Getting it into your agent
One page per mod, every tool's command on it. A separate URL per tool would split the same page into five that compete with each other.
npx agentmods add skills/li-evan/bloom/learn-crossovernpx skills add Li-Evan/Bloom --skill learn-crossovergit clone --depth 1 https://github.com/Li-Evan/BloomWrote this? Show the measurements
A badge with what this costs and how it scanned, read live from this page, so it follows the numbers instead of freezing them. Markdown for a README, HTML for a documentation site or a project page.
[](https://agentmods.dev/skills/li-evan/bloom/learn-crossover)<a href="https://agentmods.dev/skills/li-evan/bloom/learn-crossover"><img src="https://agentmods.dev/badge/skills/li-evan/bloom/learn-crossover.svg" alt="Measured on agentmods" height="20"></a>What it costs to keep this loaded
Counted locally with the o200k_base tokenizer, which is exact for GPT models; Claude uses its own tokenizer and its counts differ. Treat this as one consistent yardstick across the catalogue rather than a bill. Prices are per million input tokens.
| Model | Per session | Once invoked |
|---|---|---|
| Fable 5 | $0.00141 | $0.01089 |
| Opus 5 | $0.00071 | $0.00544 |
| Sonnet 5 | $0.00028 | $0.00218 |
| Haiku 4.5 | $0.00014 | $0.00109 |
Grade A, and why
learn-crossover scanned grade A with 0 findings against 26 rules in 11 categories — prompt injection, anti-refusal, data exfiltration, privilege escalation, supply chain, agent snooping, system-prompt leakage, SSRF and excessive agency — measured 4d ago.
A static scan of the body, not an audit. Every finding is printed with the line that produced it so you can judge whether it matters here. A mod is markdown that instructs an agent; that is exactly why what it instructs is worth reading.
Nothing flagged
None of the 26 patterns this scan looks for appear in this file: no shell pipes, no recursive deletes, no credential paths, no hidden text, no instruction-override or anti-refusal phrasing, no agent-config snooping. That is not a guarantee, it is the absence of the things that are checkable.
What it actually says
跨界原则学习法（learn-crossover）
核心信条：真正的快速学会，其实是「你已经学过了」。 跨界匹配的是结构，不是名词。
何时用
用户在学 / 接触一个新概念 X（新技术、新算法、新理论、新领域……），尤其觉得"陌生 / 有点难"的时候。难，往往不是智商问题，是它相对用户还存在"没接上的旧知识"。
流程
第一步：抓住 X 的本质结构（不堆术语）
用一两句话说清 X 到底在干什么——它的核心机制 / 结构是什么。剥掉术语外壳，留下"它本质是一个 ___"。只有先拿到结构，才能去匹配用户学过的东西。
第二步：弄清用户已经会什么
主动询问，建立"用户已掌握知识"的清单：
- 问用户的背景：学过哪些相关领域、做过什么项目、熟悉哪些工具 / 理论
- 只采纳对话中用户亲口确认学过的知识
- 目的：找出与 X 结构同构、或能解释 X 的旧知识
拿不准就直接问「你学过 ___ 吗？」，绝不从正在讲的材料 / 文章作者背景推断用户会什么。
第三步：按"跨界三猜想"组织输出（核心）
- 🎁 你其实已经学过（换了名字） —— 最高优先。X 是否就是用户已知的 Y 换了个领域名称？（如 导数 = 梯度 = 变化率）。命中就直接说"你已经会了，它只是改名叫 X"。
- 🔗 结构同构（非常像） —— 给出用户学过的 Z 与 X 的字段级对应表（A↔a、B↔b……），并明确标出哪里相同、哪里不同。铁律：不一样归不一样，但相似部分就是学习杠杆，别因为"严格不同"就不用它。
- 🧩 可被解释（用已有知识解释） —— 用用户已掌握的 W 把 X 讲通。
第四步：点出元知识
X 体现了哪个反复出现的底层模式？（分治、自举 / bootstrap、阻尼-负反馈、探索 vs 应用、量变质变、控制变量、状态机……）。告诉用户"这个模式你在 、 也见过"，把 X 挂到他的元知识网上。
第五步：落点
一句话收尾，降低学习恐惧 + 指明剩下要新学的最小部分：
"所以 X 你已经会了 ___ 部分，真正全新、需要从头学的只有 ___。"
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。（最常见的翻车点：把材料作者的背景错安到学习者头上，整段跨界作废。）
- 宁可多举具体例子（案例驱动），别给抽象框架。
- 结构对应要给到字段级映射表，不要泛泛说"它们很像"。
- 不确定某个跨界连接是否成立时，标注"这是个待验证的类比"——提出假说，允许被推翻。
- 同族 skill：要"该不该学"用
learn-occam，要"系统建图"用learn-graph，要"动手迭代"用learn-prototype，要"自查懂没懂"用learn-feynman。
What this file has done since we first saw it
Hashed on every crawl. A supply-chain change to an agent config is a question of when, not whether, so the history is kept rather than the latest state alone.
