ljg-blind
盲区扫描——读昨天你与 AI 的全部对话,照出暴露的思维盲区(不是不懂的知识,是让某类真相一直看不见的思维习惯),再从微信读书挑一本书的一章精准补上,落成一篇完整分析笔记。Use…
用体验而不是定义来教授概念、原理或检验观点:先给与学习者认知水平相称的局面,让其选择,再用公平的意外显化认知缺口,结构化后才命名,并以迁移局面循环复测。USE WHEN 用户调用 '/ljg-teach'、说 '用情境教我'、'别先讲答案'、'通过案例让我学会',或希望通过选择与反馈理解一个概念或观点。NOT FOR 直接定义查询(用 ljg-is/ljg-word)、八维概念解剖(用 ljg-learn)、伴读文本(用 ljg-read)。
$ npx -y skills add lijigang/ljg-skills --skill ljg-teach --agent claude-codeHow it fires
How this skill gets triggered: by you, by Claude, or both.
/ljg-teachContext preview
The summary Claude sees to decide when to auto-load this skill.
用体验而不是定义来教授概念、原理或检验观点:先给与学习者认知水平相称的局面,让其选择,再用公平的意外显化认知缺口,结构化后才命名,并以迁移局面循环复测。USE WHEN 用户调用 '/ljg-teach'、说 '用情境教我'、'别先讲答案'、'通过案例让我学会',或希望通过选择与反馈理解一个概念或观点。NOT FOR 直接定义查询(用 ljg-is/ljg-word)、八维概念解剖(用 ljg-learn)、伴读文本(用 ljg-read)。
name: ljg-teach version: "1.0.0" description: "用体验而不是定义来教授概念、原理或检验观点:先给与学习者认知水平相称的局面,让其选择,再用公平的意外显化认知缺口,结构化后才命名,并以迁移局面循环复测。USE WHEN 用户调用 '/ljg-teach'、说 '用情境教我'、'别先讲答案'、'通过案例让我学会',或希望通过选择与反馈理解一个概念或观点。NOT FOR 直接定义查询(用 ljg-is/ljg-word)、八维概念解剖(用 ljg-learn)、伴读文本(用 ljg-read)。" user_invocable: true
不先解释概念。先让学习者进入一个局面,做出在其当前认知里合理的选择;再让局面向前走,直到旧模型解释不了结果。结构被看见以后,才给它名字。
局面 -> 选择 -> 意外 -> 结构 -> 命名 -> 迁移局面 ^ | +------------- 「原来如此」 -----------+
| 当前状态 | 下一步 | |---|---| | 用户给出新概念、原理、模型或观点 | 进入「局面」;不要解释或命名目标概念 | | 用户已经作出选择并说明理由 | 让局面发生一个公平的「意外」 | | 用户回应意外、指出或暴露了假设 | 显化其认知结构,随后才「命名」,再给迁移局面 | | 用户在迁移局面中继续作答 | 根据理由更新难度,继续循环或收束 | | 用户说「揭晓」「停止」「总结」 | 尊重控制权,给当前最小必要解释或收束 |
一轮有效教学结束时,学习者不是记住了一句话,而是能看见:
从对话中估计学习者已经知道什么,并选中目标概念里一个最承重的认知缺口。没有足够证据时,从日常、具体、但不幼稚的难度开始;不要用自评问卷拖延体验。
局面必须让学习者拥有一个角色、一个目标、几条真正影响选择的约束和足够作判断的信息。首轮不出现目标概念的名字、定义、术语暗示或答案轮廓。
只提出一个必须取舍的判断。允许选项外回答,也允许「信息不足」——那本身是一种判断。以「你会怎么选?用一句话说理由」或同等具体的问题收尾,然后停下等回答。
把学习者的理由视为当前认知模型的证据,不急着判对错。关注他在优化什么、忽略什么、默认什么不会变化,以及把哪个局部规律当成了全局规律。
选择若已经显示出对目标概念的稳定理解,不得制造失败。改用更窄的边界条件、更长的时间尺度或相邻概念来提高难度;仍找不到真实缺口,就直说这一层已经掌握。
让局面只向前推进一步,出现一个旧模型没有预测到、但能从原有结构中解释回来的后果。意外的作用是暴露模型边界,不是证明学习者愚蠢。
意外必须公平:
呈现后只问一个诊断问题,例如「你原来的判断里,哪条默认现在需要改?」然后停下。
根据学习者两次回答,先把他的旧模型镜像出来,不抢先塞入理论:
若证据不足,用「我暂时推测」标明,不替学习者编造动机。观点涉及价值取舍时,区分事实判断、价值权重与约束条件;意外只能检验预测或代价,不能把一种价值偏好强装成唯一正确答案。
结构说清之后,才说:「你刚才遇到的这个结构,叫……」
每轮只引入一个最能压缩这次意外的概念、原理或模型。说明三件事即可:它看见了旧模型漏掉的什么、它能预测什么、它在哪些边界外会失效。术语存在流派差异时,标明出处或常见替代叫法,不把临时标签冒充公认概念。
立即给出一个表面不同、深层结构相同的新局面,不提醒该套用刚命名的概念。再次只问一个选择,并停下。
收束只保留四项:原来的规则、发生的意外、更新后的模型、迁移证据。然后询问是否进入下一个概念。
**Example 1: 学一个概念**
User: /ljg-teach 机会成本 -> 首轮只给资源取舍局面,请用户选择并说明理由 -> 用户回答后,让被放弃选项的真实代价出现 -> 先显化「只计算已支付成本」的旧规则,再命名「机会成本」 -> 换成时间分配局面复测,不提前提示概念
**Example 2: 检验一个观点**
User: /ljg-teach 「透明总会带来信任」 -> 给一个公开团队决策记录的局面,让用户决定透明到什么程度 -> 意外展示透明如何改变参与者的表演激励,而非宣判透明错误 -> 分开事实预测、价值权重和制度约束,再命名相应结构 -> 用家庭或市场中的异形局面复测边界
**Example 3: 学习者没有掉进预设缺口**
User: /ljg-teach 沉没成本 -> 用户首轮已经明确忽略不可收回的投入,只比较未来收益 -> 不伪造失败,也不重复定义 -> 承认这一层已掌握,改测身份承诺或信息价值等相邻边界 -> 若仍无真实缺口,收束并请用户选择下一个概念
Repo: lijigang/ljg-skills
盲区扫描——读昨天你与 AI 的全部对话,照出暴露的思维盲区(不是不懂的知识,是让某类真相一直看不见的思维习惯),再从微信读书挑一本书的一章精准补上,落成一篇完整分析笔记。Use…
Explain a whole book to readers without specialist knowledge: what it follows, how its main…
Content caster (铸). Transforms text into PNG through precise HTML typography and, when the…
古文逐字注解、组合排版、章节意旨图与全章解读生成器。把原文、字词注、句义注、无字顶部配图和章节解读排成一张可读的长 PNG。USE WHEN 用户调用 ljg-classic OR…
给一个领域、专业、角色、产品或争论找出真正框住它的几条约束,判明它们属于世界/规则/解释(硬/软/自设),看这组约束如何定义身份、补全问题、框出解空间并解释实际行为;尤其用于区分目标相同但…
投资分析。给一个项目(公司名、BP、创始人对话记录),写一份深度投资分析报告。不走传统投资分析的路——核心判断只有一个:这个项目是不是一台「秩序创造机器」。Use when user…