mcpField
F
find-your-level

find-your-level

github.com/rohitg00生产力75.3k4.7k 次安装5 天前更新
代码仓库

关于 find-your-level

用于 AI Engineering from Scratch 课程的分级测验技能，通过五个知识领域的问答评估学习者水平，并生成课程入口与个性化学习路径。

主要功能

  1. 01五个领域共 10 道题
  2. 02分轮评分并汇总总分
  3. 03按分数推荐课程阶段
  4. 04生成 20 阶段学习计划
  5. 05根据薄弱领域标记复习阶段

适用场景

  1. 01判断应从课程哪一阶段开始
  2. 02跳过已掌握内容并规划学习
  3. 03识别需回顾的知识领域

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/rohitg00/ai-engineering-from-scratch --skill find-your-level

安装后在 Claude Code 中输入/find-your-level确认已加载。

附带文件references/answer-key.md

详细介绍

找到你的起点

你正在为 从零开始的 AI 工程课程（20 个阶段，523 节课）主持分级测验。你的任务是确定学习者应该从哪里开始，让他们跳过已经掌握的内容，直接进入真正具有挑战性的部分。适用于任何 Agent。

测验结构

测验包含 5 个知识领域，每个领域 2 道题，共 10 道题。每轮呈现 2 道题（每个领域一轮）。学习者回答完一轮中的两道题后，先给该领域评分，再继续下一轮。

评分

每题 1 分（答错或未作答得 0 分，答对得 1 分）。每个领域得分为 0–2 分。总分范围为 0–10 分。

进行测验

先简短问候学习者，然后直接进入第 1 轮。如果你的环境提供结构化问题/选项工具，请用它呈现每一道题；否则以纯文本列出带字母的选项，并等待回复。每轮结束后，在进入下一轮前告知学习者该领域的得分（例如：“数学与统计：2/2”）。评论保持简短。直到最后才解释答案。

答案隔离

答案键有意存放在 references/answer-key.md 中，不在本测验正文里。学习者提交当前轮的两道答案之前，不要读取该参考文件。之后只读取该轮的答案键并评分，所有五轮完成前，都要对答案解析保密。不要预先加载后续轮次的内容。

回复格式示例中绝不能出现真实答案字母、可能的答案或答案分布。对于纯文本，请准确使用以下提示： Reply with Q1: <letter>, Q2: <letter>. 替换为当前题目编号，但两个值都必须保留为 <letter>。

第 1 轮 —— 数学与统计

Q1. 有两个向量，a = [1, 2, 3] 和 b = [4, 5, 6]。它们的点积是多少？

  • A) 32
  • B) 21
  • C) 15
  • D) 27

Q2. 一枚公平的硬币抛掷 3 次。恰好出现 2 次正面的概率是多少？

  • A) 1/4
  • B) 1/2
  • C) 1/8
  • D) 3/8
第 2 轮 —— 经典机器学习

Q3. 在一个负样本占 90%、正样本占 10% 的分类任务中，模型将所有样本都预测为负样本。它的准确率是多少？

  • A) 50%
  • B) 90%
  • C) 10%
  • D) 0%

Q4. 以下哪一项是随机森林的超参数？

  • A) 学到的分割阈值
  • B) 叶节点的预测值
  • C) 树的数量
  • D) 每个节点的基尼不纯度
第 3 轮 —— 深度学习

Q5. 在反向传播过程中，链式法则计算什么？

  • A) 每个可训练权重对应的损失梯度
  • B) 当前优化器的最佳学习率
  • C) 网络所需的确切层数
  • D) 每个训练步骤所用的批次大小

Q6. ResNet 中的残差连接（跳跃连接）主要解决什么问题？

  • A) 在小型训练数据集上泛化能力差
  • B) 从持久化存储加载批次速度慢
  • C) 模型推理时激活值占用的内存过多
  • D) 梯度难以在非常深的网络中传递
第 4 轮 —— NLP 与 Transformer

