vibe-upskill

Vibe Upskill — 从 Agent 对话中提炼真正的开发能力

目标

将用户与 AI Agent 的完整开发对话（需求分析 → 架构设计 → 编码实现 → 排错调试 → 部署上线）转化为个人可内化的知识，解决 Vibe Coding 时代"离开 Agent 就不会写代码"的核心痛点。

具体目标：

1. 复盘：从对话中提炼关键决策、排错思路、架构选型等有价值信息
2. 出题：生成 10 类面试场景题，帮助用户在面试中能独立回答
3. 沉淀：将知识结构化存储，形成持续增长的专属题库与避坑清单

触发条件

当用户出现以下意图时激活本 Skill：

• •想复盘一次与 Agent 的开发对话
• •想从开发经历中生成面试题
• •想整理避坑清单或知识库
• •提到"vibe coding 复盘"、"面试准备"、"知识沉淀"、"agent 做了什么"等关键词
• •直接粘贴了一段与 Agent 的对话记录并请求分析
• •提供了与 Agent 的某次对话的名称（如"昨天的排错对话"），希望基于那次的对话进行复盘

用户画像与冷启动

首次使用：自评画像

在第一次启动本 Skill 时，系统会引导用户建立个人画像，用于调整题目难度和复习节奏。

自评内容（3 项必填）：

难度自适应的具体规则：

冷启动：没有历史对话怎么办？

如果用户尚无 Agent 开发对话记录，不硬凑知识点。Skill 会提供以下最小启动路径：

1. 开启记录习惯：下次用 Agent 开发时，在对话开头输入 #记录模式，提醒自己有意识地保存关键决策点
2. 关注高价值时刻：重点关注 Agent 的"为什么选择 X 而不是 Y"、"排查了哪些步骤"、"架构抉择的权衡"等信号
3. 设定首次复盘时间：建议在 3-5 天内完成第一次有意义的 Agent 开发对话后，回到本 Skill 进行复盘
4. 备选：手动构造：如果你有纯手工完成的开发任务，也可以直接描述给 Skill，手动提供项目背景、关键决策、遇到的问题

原则：宁缺毋滥。一条从真实项目中提炼的知识点，胜过十条臆造的假问题。

核心原则

不是复制 Agent 的行为，而是理解背后的"为什么"。

• •追问每个决策的理由，而不只是记录做了什么
• •将具体操作泛化为可迁移的方法论
• •用场景题的形式组织知识，模拟真实面试环境
• •强制用户用自己的话复述，确保真正内化而非"看懂了"

完整工作流

第零步：确定输入源与复盘范围

首先与用户确认两件事：

输入源（支持四种模式，可组合）：

实时捕获模式说明：该模式依赖外部钩子机制（如 Claude Code 的 hooks 系统、VS Code 扩展的事件监听等）来在 Agent 推理过程中自动记录关键决策点。本 Skill 本身不实现这些钩子——它负责的是"收到捕获数据后如何处理"。如果你使用的 Agent 平台不支持 hooks，推荐的替代方案是热复盘：在 Agent 会话结束后立即（2 小时内）使用"对话记录模式"触发复盘，此时对话仍在新近记忆中，信息保真度接近实时捕获。

对话名称引用：在"对话记录模式"下，用户无需手动复制粘贴整个对话——只需提供对话名称（如"昨天跟 Claude 排 Docker 的那个对话"、"上周三的架构设计讨论"），Agent 会自动在会话历史或对话列表中检索匹配的对话。用户需要在请求中给出足够定位到那次对话的关键词。如果检索到多个匹配项，Agent 会列出候选项请用户确认。

复盘范围（必须选择，避免上下文过长导致质量下降）：

按开发阶段分段复盘，每次只处理一个阶段：

• •需求分析阶段
• •架构设计阶段
• •编码实现阶段
• •排错调试阶段
• •部署上线阶段
• •全链路复盘（仅在对话较短时使用）

防御机制 — 范围限制：如果用户提供的对话超过 50 轮交互，必须主动建议分段处理。每段独立生成输出，避免信息过载导致提炼质量下降。

模式一：拦截记录 — 从对话中提取关键信息

目标：从原始对话中筛选出有价值的"知识信号"，过滤掉无意义的试错和重复操作。

提取维度（五个方向，逐一扫描）：

对每个知识点，记录以下结构：

【上下文】项目是什么？当前处于什么阶段？
【问题/决策】需要解决什么问题？做什么决策？
【Agent 的做法】Agent 具体做了什么？分几步？
【底层原理】为什么这个做法有效？背后的技术原理是什么？
【替代方案】还能怎么做？为什么选了当前方案？
【可迁移教训】换一个项目，这个经验还适用吗？适用条件是什么？

