你的实验打包成发送给领导层的电子邮件，以真实研究为基础

Claude.md 推动统计严谨性——如果你想使用 Claude 进行更复杂的分析，这些推动帮助防止常见的 AI 辅助统计错误

这些措施是免费的，在 CC-BY-SA 4.0 许可证下开放获取。有关完整的措施集和设计说明，请参阅 AI Skill Threat 开放获取措施补充和 Developer Thriving 开放获取措施补充。

自定义和改进

这个 skill 可以被大幅精细化和改进。你可能想要：

• 包括关于你自己的技术专业知识和现有知识的信息，以便以正确的水平开始练习（例如已知的语言、学习目标）
• 促使 Claude 将来自学习机会的见解纳入你的项目 Claude.md
• 调整触发条件以适应你的工作流
• 将项目特定的例子添加到练习中
• 改变每个会话的练习的软上限
• 添加特定领域的检索核对问题
• 探索添加评估检查，以评估这个 skill 有多成功地履行其指令

背景和贡献者

这个 skill 是基于学习科学开发的，并由与软件开发专业人员的多次定性访谈通知，这些访谈涉及他们对 agentic 编码的关注，作为我关于开放科学实证证据的一部分，涉及开发者繁荣和 AI 辅助工作流中的技能发展。在我与数千名开发者的研究中，我也发现对学习的强大价值和承诺预测开发者在想象需要调整 agentic 编码时感受到更少的威胁、担忧和焦虑。学习文化也与团队效率的增加相关联，不仅仅是个人生产力。

我很想知道你是否喜欢这个，以及你学到了什么！分享开放科学资源帮助像我这样的研究者创造更多东西来帮助软件团队。我总是感激一个大声喝彩或公开分享，这帮助更多的人了解软件团队的心理学。在我的通讯获得更新和获取更多软件团队心理学内容：Fight for the Human

关于贡献者

Dr. Catherine M. Hicks

我是一位研究软件团队和技术工作的心理学家、作者、公共演讲者、研究架构师和实证介入者，建立激进的研究团队，为每个人都在问但很少有人在收集真实证据的问题背后的答案。

网站：drcathicks.com

软件团队与工程领导咨询：catharsisinsight.com

即将出版的书：《软件团队的心理学》（2026）

Dr. Michael Mullarkey

我是一名机器学习工程师，曾是治疗师和社会科学研究者。我在思考很多关于如何利用 agentic AI 帮助人们学习技能，参见 blendtutor 的另一个例子。

参考文献

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/

许可证

本作品遵循 Creative Commons Attribution 4.0 International License。