[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"skill:01M74ZYPH2KT6MBCZ3WP7TVJVH":3,"skill-same:01M74ZYPH2KT6MBCZ3WP7TVJVH":60},{"skillNo":4,"name":5,"nameZh":6,"description":7,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":16,"categories":17,"keywords":18,"publishedAt":19,"linkOnly":20,"markdownContent":21,"markdownBody":22,"frontMatter":23,"refName":31,"commitSha":32,"skillDirectory":33,"forksCount":34,"repositoryHtmlUrl":35,"repositoryHomepageUrl":36,"ownerHtmlUrl":37,"ownerBlogUrl":6,"ownerDescription":38,"updatedAt":39,"install":40,"resources":53},"01M74ZYPH2KT6MBCZ3WP7TVJVH","find-your-level",null,"交互式测验，将你的 AI\u002FML 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\"","fancyboi999\u002Fai-engineering-from-scratch-zh","fancyboi999","https:\u002F\u002Favatars.githubusercontent.com\u002Fu\u002F135568692?v=4","01M74ZTBHS2BEXKY4NV97JAF67","Xinmin Zeng","01M74ZTBJGQZ3F0983F2F8RS3G",1340,"MIT","https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Ffind-your-level\u002FSKILL.md",[],[],"2026-11-12 13:55:43",false,"---\nname: find-your-level\nversion: 1.0.0\ndescription: >\n  交互式测验，将你的 AI\u002FML 知识映射到 523 节课、20 个阶段的 AI Engineering from Scratch 课程起点。\n  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”、\n  “评估我的知识”、“分级测试”、“跳过前面内容”，或 \"where should I start\", \"find my level\",\n  \"what do I know\", \"which phase\", \"assess my knowledge\", \"placement test\", \"skip ahead\"\ntags: [assessment, onboarding, curriculum, ai-engineering]\n---\n\n# 找到你的水平\n\n你正在为 **AI Engineering from Scratch** 课程（20 个阶段、523 节课）进行分级测验。你的任务是找出学习者应从哪里开始，让他们跳过已掌握的材料，恰好从有挑战的地方起步。适用于任何 agent。\n\n## 测验结构\n\n共有 5 个知识领域，每个领域 2 道题，共 10 题。每轮展示 2 道题（每个领域一轮）。学习者答完一轮的两题后，为该领域评分再进入下一轮。\n\n## 评分\n\n每题 1 分（0 = 错误或空白，1 = 正确）。每个领域得分 0-2。总分范围为 0-10。\n\n## 进行测验\n\n先简短问候学习者，随即进入第 1 轮。环境有结构化问题\u002F选项工具时，每题都使用它；否则用纯文本展示带字母的选项并等待回复。每轮后，先告知该领域得分（例如“数学与统计：2\u002F2”）再进入下一轮。说明保持简短。所有答案解释都留到最后。\n\n### 答案隔离\n\n答案键特意存放在本测验正文之外的 `references\u002Fanswer-key.md`。学习者提交当前轮两题答案之前，不要读取该引用。之后只读取当前轮的答案键、进行评分，并在五轮全部完成前保持解释私密。不要预加载后续轮次。\n\n回复格式示例中绝不放入真实答案字母、可能答案或答案分布。纯文本时必须严格使用中性提示：`请按此格式回复：Q1: \u003Cletter>, Q2: \u003Cletter>。`替换当前题号，但两个值均保留为 `\u003Cletter>`。\n\n---\n\n### 第 1 轮 —— 数学与统计\n\n**Q1.** 有两个向量，a = [1, 2, 3] 和 b = [4, 5, 6]。它们的点积是多少？\n\n- A) 32\n- B) 21\n- C) 15\n- D) 27\n\n**Q2.** 一枚公平硬币抛掷 3 次。恰好出现 2 次正面的概率是多少？\n\n- A) 1\u002F4\n- B) 1\u002F2\n- C) 1\u002F8\n- D) 3\u002F8\n\n---\n\n### 第 2 轮 —— 经典机器学习\n\n**Q3.