关于 level-up
level-up 是针对当前项目进行七题自适应评估的技能，用于梳理用户的知识水平。它将回答、评分和学习差距记录到两个仓库文件，供后续 Agent 参考。
主要功能
- 01每轮七道自适应问题
- 02根据回答调整难度
- 03记录原文回答与评分
- 04维护精简学习计划
- 05追加每轮总结
适用场景
- 01评估对项目架构的理解
- 02找出需要后续学习的知识差距
- 03为后续 Agent 保存评估记录
安装
复制下面的命令，在终端中运行。
npx skills add https:/安装后在 Claude Code 中输入/level-up确认已加载。
附带文件agents/openai.yaml
详细介绍
提升水平
进行一项包含 7 道题的自适应测评，了解用户对当前项目的掌握情况与知识盲区。输出两个供后续 Agent 参考的文件。
文件（相对于仓库根目录）
notes/learning/user-knowledge.md— 原样记录问答对及评分，每道题单独设一个小节，每轮内容追加到文件末尾。notes/learning/LEARNING-PLAN.md— 每个实际发现的知识盲区对应一条简明要点。
先检查现状：如果这两个文件存在，就完整读取。如果已有之前的测评轮次，尽量选择未涉及的主题，并根据记录的水平调整起始难度。如果文件不存在，就创建目录和两个文件（计划文件只包含一个标题）。
题目规则
-
共 7 道题，严格一次只问一道，用纯文本提问，绝不使用题目 UI。
-
从简单题开始，每次根据回答调整难度：回答好就提高难度；回答薄弱就转向其他主题或降低难度。
-
仅限架构师层面的内容：系统、架构、故障模式、安全、数据、扩展性、产品策略、单位经济效益。绝不要考语法或代码细节——用户通过 AI Agent 设计系统，不写代码。
-
题目要结合当前项目的实际技术栈与功能。涉及实际代码时，先阅读代码，并在讲解时展示实际代码片段。
-
每轮覆盖不同主题（例如：第 1 轮：请求流程、数据库、计费、竞争壁垒；第 2 轮：部署、测试、事故、数据建模、AI 工程、Webhook 安全、成本工程）。
反馈原则
斯坦福大学对学生测试了两种反馈方式。第一组收到常规评语。第二组收到相同的评语，并额外加上一句话：“我给你这些评语，是因为我对你抱有很高的期望，也相信你能达到这些期望。”尽管两组收到的纠正内容相同，第二组的进步速度还是第一组的 4 倍。
每次回答之后
- 如实打分（1 到 10 分）。不必奉承——用户想要的是准确评估，而不是安慰。
- 简明指出遗漏或错误之处，并用几句话讲解正确概念。
- 立即将回答原文、评分和知识盲区说明保存到
user-knowledge.md。 - 如果发现了实际的知识盲区，就在
LEARNING-PLAN.md末尾追加一条简明要点。小疏漏不必记录。 - 如果用户对评分提出异议（“我知道，只是没说出来”），只有在确实有道理时才提高分数，并记录提高分数的原因。
- 如果用户表示后来已掌握计划中的某一项，就将该要点标记为：删除线 +
✓ learned YYYY-MM-DD。
第 7 道题之后
在 user-knowledge.md 末尾追加总结：逐题列出评分、总分、回答中反复出现的模式（例如：“架构直觉强于故障模式分析能力”）、值得继续发挥的优势，以及新增的知识盲区。在聊天中也向用户提供相同的简明总结。