learn

/learn — 技能提取工作流

将不易察觉的发现提取为可复用的技能，使其能在不同会话中持续发挥作用。

何时使用此技能

遇到以下情况时调用 /learn：

• 不易察觉的调试问题 — 调查花费了大量精力，且文档中没有相关说明
• 误导性错误 — 错误消息有误，后来找到了真正原因
• 变通方案 — 发现某项限制，并通过巧妙的方法解决
• 工具集成 — 未记录的 API 用法或配置
• 反复试错 — 多次尝试后才成功
• 可复用的工作流 — 以后还会重复执行的多步骤任务
• 面向用户的自动化 — 用户会要求的报告、检查或流程

工作流阶段

阶段 1：评估（自我评估）

创建技能前，回答以下问题：

1. “我刚刚学到了什么之前并不明显的知识？”
2. “记录下来对未来的我有帮助吗？”
3. “仅凭文档无法轻易找到解决方案吗？”
4. “这是我会重复执行的多步骤工作流吗？”

至少有一个问题的答案为是，才继续。

阶段 2：检查现有技能

搜索相关技能，避免重复：

# Check project skills
ls .claude/skills/ 2>/dev/null

# Search for keywords
grep -r -i "KEYWORD" .claude/skills/ 2>/dev/null

结果：

• 没有相关内容 → 创建新技能（继续阶段 3）
• 触发条件和修复方案相同 → 更新现有技能（提升版本号）
• 部分重叠 → 更新技能并加入新变体

阶段 3：创建技能

在 .claude/skills/[skill-name]/SKILL.md 创建技能文件：

---
name: descriptive-kebab-case-name
description: |
  [What the skill does, then the situations it applies to — the key use first.
   Include an exact error string only when that string is the trigger.]
  - What the skill does
  - Trigger conditions (symptoms; an exact error message when that is the trigger)
  - When to use it (contexts, scenarios)
metadata:
  author: [you]
  version: "1.0"
argument-hint: "[expected arguments]"  # Optional
---

# Skill Name

## Problem
[Clear problem description — what situation triggers this skill]

## Context / Trigger Conditions
[When to use — exact error messages, symptoms, scenarios]
[Be specific enough that you'd recognize it again]

## Solution
[Step-by-step solution]
[Include commands, code snippets, or workflows]

## Verification
[How to verify it worked]
[Expected output or state]

## Example
[Concrete example of the skill in action]

## References
[Documentation links, related files, or prior discussions]

阶段 4：质量检查

完成前，确认：

• 描述包含具体的触发条件（而非含糊的描述）
• 解决方案已验证有效（经过测试）
• 内容足够具体，可据此采取行动
• 内容足够通用，可重复使用
• 不包含敏感信息（凭据、个人数据）
• 技能名称清晰，并采用 kebab-case 格式

输出

创建技能后，报告：

✓ Skill created: .claude/skills/[name]/SKILL.md
  Trigger: [when to use]
  Problem: [what it solves]

示例：创建技能

用户发现某个 R 包会静默丢弃观测值：

---
name: fixest-missing-covariate-handling
description: |
  Handle silent observation dropping in fixest when covariates have missing values.
  Use when: estimates seem wrong, sample size unexpectedly small, or comparing
  results between packages.
metadata:
  author: [you]
  version: "1.0"
---

# fixest Missing Covariate Handling

## Problem
The fixest package silently drops observations when covariates have NA values,
which can produce unexpected results when comparing to other packages.

## Context / Trigger Conditions
- Sample size in fixest is smaller than expected
- Results differ from Stata or other R packages
- Model has covariates with potential missing values

## Solution
1. Check for NA patterns before regression:
   ```r
   summary(complete.cases(data[, covariates]))

2. 显式处理 NA 值，或使用 na.action 参数
3. 在注释中记录预期样本量

验证

比较 nobs(model) 与 nrow(data) — 差值表示有观测值被丢弃。

参考资料

• fixest 关于缺失值的文档
• MEMORY.md 中的 [LEARN:r-code] 条目