** 在一个含 90% 负样本和 10% 正样本的分类任务中，模型把所有样本都预测为负类。它的准确率是多少？\n\n- A) 50%\n- B) 90%\n- C) 10%\n- D) 0%\n\n**Q4.** 下列哪一项是 Random Forest 的超参数？\n\n- A) 学得的划分阈值\n- B) 叶节点预测值\n- C) 树的数量\n- D) 每个节点的 Gini impurity\n\n---\n\n### 第 3 轮 —— 深度学习\n\n**Q5.** 在反向传播中，链式法则计算什么？\n\n- A) 每个可训练权重的损失梯度\n- B) 当前优化器的最佳学习率\n- C) 网络所需层数的精确值\n- D) 每个训练步骤使用的 batch size\n\n**Q6.** ResNet 中的 residual connections（skip connections）主要解决什么问题？\n\n- A) 小型训练数据集上的泛化不佳\n- B) 从持久化存储加载 batch 很慢\n- C) 模型推理时 activation memory 很高\n- D) 在极深网络中的 gradient flow 太弱\n\n---\n\n### 第 4 轮 —— NLP 与 Transformer\n\n**Q7.** 在 Transformer 架构中，attention mechanism 在什么之间计算？\n\n- A) 像素和标签\n- B) 仅 Encoder 和 Decoder\n- C) Queries、Keys 和 Values\n- D) 仅 Embeddings 和 positions\n\n**Q8.** 使用 LoRA（Low-Rank Adaptation）微调大型语言模型的主要益处是什么？\n\n- A) 从全新随机初始化开始，重新训练基础模型中的每一个参数\n- B) 冻结基础模型权重，只训练低秩 adapters\n- C) 无需带标签的示例或任务专属训练数据\n- D) 复制模型层以提高适应容量\n\n---\n\n### 第 5 轮 —— 应用 AI\n\n**Q9.** 在 RAG（Retrieval-Augmented Generation）系统中，LLM 生成答案之前会发生什么？\n\n- A) 检索相关文档并加入模型 prompt\n- B) 针对用户当前问题完整重新训练模型\n- C) 用户在每次模型请求前选择所有上下文段落\n- D) 模型只搜索预训练参数值\n\n**Q10.** 在多 agent 系统中，“coordinator” 或 “orchestrator” agent 的首要职责是什么？\n\n- A) 用一个通用模型替换所有专用 agent\n- B) 分派任务、路由消息并协调其他 agent\n- C) 最大化每次 agent 交互的 token 用量\n- D) 为系统故障准备一份完全相同的备用模型\n\n---\n\n## 五轮全部完成后\n\n展示领域拆分和总分：\n\n```text\n数学与统计：           X\u002F2\n经典机器学习：         X\u002F2\n深度学习：             X\u002F2\nNLP 与 Transformer：   X\u002F2\n应用 AI：              X\u002F2\n----------------------------\n总分：                 X\u002F10\n```\n\n## 分数到起点的映射\n\n| 总分 | 起点 | 含义 |\n|-------------|-------------|---------------|\n| 0-3 | 阶段 1：数学基础 | 从基础开始 |\n| 4-5 | 阶段 3：深度学习核心 | 已有数学和 ML 基础 |\n| 6-7 | 阶段 7：Transformer 深入剖析 | 已懂 DL，该学习 transformer 了 |\n| 8-9 | 阶段 11：LLM 工程 | 基础扎实，可直接进入 LLM 应用 |\n| 10 | 阶段 14：Agent 工程 | 你全都会，开始构建 agent |\n\n## 个性化学习路径\n\n揭示起点后，生成覆盖全部 20 个阶段的 markdown 表格。用分数决定每阶段状态。起点之前的阶段标记为 `Skip`（学习者已掌握材料）；起点及之后标记为 `Do`。如果学习者在对应可跳过阶段的领域得分为 1\u002F2，则该阶段标记为 `Review` 而不是 `Skip`。\n\n用于检测复习项的领域到阶段映射：\n- 数学与统计（1\u002F2） -> 将阶段 1 标为 `Review`\n- 经典机器学习（1\u002F2） -> 将阶段 2 标为 `Review`\n- 深度学习（1\u002F2） -> 将阶段 3 标为 `Review`\n- NLP 与 Transformer（1\u002F2） -> 将阶段 5 和 7 标为 `Review`\n- 应用 AI（1\u002F2） -> 将阶段 14 标为 `Review`\n\n从 ROADMAP.md 读取时间估算（规范唯一事实来源）。每个阶段标题都以 `(~N hours)` 格式包含预计小时数。解析这些值，不能使用硬编码数字，以便学习路径始终随路线图估算更新。仓库未在本地克隆时，从下面地址获取：\n`https:\u002F\u002Fraw.githubusercontent.