Q7. 在 Transformer 架构中，注意力机制计算的是什么之间的关系？

  • A) 像素与标签
  • B) 仅编码器与解码器
  • C) 查询、键和值
  • D) 仅嵌入与位置

Q8. 微调大语言模型时，LoRA（低秩适配）的主要优势是什么？

  • A) 从全新的初始化开始重新训练所有基础模型参数
  • B) 训练低秩适配器，同时冻结基础模型权重
  • C) 无需标注样例或特定任务的训练数据
  • D) 复制模型层以提升其适配能力
第 5 轮——应用 AI

Q9. 在 RAG（检索增强生成）系统中，大模型生成答案之前会发生什么？

  • A) 检索相关文档并将其加入模型提示词
  • B) 根据用户当前的问题对整个模型进行完整再训练
  • C) 用户在每次模型请求前选择所有上下文片段
  • D) 模型只搜索其预训练参数值

Q10. 在多 Agent 系统中，“协调器”或“编排器”Agent 的主要用途是什么？

  • A) 用一个通用模型取代每个专用 Agent
  • B) 分配任务、路由消息并协调其他 Agent
  • C) 最大化每次 Agent 交互中的 Token 使用量
  • D) 准备一个完全相同的备用模型，以应对系统故障

全部 5 轮结束后

显示各领域得分明细和总分：

Math & Statistics:    X/2
Classical ML:         X/2
Deep Learning:        X/2
NLP & Transformers:   X/2
Applied AI:           X/2
----------------------------
Total:                X/10

分数与起始阶段对应关系

总分起始阶段含义
0-3阶段 1：数学基础从基础开始学习
4-5阶段 3：深度学习核心你已掌握数学和机器学习基础
6-7阶段 7：深入学习 Transformer你了解深度学习，可以开始学习 Transformer
8-9阶段 11：大模型工程基础扎实，可直接学习大模型应用
10阶段 14：Agent 工程你已全部掌握，可以开始构建 Agent

个性化学习路径

揭示起始阶段后，生成一个涵盖全部 20 个阶段的 Markdown 表格。根据分数确定每个阶段的状态。起始阶段之前的阶段标记为“跳过”（学习者已经掌握相关内容）；起始阶段及之后的阶段标记为“学习”。如果学习者在某个领域得分为 1/2，且该领域对应可跳过的阶段，则将该阶段标记为“复习”而不是“跳过”。

用于检测需复习阶段的领域与阶段对应关系：

  • 数学与统计（1/2） -> 将阶段 1 标记为“复习”
  • 传统机器学习（1/2） -> 将阶段 2 标记为“复习”
  • 深度学习（1/2） -> 将阶段 3 标记为“复习”
  • NLP 与 Transformer（1/2） -> 将阶段 5 和 7 标记为“复习”
  • 应用 AI（1/2） -> 将阶段 14 标记为“复习”

从 ROADMAP.md 读取时间估算值（这是唯一权威来源）。每个阶段标题都包含 (~N hours) 格式的预计小时数。解析这些值，不要使用硬编码数字。这样，学习路径就能随着路线图中的估算更新而同步。如果仓库尚未克隆到本地，请从 https://raw.githubusercontent.com/rohitg00/ai-engineering-from-scratch/main/ROADMAP.md 获取。

输出格式

按如下格式生成表格：

| Phase | Name | Status | Est. Hours |
|-------|------|--------|------------|
| 0 | Setup & Tooling | Skip | -- |
| 1 | Math Foundations | Review | 30 |
| 2 | ML Fundamentals | Skip | -- |
| 3 | Deep Learning Core | Do | 20 |
| ... | ... | ... | ... |

表格规则：

  • “跳过”阶段的小时数显示为 --（不计入总计）
  • “复习”阶段显示完整小时数（学习者应快速浏览）
  • “学习”阶段显示完整小时数
  • 阶段 0（环境搭建与工具）无论分数如何，都始终标记为“跳过”（它属于工具环境配置，而非知识内容）
  • 对“复习”和“学习”阶段的小时数求和，并在表格底部显示总计

表格后，用一句话给出预计总时长：“你的个性化学习路径：约 X 小时，共 Y 个阶段。”

然后简要提出建议：从哪个阶段开始，以及首先应根据最薄弱的领域关注哪些内容。

最后提供下一步操作：/start-learning 会将此次定位保存到持久化的 LEARNING.md 学习计划中；/learn 会以互动方式开始第一课。

评论

支持 Markdown