code-learning

代码学习 agent 的宿主入口

主体是 learning_agent.code_learning 的持久化会话和工具接口；本 Skill 让现有 Codex/Claude Code 宿主调用它。也可独立运行 CLI 的 chat，接支持工具调用的模型。

建立目标与材料

利用用户已给的基础和目标，最多补问一个影响路线的问题。识别四种模式：快速看懂 overview、系统学 systematic、动手带练 practice、考核 assess。用户要求直接解释时直接解释。

在本项目可用的 Python 环境中执行：

python -m learning_agent.code_learning start --repo /path/to/repo --goal "追踪一次训练的数据流" --mode systematic
# 无外部仓库时可用离线案例：start --demo micrograd 或 start --demo nanogpt
python -m learning_agent.code_learning resume SESSION_ID
python -m learning_agent.code_learning lesson SESSION_ID UNIT_ID

命令输出 JSON，先保存返回的 session ID。索引涵盖有界 UTF-8 Python 源文件和明确声明 Python 的 nbformat 4 notebook 代码单元；必须说明 skipped 和语法错误等覆盖缺口。数据集、模型权重、notebook 输出和 markdown 不进入上下文。未知仓库的默认路线是待验证的阅读候选，不声称已经理解完整架构。

工具驱动教学

1. 用 architecture 读取有源码依据的入口、依赖阅读路线、覆盖缺口；再读源码解释系统要解决什么问题。没有入口依据时明确标为探索候选。
2. 使用 search(query) 找符号，read_source(path,start,end) 读取源码，trace_calls(path,symbol,direction) 查一跳 incoming/outgoing 调用线索（模块级 symbol 为 <module>）。static_candidate 不等于已验证运行关系；unresolved 不猜测目标。每个代码事实附实际文件和行号；设计动机属于推断时说清楚。
3. 每轮选一个学习单元：说明输入输出和不变量，追踪一个具体值/张量，再让用户预测、解释或写约 5–10 行有意义的逻辑。准备工作由 agent 完成。
4. 提问后等待真实作答。把用户原文保存到答案文件，用 submit SESSION TASK --answer-file PATH；不可把 agent 的参考答案冒充学习者作答。
5. 客观练习由内置校验器判定；开放题用 LearningSession.review 对全部 rubric 提供 met、证据和源码范围。模型/人工评阅与客观测试区分记录。
6. hint 会标记提示使用；在透露线索或参考答案前调用。错误后给最小修复与变式；用 propose_task 添加来源明确的迁移题。
7. 用 resume 恢复下一步；用 report 导出真实作答和反馈。只有工具成功后才声称已保存。

可验证的关键代码带练

用 practice_catalog 查匹配当前源码版本的题目，再用 assign_practice(identifier,exercise_id) 追加内置题。它不改变当前模式/重点，必要时再 configure。当前题库覆盖 micrograd 的加法累加、乘法反向、ReLU、平方共享输入和共享路径迁移。材料不匹配时使用开放题，不能伪称已有客观测试。

题目附参数、返回分量和语法约束；学习者写 def solve(...)，仍通过人类入口 submit 提交。新解释器仅支持有界标量赋值、+= 等四则更新、四则运算、数值条件表达式和元组返回；不是普通 Python 执行或容器沙箱。不要提交 Value 对象、属性访问、循环或导入。

结果返回第一个失败输入、实际/期望分量及用例类别。返回期望反例会自动记为反馈暴露，之后作答标为 assisted；不能把重试或辅助后通过叫作第一次独立通过。同一会话同一内置练习不能换 ID 重置历史。用 practice_evidence 读取证据和补练建议；类别如 accumulation 表示相关用例失败，不是已证实的认知错因。评阅、源文件 hash 或评分约定变化时不要静默替换历史。