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fmain\u002FROADMAP.md`。\n\n## 输出格式\n\n按此格式生成表格：\n\n```markdown\n| Phase | Name | Status | Est. Hours |\n|-------|------|--------|------------|\n| 0 | Setup & Tooling | Skip | -- |\n| 1 | Math Foundations | Review | 30 |\n| 2 | ML Fundamentals | Skip | -- |\n| 3 | Deep Learning Core | Do | 20 |\n| ... | ... | ... | ... |\n```\n\n表格规则：\n- `Skip` 阶段的小时数显示 `--`（不计入总数）。\n- `Review` 阶段显示完整小时数（学习者应快速复习）。\n- `Do` 阶段显示完整小时数。\n- 阶段 0（环境设置与工具）无论得分如何都始终为 `Skip`（它是工具设置，不是知识）。\n- 汇总 `Review` 与 `Do` 阶段的小时数，并在底部展示总计。\n\n表格后添加一句总时长：`你的个性化路径：约 X 小时，覆盖 Y 个阶段。`\n\n接着给出简短建议：从哪一阶段开始，以及基于最弱领域应首先关注什么。\n\n最后给出下一步：`\u002Fstart-learning` 会把此次定位保存到持久化的 `LEARNING.md` 学习计划，`\u002Flearn` 会开始交互式教授第一课。\n","# 找到你的水平\n\n你正在为 **AI Engineering from Scratch** 课程（20 个阶段、523 节课）进行分级测验。你的任务是找出学习者应从哪里开始，让他们跳过已掌握的材料，恰好从有挑战的地方起步。适用于任何 agent。\n\n## 测验结构\n\n共有 5 个知识领域，每个领域 2 道题，共 10 题。每轮展示 2 道题（每个领域一轮）。学习者答完一轮的两题后，为该领域评分再进入下一轮。\n\n## 评分\n\n每题 1 分（0 = 错误或空白，1 = 正确）。每个领域得分 0-2。总分范围为 0-10。\n\n## 进行测验\n\n先简短问候学习者，随即进入第 1 轮。环境有结构化问题\u002F选项工具时，每题都使用它；否则用纯文本展示带字母的选项并等待回复。每轮后，先告知该领域得分（例如“数学与统计：2\u002F2”）再进入下一轮。说明保持简短。所有答案解释都留到最后。\n\n### 答案隔离\n\n答案键特意存放在本测验正文之外的 `references\u002Fanswer-key.md`。学习者提交当前轮两题答案之前，不要读取该引用。之后只读取当前轮的答案键、进行评分，并在五轮全部完成前保持解释私密。不要预加载后续轮次。\n\n回复格式示例中绝不放入真实答案字母、可能答案或答案分布。纯文本时必须严格使用中性提示：`请按此格式回复：Q1: \u003Cletter>, Q2: \u003Cletter>。`替换当前题号，但两个值均保留为 `\u003Cletter>`。\n\n---\n\n### 第 1 轮 —— 数学与统计\n\n**Q1.** 有两个向量，a = [1, 2, 3] 和 b = [4, 5, 6]。它们的点积是多少？\n\n- A) 32\n- B) 21\n- C) 15\n- D) 27\n\n**Q2.** 一枚公平硬币抛掷 3 次。恰好出现 2 次正面的概率是多少？\n\n- A) 1\u002F4\n- B) 1\u002F2\n- C) 1\u002F8\n- D) 3\u002F8\n\n---\n\n### 第 2 轮 —— 经典机器学习\n\n**Q3.** 在一个含 90% 负样本和 10% 正样本的分类任务中，模型把所有样本都预测为负类。它的准确率是多少？\n\n- A) 50%\n- B) 90%\n- C) 10%\n- D) 0%\n\n**Q4.** 下列哪一项是 Random Forest 的超参数？\n\n- A) 学得的划分阈值\n- B) 叶节点预测值\n- C) 树的数量\n- D) 每个节点的 Gini impurity\n\n---\n\n### 第 3 轮 —— 深度学习\n\n**Q5.** 在反向传播中，链式法则计算什么？\n\n- A) 每个可训练权重的损失梯度\n- B) 当前优化器的最佳学习率\n- C) 网络所需层数的精确值\n- D) 每个训练步骤使用的 batch size\n\n**Q6.** ResNet 中的 residual connections（skip connections）主要解决什么问题？\n\n- A) 小型训练数据集上的泛化不佳\n- B) 从持久化存储加载 batch 很慢\n- C) 模型推理时 activation memory 很高\n- D) 在极深网络中的 gradient flow 太弱\n\n---\n\n### 第 4 轮 —— NLP 与 Transformer\n\n**Q7.** 在 Transformer 架构中，attention mechanism 在什么之间计算？\n\n- A) 像素和标签\n- B) 仅 Encoder 和 Decoder\n- C) Queries、Keys 和 Values\n- D) 仅 Embeddings 和 positions\n\n**Q8.** 使用 LoRA（Low-Rank Adaptation）微调大型语言模型的主要益处是什么？