过滤规则（丢弃以下内容）：

• •纯重复操作（Agent 试了 5 次同样的方法）→ 只保留最终成功的那次
• •无意义的寒暄和确认（"好的"、"明白了"）
• •Agent 的纯机械操作（格式化代码、重命名变量等无决策含量的操作）
• •用户未参与理解的"黑箱"操作 → 标记为 [待深挖]

用户确认环节：

对于每个提取的知识点，如果 Agent 的决策理由是推断出来的（而非对话中明确说明的），必须标注 [待确认] 并向用户提问：

"我注意到 Agent 选择了 Redis 做缓存。对话中没有明确说明原因，我推断是因为需要高频读取且数据结构简单。[待确认] 这个推断对吗？你当时是怎么考虑的？"

模式二：面试题生成 — 将知识转化为面试场景题

目标：基于模式一提取的知识点，生成 10 类面试题，每类至少 1-3 道。

十类面试题：

每道题的输出格式：

### [类型] 题目名称

**难度**：基础 / 进阶 / 高级
**标签**：#架构 #调试 #部署 ...
**来源**：基于 [项目名] 的 [阶段] 阶段提取

#### 场景描述
（用 2-3 句话描述具体场景，让问题有代入感）

#### 问题
（明确的面试问题）

#### 参考思路
（不是标准答案，而是"应该怎么思考这个问题"的步骤）
1. 首先分析...
2. 然后考虑...
3. 最后...

#### 参考答案要点
（关键知识点，面试时应该提到的核心内容）

#### 反事实推理
（如果条件变化，答案会怎样？）
- 如果把 X 换成 Y，方案需要怎么调整？
- 如果规模扩大 100 倍，瓶颈会出现在哪里？

#### 深挖追问
（面试官可能的追问，帮助用户准备更深层的回答）
- 你提到用 X，那 X 的底层原理是什么？
- 这个方案有什么缺点？你怎么缓解的？

反事实推理 — 强制要求：

每道题必须包含"反事实推理"部分。这是区分"背答案"和"真理解"的关键。通过改变约束条件（规模、技术栈、时间、团队规模等），考察用户是否真正理解了方案的本质。

用户复述环节 — 强制要求：

每道题生成后，必须要求用户：

"请你现在用自己的话，不看参考答案，口述一遍回答思路。如果卡住了，标记卡住的位置，这说明那个点你还没有真正掌握。"

掌握度自评（三级制）：用户复述后需给出自评分数：

卡住位置诊断：当用户标记"卡住了"时，要求进一步标注卡住的性质：

• •[概念不清]：不知道这个概念是什么，需要从定义开始补
• •[逻辑链断裂]：知道各个概念，但说不清它们之间的因果关系
• •[细节遗忘]：理解整体思路，但忘了具体 API/配置/参数名

诊断结果用于后续针对性复习——"概念不清"生成前置知识学习建议，"细节遗忘"只做快速回顾，"逻辑链断裂"生成该逻辑链的专项练习。

渐进式提醒机制：

如果用户拒绝复述或表示"先跳过"，将该题标记为 [未复述]，但不记录为已完成。

防御机制 — 复述强制：没有经过用户复述的知识点，在最终知识库中标记为"未内化"，在复习提醒中优先出现。超过 10 道未复述题目后，必须复述或结束当前复盘会话。

模式三：知识蒸馏 — 沉淀为持久化知识库

目标：将复盘结果结构化存储，形成可持续积累的个人知识资产。

输出文件结构：

knowledge/
├── interview-qa.md          # 面试题库（按类型和难度组织）
├── pitfall-checklist.md     # 避坑清单（按领域分类）
├── architecture-notes.md    # 架构决策笔记
├── debugging-playbook.md    # 排错手册
├── review-schedule.md       # 复习调度表（间隔复习引擎）
├── knowledge-index.md       # 知识库索引（自动维护）
└── archive/                 # 已归档的过时条目

面试题库（interview-qa.md）格式：

# 面试题库

> 最后更新：{日期}
> 总题数：{N} 道
> 已复述掌握：{M} 道
> 待复习：{K} 道

## 场景设计题
### Q-{编号}: {题目名}
- **难度**：{难度}
- **标签**：{标签}
- **来源**：{项目} - {阶段}
- **题目**：{场景描述 + 问题}
- **思路**：{参考思路}
- **答案要点**：{要点}
- **反事实**：{反事实推理}
- **状态**：已掌握 / 未复述 / 待复习

