克劳德代码与《代码书》技能：有针对性的技能培养

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

打造你的专业能力，而不只是你的项目。

该技能采用自适应的“动态教科书”方法，帮助你在进行智能体编码的同时，融入基于科学的专业技能提升练习。

当你完成架构性工作（新文件、模式变更、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、提取练习和间隔重复等技术，为你提供来自你自己项目工作中的半成品示例。

与 Learning-Goal 搭配使用效果很好，该技能会引导你通过半结构化的互动式学习目标设定，运用“心理对照与实施意图”（MCII）这一循证练习方法。

安装

Codex

本仓库也是一个 Codex 插件市场。要从 GitHub 添加它：

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

如需从本地检出代码进行开发：

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

该 Codex 市场包含：

learning-opportunities —— 核心学习练习技能
learning-opportunities-auto — 可选的提交后自动提示钩子
orient — 代码仓库入门引导生成器

Claude Code

本仓库是一个 Claude Code 插件市场。安装方法如下：

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 以激活插件

关于 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 用户可以将 learning-opportunities-auto 与 learning-opportunities 一同安装，让 Claude 在每次 git 提交后自动考虑提供练习。Windows 用户也可以使用——只需进行少量设置。

获取代码仓库入门课程（可选）

如果你正在学习一个新的代码仓库，可以使用 orient 技能创建一个包含建议课程的 orientation.md 文件。这种入门引导方法借鉴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有策略地采样代码库，而非逐行通读。完整的资料来源列表请参阅 orient 的参考文献。

安装 orient 插件：

/plugin install orient@learning-opportunities

导航到你想要了解的代码仓库，调用 orient 技能（可设为默认技能）

/orient

或者使用 Simon Willison 的 showboat 工具

/orient showboat

然后使用 orient 参数调用 learning-opportunities，即可获得两节课，帮助你了解该代码仓库的核心功能

/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，即通过引入低效的学习习惯来降低用户参与学习的积极性。这些影响可以根据几条有科学依据的基础学习原理来预判：

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加工过程。
流畅性错觉：整洁的生成代码可能让人误以为自己比实际更理解它；同样，通过搜索轻松获取的知识也可能助长知识错觉，以及心智模型比实际更完整的错觉。
间隔效应：机器的速度可能推动用户持续填鸭式学习、长时间连续产出，而缺乏学习所需的节奏、反思和间隔安排，而这些正是实现长期记忆保留的关键。
元认知：快速工作流往往没有留下空间来监控学习过程、构建图式表征，以及让用户在使用新技术时感知自己相对的专业水平和知识掌握程度。
测试与提取：智能体模型倾向于给出完整答案，这可能导致用户失去更多通过自我测试和提取新知识的具体组成部分来获益的机会，而这两者恰恰能增强记忆保持。

SKILL.md 中的技术旨在通过重新引入以下方式来抵消这些风险：

主动生成（预测、解释、草图）
提取练习（检查点、教回去、自我测试）
刻意停顿（间隔、反思）
显式元认知（自我评估、差距识别）

该技能通过提醒你考虑投入时间进行反思和学习来打断上述模式。它引入了与 Claude 交互的一种不同“模式”，这种模式会刻意让你感觉到与高度流畅、快速的智能体编码不同，目的是帮助你反思和探索你生成的工作。该技能对于正在尝试使用智能体编码开发涉及多种不熟悉语言、技术或架构模式的独立项目的用户可能特别有用。

工作原理

在你完成重要工作之后（具体标准可由你自己定义，但我建议包括：创建新文件或模块、数据库结构变更、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”类问题的任何工作。核心思路是，在你的个人工作流中找到一个学习收益最大的时机），Claude 会询问：

“你是否愿意针对 [主题] 做一个快速的学习练习？大约需要 10-15 分钟。”

如果你接受，Claude 会引导你完成一个互动式练习。一个关键的设计原则是：Claude 会暂停并等待你的输入，而不是自己回答它提出的问题。这可能会让人感到沮丧，但这正是为了对抗 Claude 默认总是给出完整答案的倾向，从而鼓励你自己进行思考和主动学习。你可能会遇到 Claude 默认给出完整答案的情况，并需要针对这一点进行设计；如果你在自己的工作流中发现了你认为对其他用户也有普遍意义的陷阱或冲突，请随时告诉我，以便我将其纳入该技能中进行改进（例如，我了解到我们需要抑制提示建议的显示）。

练习类型

预测 → 观察 → 反思：你预期会发生什么？现在让我们看看实际结果。有什么让你感到意外？
生成 → 对比：在查看具体实现之前，先草拟出你会如何处理这个问题的方法。
追踪路径：逐步走查执行过程，预测每一步的转换。
调试这个：这里会出什么问题，为什么？
把它教回去：像带新开发者入职一样解释这个组件
检索回顾：在会话开始时，你还记得上次的哪些内容？

在以下情况下不会建议学习机会……

目前建议了两种抑制条件，你可以根据工作流程需求进行调整。当以下情况出现时，Claude 不会提示学习机会：

你在本次会话中已经拒绝过一次练习
你在本次会话中已完成 2 个练习

背后的科学原理与资源

这些练习取材于学习科学中公认的研究发现，以及关于学习者常见误解的实质性研究。设计选择还参考了对开发者的多次定性访谈，了解他们在快速智能体编码过程中，就自身学习与发展而言，最感到沮丧、担忧或困难的地方。