\n\n- A) 从全新随机初始化开始，重新训练基础模型中的每一个参数\n- B) 冻结基础模型权重，只训练低秩 adapters\n- C) 无需带标签的示例或任务专属训练数据\n- D) 复制模型层以提高适应容量\n\n---\n\n### 第 5 轮 —— 应用 AI\n\n**Q9.** 在 RAG（Retrieval-Augmented Generation）系统中，LLM 生成答案之前会发生什么？\n\n- A) 检索相关文档并加入模型 prompt\n- B) 针对用户当前问题完整重新训练模型\n- C) 用户在每次模型请求前选择所有上下文段落\n- D) 模型只搜索预训练参数值\n\n**Q10.** 在多 agent 系统中，“coordinator” 或 “orchestrator” agent 的首要职责是什么？\n\n- A) 用一个通用模型替换所有专用 agent\n- B) 分派任务、路由消息并协调其他 agent\n- C) 最大化每次 agent 交互的 token 用量\n- D) 为系统故障准备一份完全相同的备用模型\n\n---\n\n## 五轮全部完成后\n\n展示领域拆分和总分：\n\n```text\n数学与统计：           X\u002F2\n经典机器学习：         X\u002F2\n深度学习：             X\u002F2\nNLP 与 Transformer：   X\u002F2\n应用 AI：              X\u002F2\n----------------------------\n总分：                 X\u002F10\n```\n\n## 分数到起点的映射\n\n| 总分 | 起点 | 含义 |\n|-------------|-------------|---------------|\n| 0-3 | 阶段 1：数学基础 | 从基础开始 |\n| 4-5 | 阶段 3：深度学习核心 | 已有数学和 ML 基础 |\n| 6-7 | 阶段 7：Transformer 深入剖析 | 已懂 DL，该学习 transformer 了 |\n| 8-9 | 阶段 11：LLM 工程 | 基础扎实，可直接进入 LLM 应用 |\n| 10 | 阶段 14：Agent 工程 | 你全都会，开始构建 agent |\n\n## 个性化学习路径\n\n揭示起点后，生成覆盖全部 20 个阶段的 markdown 表格。用分数决定每阶段状态。起点之前的阶段标记为 `Skip`（学习者已掌握材料）；起点及之后标记为 `Do`。如果学习者在对应可跳过阶段的领域得分为 1\u002F2，则该阶段标记为 `Review` 而不是 `Skip`。\n\n用于检测复习项的领域到阶段映射：\n- 数学与统计（1\u002F2） -> 将阶段 1 标为 `Review`\n- 经典机器学习（1\u002F2） -> 将阶段 2 标为 `Review`\n- 深度学习（1\u002F2） -> 将阶段 3 标为 `Review`\n- NLP 与 Transformer（1\u002F2） -> 将阶段 5 和 7 标为 `Review`\n- 应用 AI（1\u002F2） -> 将阶段 14 标为 `Review`\n\n从 ROADMAP.md 读取时间估算（规范唯一事实来源）。每个阶段标题都以 `(~N hours)` 格式包含预计小时数。解析这些值，不能使用硬编码数字，以便学习路径始终随路线图估算更新。仓库未在本地克隆时，从下面地址获取：\n`https:\u002F\u002Fraw.githubusercontent.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fmain\u002FROADMAP.md`。\n\n## 输出格式\n\n按此格式生成表格：\n\n```markdown\n| Phase | Name | Status | Est. Hours |\n|-------|------|--------|------------|\n| 0 | Setup & Tooling | Skip | -- |\n| 1 | Math Foundations | Review | 30 |\n| 2 | ML Fundamentals | Skip | -- |\n| 3 | Deep Learning Core | Do | 20 |\n| ... | ... | ... | ... |\n```\n\n表格规则：\n- `Skip` 阶段的小时数显示 `--`（不计入总数）。\n- `Review` 阶段显示完整小时数（学习者应快速复习）。\n- `Do` 阶段显示完整小时数。\n- 阶段 0（环境设置与工具）无论得分如何都始终为 `Skip`（它是工具设置，不是知识）。\n- 汇总 `Review` 与 `Do` 阶段的小时数，并在底部展示总计。\n\n表格后添加一句总时长：`你的个性化路径：约 X 小时，覆盖 Y 个阶段。`\n\n接着给出简短建议：从哪一阶段开始，以及基于最弱领域应首先关注什么。\n\n最后给出下一步：`\u002Fstart-learning` 会把此次定位保存到持久化的 `LEARNING.md` 学习计划，`\u002Flearn` 会开始交互式教授第一课。