learn-prototype
The learn-prototype skill guides users through iterative improvement by first creating a minimal working version, then systematically identifying flaws, proposing hypotheses for improvement, testing changes, and extracting generalizable methods from each iteration. Use this when someone wants to build or research something, develop a skill, or improve an existing output but lacks a starting point or clear direction.
git clone --depth 1 https://github.com/Li-Evan/Bloom /tmp/learn-prototype && cp -r /tmp/learn-prototype/skills/learn-prototype ~/.claude/skills/learn-prototypeSKILL.md
# 改良主义学习法（learn-prototype） > 核心信条：**洞察缺陷 > 如何优化 > 最终答案。** 试图洞察缺陷、自己提出问题，永远不要害怕问题多简单。学习要努力，但要做**有效的努力**。 ## 何时用 用户要动手做 / 研究一个东西，或想把某个已有产出改得更好。这是"重输入、轻输出"短板的**解药**——逼用户从输入切到输出。 ## 流程（教练模式：引导用户做和提问，不替他做） ### 第一步：先做最垃圾的原型 别追求完美，先有一个**能跑 / 能看的最小版本**。卡在"还没准备好"就是没进改良主义。 ### 第二步：引导用户自己洞察缺陷 **关键且不能代劳**：问他"这哪里不好？为什么不好？"哪怕问题很简单。把"自己提问"的动作交给用户——这是能力泛化的来源。你可以追问、补他没看到的角度，但**先让他提**。 ### 第三步：提改良假说 → 实践 → 检验 针对缺陷提一个改良策略（视为假说，可对可错），动手改，看效果。错了也有用——错误暴露后，下次自动规避这个方向。 ### 第四步：迭代 / 推翻 循环②③，直到无法再优化 → 推翻重做。允许"不正确但有用的版本"——能解决当前问题就够了，不必一开始追求完美架构。 ### 第五步：沉淀方法论 把"这次怎么从 A 改到 B"的**方法本身**记一笔（每个解决的问题都成为后续的法则）。改得越多，方法越泛化，提问越准。 ## 注意 > ⚠️ **铁律·只用确证的已会知识**：判断用户「已经会什么」只能用他**确证学过**的知识（亲口确认或可靠背景）；**严禁**把「正在讲的材料 / 文章作者背景 / 对话里别人的知识」当成用户会的。拿不准 → 直接问「⚠️ 你学过 ___ 吗？」，绝不替他假设。 - **别替用户提问、别替他做**——那会废掉这个 skill 的核心价值。引导 > 代劳。 - 提问命中要害需要基本素质，但素质靠迭代泛化，所以"先开始"比"先够格"重要。 - 缺前置知识改不动 → 转 `learn-graph`；想确认是否真懂 → 转 `learn-feynman`。 - 同族 skill：`learn-occam` `learn-crossover` `learn-graph` `learn-feynman`。
Use when 用户想以一对一苏格拉底导师的方式系统学习一个课题——开一门新课、推进课题的下一篇、提交学习反馈或说「我读完了」、或整理/查看学习日志。基于 Bloom 2 Sigma 的交互式学习系统。触发词：开个文件夹学X、我想学X、帮我学X、继续、下一篇、我读完了、整理学习、查看学习日志、interactive Socratic tutoring、Bloom 2 sigma learning。
当用户学习或接触一个新概念/新技术/新算法/新领域时使用（尤其感到陌生或有点难时）。用「跨界原则」拿用户已掌握的知识快速撬动新知识——指出他其实已经学过的同一个东西（换了名字）、结构同构的旧知识、能解释新知识的已有知识，并点出新概念体现的跨领域元知识模式。让「学新东西」变成「发现你已经会了一半」。触发场景：学 X、接触 X、这个好难、X 是什么、帮我理解 X。
用户学任何新概念/新技术/新理论的默认深度入口——一次性用五个视角把概念讲透并帮他选深入方向：crossover 用已会的撬动、occam 框定该学多深、graph 建知识地图、prototype 最小原型迭代、feynman 拷问检验。触发场景：我想学 X、理解 X、X 是什么、讲讲 X、搞懂 X、学一下 X、深入 X、给我讲讲 X。除非用户明确只要某一个视角（那时改用对应的单个 learn-* skill）。
当用户学完一个东西想自查是否真懂、或觉得「好像懂了」但不确定时使用。用「费曼学习法」让他用自己的话把概念讲出来，你扮好奇学生专挑他含糊/跳过的地方追问，把「讲不顺的模糊处」揪出来作为没真懂的漏洞，定位是缺前置知识还是没想透，判断理解是否闭环。触发场景：我学完了考考我、自查一下、我好像懂了、我讲讲你看对不对、检验我的理解、这个我真懂了吗。
当用户要系统学一个新领域、不知道从哪入手、或担心「学得不够系统」时使用。用「知识图谱学习法」和用户一起构建该领域的概念/用途/父子节点图谱（自己建图的过程本身就是学习），标出复用价值最高的节点和「从常识就能入门的点」，给出有效学习路径并回答「学到哪算够」。触发场景：系统学 X 领域、从哪开始学、学得不系统、想要 X 的全貌、规划学习路径、这个领域有多大。
当用户纠结要不要学某个东西、学到什么程度，或在做时间/精力/项目取舍时使用。用「简易策略」先逼问要解决的既定问题，检验现有知识能否搞定，评估知识贬值速度与 ROI，用「探索 vs 应用」判断该学新的还是用现有的，给出「学 / 不学 / 只学最小够用」的结论，避免囤积会贬值的知识。触发场景：要不要学 X、值不值得深入、学到什么程度够、时间不够该学啥、该深挖还是够用就行。