参见 PRINCIPLES.md 获取详细说明，这些说明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

如果你正和团队一起尝试这项技能，可以叠加一套轻量级的前测/后测，让这项实验在组织内更可见、也更有价值。

MEASURE-THIS.md 是一份配套操作手册，内容包括：

一组经过精选、来自我们关于开发者蓬勃发展（developer thriving）与 AI 技能威胁（AI skill threat）同行评审研究的有效调查题项，可直接复制到 Google Form 或团队频道中使用
关于如何（以及如何不）使用你的结果的指导，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“团队亮点”模板——一个填空式段落，用于把你的实验包装成发给领导层的邮件，且以真实研究为依据
Claude.md 中关于统计严谨性的提示——如果你想用 Claude 做更复杂的分析，这些提示有助于防范常见的 AI 辅助统计错误

这些测量工具免费开放获取，采用 CC-BY-SA 4.0 许可协议。如需查看完整的测量工具集与设计说明，请参阅 AI 技能威胁开放获取测量工具附录和开发者蓬勃发展开放获取测量工具附录。

自定义

这项技能可以进行大幅度的精炼和调整。你可能会想：

在练习开始时，请纳入你自身的技术专长和已有知识，以便从合适的水平起步（例如：已掌握的语言、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。
调整工作流的触发条件。
在练习中加入针对具体项目的示例。
更改每次会话中练习数量的软上限。
添加针对特定领域的检索确认问题。
探索加入评估检查，以衡量该技能在多大程度上成功履行了其指令。

背景

这项技能是基于学习科学开发的，并参考了对软件开发专业人士进行的多次定性访谈——这些访谈围绕他们对智能体编码的担忧展开，这也是我关于开发者在 AI 辅助工作流中的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投入度预示着，当开发者想象需要适应智能体编码时，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，而不仅仅是个体生产力的提高。

我很想知道你是否喜欢这些内容，以及你从中收获了什么！分享开放科学资源能帮助像我这样的研究者创造出更多帮助软件团队的东西。我一直很感激公开的点赞或分享，这能让更多人了解软件团队的心理学。想获取更多关于软件团队心理学的更新和内容，欢迎订阅我的通讯：Fight for the Human

作者

学习机会：

Cat Hicks 博士

我是一名研究软件团队和技术工作的心理科学家，同时也是一名作者、公开演讲者、研究架构师和经验主义干预实践者。我致力于打造激进的研究团队，为每个人都在问、却很少有人真正收集实证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：《软件团队的心理学》（2026）

指导者：

Michael Mullarkey 博士

我是一名机器学习工程师，曾经是心理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 帮助人们学习技能，另一个例子可以看看 blendtutor。

网站

参考文献

Bjork, R. A., Dunlosky, J., & Kornell, N. (2013). 自我调节学习：信念、技巧与错觉. Annual review of psychology, 64(1), 417-444.
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). 运用高效学习技巧提升学生的学习效果：来自认知与教育心理学的有前景方向. Psychological Science in the Public interest, 14(1), 4-58.
Ericsson, K. A., Hoffman, R. R., & Kozbelt, A. (编). (2018). 剑桥专长与专家表现手册. Cambridge University Press.
Giebl, S., Mena, S., Storm, B. C., Bjork, E. L., & Bjork, R. A. (2021). 先作答还是先谷歌？以增强而非损害后续所需信息记忆的方式使用互联网. Psychology Learning & Teaching, 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. Educational psychology review, 19(4), 509-539.
Kang, S. H. (2016). 间隔重复促进高效且有效的学习：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). 利用闪卡优化学习：间隔比突击更有效。《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). 在教育中运用测试作为学习工具的价值——而不仅仅是评估。《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。《心理科学展望》，1(3)，181-210。
Rohrer, D., & Taylor, K. (2007). 数学问题的交错排列能改善学习效果。《教学科学》，35(6)，481-498。
Skulmowski, A., & Xu, K. M. (2022). 理解数字化与在线学习中的认知负荷：关于外在认知负荷的新视角。《教育心理学评论》，34(1)，171-196。
Soderstrom, N. C., & Bjork, R. A. (2015). 学习与表现：一项整合性综述。《心理科学展望》，10(2)，176-199。
Sweller, J., & Cooper, G. A. (1985). 在代数学习中使用解答示例替代问题求解。《认知与教学》，2(1)，59-89。
Tankelevitch, L., Kewenig, V., Simkute, A., Scott, A. E., Sarkar, A., Sellen, A., & Rintel, S.（2024年5月）。生成式AI的元认知需求与机遇。载于《2024年CHI人机交互因素会议论文集》（第1-24页）。
Hicks, C.（2025）。AI自行车上的认知头盔：第一部分。为人类而战。https://www.fightforthehuman.com/cognitive-helmets-for-the-ai-bicycle-part-1/

许可证

本作品采用知识共享署名4.0国际许可协议授权。

关于

一个用于在AI辅助编程中进行有意识技能发展的Claude或Codex技能