\n",{"name":5,"tags":24,"version":29,"description":30},[25,26,27,28],"assessment","onboarding","curriculum","ai-engineering","1.0.0","交互式测验，将你的 AI\u002FML 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\"\n","main","2b19499accaa91df3bd41719c872b1f8a7ca8249","skills\u002Ffind-your-level",195,"https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh","https:\u002F\u002Faieng-zh.cn","https:\u002F\u002Fgithub.com\u002Ffancyboi999","Building smarter agents, breaking dumb limits.\r\nFocused on AI \u002F AGENTS\u002F RAG\r\n📧 fancyboi999@gmail.com \r\n🧠 fancyboi999 (WeChat)","2026-11-12 11:44:40",{"source":8,"skillName":5,"commands":41,"prompt":51,"zipAvailable":52},[42,45,48],{"tool":43,"command":44},"npx","npx skills add fancyboi999\u002Fai-engineering-from-scratch-zh --skill find-your-level",{"tool":46,"command":47},"bunx","bunx skills add fancyboi999\u002Fai-engineering-from-scratch-zh --skill find-your-level",{"tool":49,"command":50},"pnpm","pnpm dlx skills add fancyboi999\u002Fai-engineering-from-scratch-zh --skill find-your-level","安装技能，技能地址：https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Ffind-your-level\u002FSKILL.md",true,[54],{"path":55,"resourceType":56,"resourceTypeDesc":57,"sizeBytes":58,"sourceHtmlUrl":59},"references\u002Fanswer-key.md","REFERENCE","参考文档",1322,"https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Ffind-your-level\u002Freferences\u002Fanswer-key.md",[61,68,75,82,89,96],{"skillNo":62,"name":63,"nameZh":6,"description":64,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":65,"categories":66,"keywords":67,"publishedAt":19},"01M74ZZTVYBG8WYVHJ3JT4N071","write-manual","为一个固定版本的技术主题编写长篇手册，从用途讲到每个请求与响应。 每个示例来自离线运行记录，每个断言追溯到按权威排序的来源，审计必须达到 TOTAL 0。 用于“编写手册”“为某主题写入门手册”“manual.json”“增加手册章节” “构建运行记录工具”“审计手册”“固定规范版本并文档化”。","https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Fwrite-manual\u002FSKILL.md",[],[],{"skillNo":69,"name":70,"nameZh":6,"description":71,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":72,"categories":73,"keywords":74,"publishedAt":19},"01M74ZZPJ9E143A95C4FRC64Z1","start-learning","AI Engineering from Scratch 课程的一次性入门流程（523 节课、20 个阶段）。访谈学习者、 运行分级测验，并写入由 learn skill 驱动的持久学习计划 LEARNING.md。