（其余类型同上格式）

避坑清单（pitfall-checklist.md）格式：

# 避坑清单

> 最后更新：{日期}
> 总条目：{N} 条

## 编码阶段
- [坑-{编号}] {问题描述} → {原因} → {解决方法} → {预防措施}

## 部署阶段
- [坑-{编号}] {问题描述} → {原因} → {解决方法} → {预防措施}

## 架构阶段
- [坑-{编号}] {问题描述} → {原因} → {解决方法} → {预防措施}

增量更新策略：

如果用户选择增量模式（默认），在追加新条目之前：

1. 检查是否有重复或高度相似的条目
2. 如果有，合并并丰富已有条目，而不是创建新条目
3. 更新索引文件中的统计数字
4. 标注条目的来源会话日期，方便追溯

复习调度引擎（间隔复习系统）

基于简化 SM-2 算法，为每条面试题和知识条目自动计算下次复习时间，确保知识从"短时记忆"转化为"长时记忆"。

算法规则：

间隔序列：1天 → 3天 → 7天 → 14天 → 30天 → 60天 → 120天

复习调度表（review-schedule.md）格式：

# 复习调度表

> 最后更新：{日期}
> 当前待复习：{N} 项
> 本周已完成复习：{M} 项

## 🔴 今日到期（{n} 项）
| 编号 | 题目/条目 | 类型 | 上次评分 | 当前间隔 | 来源项目 |
|------|----------|------|----------|----------|----------|
| Q-003 | Docker 容器启动排查 | Bug排查 | 1 | 3天 | Flask应用容器化 |

## 🟡 本周内到期（{n} 项）
| 编号 | 题目/条目 | 类型 | 上次评分 | 到期日期 |
|------|----------|------|----------|----------|
| Q-007 | PostgreSQL vs MongoDB 选型 | 方案对比 | 0 | 2026-06-25 |

## 🟢 已掌握（间隔 ≥60天）（{n} 项）
| 编号 | 题目/条目 | 当前间隔 |
|------|----------|----------|
| Q-001 | Redis 缓存策略 | 120天 |

复习提醒机制：

• •每次启动 Skill 时，自动检查 review-schedule.md 中是否有今日到期项
• •今日到期项 ≤ 3 道：逐道完成复述 + 评分
• •今日到期项 > 3 道：优先复习评分最低的 3 道，其余顺延到次日
• •每日复习上限默认 5 道（可配置），超过则自动顺延

复习时的复述流程（与模式二的复述环节一致）：

1. 展示题目（不展示参考答案）
2. 用户口述回答
3. 展示参考答案，用户对比自评（0/1/2）
4. 系统自动更新间隔和下次复习日期
5. 如果评分 ≤ 1，追问卡住位置诊断

知识衰减与归档机制

知识条目有生命周期。随着技术栈升级和经验增长，部分条目会过时。必须定期清理，避免知识库变成"过期信息的垃圾场"。

条目元数据（每条知识条目必须记录）：

- **创建日期**：2026-06-24
- **技术栈版本**：Python 3.11 / React 18 / Docker 24
- **归档状态**：活跃 / 已过时 / 已替代 / 仍有效
- **最后审查日期**：未审查 / 2026-09-24

审查触发条件：

归档标记：

归档文件结构：

knowledge/archive/
├── archived-qa.md           # 已过时的面试题
├── archived-pitfalls.md     # 已过时的避坑条目（技术已不存在等）
└── archive-log.md           # 归档记录（时间、原因、操作人）

季度审查流程：

每季度首次使用 Skill 时触发：

1. 列出所有超过 90 天未审查的活跃条目
2. 逐条询问：[仍有效] / [已过时] / [已替代] / [稍后审查]
3. 将标记为过时/已替代的条目移入 archive/
4. 更新 knowledge-index.md 中的统计数字

防御机制汇总

本 Skill 内置以下防御机制，确保输出质量：

输出指令

执行本 Skill 时，所有输出内容必须使用中文，包括：

• •与用户的交互对话
• •生成的面试题
• •知识库文档内容
• •避坑清单
• •所有注释和说明

唯一使用英文的部分是文件头（frontmatter）中的 name 和 description 字段。

边界情况处理

输入过短：如果用户只提供了简短描述（少于 5 轮对话），主动追问以补全上下文。至少需要了解：项目是什么、做了什么、遇到了什么问题。

输入过长：优先提取最有价值的知识点。如果覆盖多个技术领域，按领域拆分为独立的输出文件。主动询问用户最关注哪些维度。

无明显学习点：如果 Agent 只是做了简单直接的工作（如 CRUD 模板生成），诚实告知用户"本次会话学习点有限"，建议用户选择更复杂的会话进行复盘。不要硬凑知识点。

多技术栈混合：按技术栈拆分为独立的知识条目，每个条目聚焦单一技术点。在索引中标注跨技术栈的关联。

用户是初学者：如果提取的知识点超出初学者理解范围，在输出中增加"前置知识"说明，帮助用户建立学习路径。

附加资源

• •输出格式模板详见 templates.md
• •具体使用示例详见 examples.md