- 4d ago First seen · 54 lines · 141 tokens per session scan A 3e9359a262e8
learn-crossover is a skill published in the GitHub repository Li-Evan/Bloom (249 stars, last pushed 2mo ago), licensed MIT. It adds 141 tokens to every session and 1,089 once invoked, about $0.0007 per session on Opus 5. A static security scan graded it A with 0 findings. No closer match exists in the catalogue, so it is treated as the original; first seen 2026-08-30.
Other skills, from other repositories
liu-xiaoyan-english
模拟刘晓燕老师的英语教学风格和方法论，用于四六级/考研英语辅导（已用2026年6月CET-6真题校准）。触发场景：用户提到刘晓燕、晓燕老师、四六级英语、CET-4、CET-6、2026六级、考研英语、英语阅读理解、英语写作模板、长难句分析、英语备考规划、英语翻译技巧、选词填空、背单词方法，或要求用刘晓燕的方式讲课/解题/做规划/对答案。也适用于：用户发来英语阅读/听力/翻译/写作/选词填空题要求讲解。常见触发语：'用刘晓燕的方式'、'燕姐教我'、'像晓燕老师那样讲'、'四六级怎么准备'、'帮我分析这道阅读题'、'这个长难句怎么拆'、'保命班'、'考前急救'、'今年六级'。Use when coaching CET-4/6 or…
ai-pm-atom-lesson
输入一个"原子知识点"(AI 产品经理知识体系里的最小单元概念,如「文本切分」「演绎推理」「思维链 CoT」「向量化」「LLM-as-Judge」),自动展开成一份讲解思路并产出一个单文件、离线可用的交互式 HTML 原子课件——含权威定义+真实出处、通俗解释、贯穿项目案例、实操判断题、以及一个可视交互 Demo。当用户说"做一个 X 的原子课""把这个知识点做成原子课件""按原子课 SOP 做 X""给 X 配一页能点着玩的讲解""atom lesson"时,一定要使用本技能。也适用于:把知识体系/能力地图里的某个词条单点成课、要一系列同构的知识点小课件、批量把能力地图节点做成课。即使用户只说"把 X…
DeepTutor
Skill "DeepTutor" from HKUDS/DeepTutor, covering deeptutor cli skill, when to use, prerequisites, commands and chat & capabilities.
check-understanding
AI Engineering from Scratch 的阶段测验。用于“给我测验一下”、“测试阶段”、“检查我的理解”、“我掌握第 3 阶段了吗”，也支持 "quiz me", "test phase", "check my understanding", "do I know phase 3" 或 /check-understanding 。.
find-your-level
交互式测验，将你的 AI/ML 知识映射到 523 节课、20 个阶段的 AI Engineering from Scratch 课程起点。 触发短语：“我应该从哪里开始”、“帮我定位水平”、“我懂什么”、“哪个阶段”、 “评估我的知识”、“分级测试”、“跳过前面内容”，或 "where should I start", "find my level", "what do I know", "which phase", "assess my knowledge", "placement test", "skip ahead".
learning-notes-automation
学习笔记自动化：视频/播客转录 → 知识点提取 → 闪卡生成 → 知识图谱更新。触发词：学习笔记、闪卡、Anki、知识提取、视频学习.