触发短语： “开始学习”、“设置课程”、“开始课程”、“带我入门”、“创建学习计划”，或 \"start learning\", \"set up the course\", \"begin the curriculum\", \"onboard me\", \"create my learning plan\"","https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Fstart-learning\u002FSKILL.md",[],[],{"skillNo":76,"name":77,"nameZh":6,"description":78,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":79,"categories":80,"keywords":81,"publishedAt":19},"01M74ZZHQ08AG5ARVQ9FYCBRPD","mcpa-certification","AI Engineering from Scratch 中文版中的 MCPA（Model Context Protocol Associate）AI 原生导师与入门流程。学习者需要备考 MCPA、继续认证路线、 交互式学习下一课、运行并验证实践实验、参加诊断或全真模拟、根据薄弱领域 补弱时使用。适用于 Claude Code、Codex、ChatGPT、Cursor 或其他 agent。","https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Fmcpa-certification\u002FSKILL.md",[],[],{"skillNo":83,"name":84,"nameZh":6,"description":85,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":86,"categories":87,"keywords":88,"publishedAt":19},"01M74ZZDWDK84XPD7VS5KHEHW4","lesson-screen","课程导师在终端教学时，在旁边打开浏览器学习屏幕。展示课程已注册的图表、带真实数值的 代码执行过程和可点击的预测题。也可结合课程与宿主已安装的图表技能，为当前课程制作 蓝图、机制图、等距机器或 3D 模型。点击以事件形式返回导师。 触发短语：“打开学习屏幕”、“用图展示”、“用 3D 展示”、“画出架构”、“为这节课制作图表”， 或 \"open the lesson screen\", \"show me this visually\", \"show this in 3D\", \"draw the architecture\", \"visualize this lesson\", \"build a figure for this lesson\", \"lesson screen\"。","https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Flesson-screen\u002FSKILL.md",[],[],{"skillNo":90,"name":91,"nameZh":6,"description":92,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":93,"categories":94,"keywords":95,"publishedAt":19},"01M74ZZAT9NP76A5KK8DZ8BKNQ","learn","AI Engineering from Scratch 课程的交互式课程 tutor。读取 LEARNING.md，获取下一课， 在终端按章节教学，结尾测验并记录进度。可在克隆仓库中或完全通过 raw.githubusercontent.com 工作—— 无需设置。触发短语：“下一课”、“教我”、“继续课程”、“我们来学习”、“继续学习”，或 \"next lesson\", \"teach me\", \"continue the course\", \"let's learn\", \"resume learning\"","https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Flearn\u002FSKILL.md",[],[],{"skillNo":97,"name":98,"nameZh":6,"description":99,"descriptionZh":6,"repositoryFullName":8,"ownerLogin":9,"ownerAvatarUrl":10,"ownerAccountNo":11,"ownerDisplayName":12,"repositoryNo":13,"starsCount":14,"licenseSpdxId":15,"licenseFileUrl":6,"sourceHtmlUrl":100,"categories":101,"keywords":102,"publishedAt":19},"01M74ZZ7C7D71RFW2P6FH8FH74","learn-reverse-engineering","从零开始学 AI 工程中逆向工程专项路径的交互导师。学习者希望读取编译后的程序时， 用于开始或继续文件格式、反汇编、控制流、表示提升、证据、等价证明、调用约定、 编译器惯用模式、链接、类型、调试、字节码、差分、符号执行和 AI 辅助分析。 每次调用讲授一课，并将证据记录到 REVERSE-ENGINEERING-LEARNING.md。","https:\u002F\u002Fgithub.com\u002Ffancyboi999\u002Fai-engineering-from-scratch-zh\u002Fblob\u002Fmain\u002Fskills\u002Flearn-reverse-engineering\u002FSKILL.md",[],[]]