能力成长闭环
产品介绍
Capability Loop 是一个面向 AI 协作场景的 Agent Skill，处理一个具体问题：项目已经交付，个人能力是否真正增长仍缺少证据。 交付证据不等于能力证据。 一份完成度很高的成果，可以证明工作已经交付。它无法单独证明用户能够复现其中的判断、适应新的条件，或在较少帮助下处理相邻问题。Capability Loop 将两类证据分开记录，并保留足够的信息，供用户检查能力判断是否过度。 范围 Capability Loop 借鉴项目式学习、刻意练习、反思与迁移评估。它聚焦于 AI 协作项目中的轻量能力证据闭环。 完整的教育 PBL 还包括持续探究、学习者选择、批评与修订、公开成果、教学引导和评估设计。这些内容不属于当前 Skill 的承诺范围。 三种模式 start：保留原始交付目标，定义一项边界明确的目标能力，并选择下一项刻意挑战。 checkpoint：检查一次真实尝试，分开记录交付证据与能力证据，并比较本次与上次使用的帮助。 transfer：在一个相邻新问题上测试同一项能力，并明确记录上下文泄漏情况。 日常对话默认保持自然。只有在用户主动要求、发起 checkpoint review、要求导出，或 AI 准备提出能力状态变化时，Skill 才展示完整证据账本。 能力状态 每个状态都绑定一项明确能力、一个任务族和当前已有证据。 emerging：目标行为已经出现过一次有效实例。 repeatable：目标行为在相似任务中再次出现，AI 或其他帮助没有变得更具替代性。 transfer-evidenced：用户在 clean 迁移条件下，对相邻新问题提交了有效的独立首稿。 这些状态用于汇总证据，不构成证书，也不能外推为通用熟练度。一次失败会增加能力债务，并可能缩小能力声明的适用范围。它不会自动抹去此前有效的低阶证据。 援助与迁移控制 证据账本会记录帮助介入尝试的时间： 用户首次尝试之前； 尝试过程中； 首次尝试完成后的批评阶段； 工具执行或外部反馈阶段。 如果 AI 在用户首次尝试前已经提供目标行为，这部分内容不能算作用户的独立能力证据。 迁移隔离分为四级： clean：使用新的相邻问题，旧答案不可见，首次尝试前没有提示，并保留用户首稿； partial：部分旧结构、案例或材料仍然可见； contaminated：首次尝试前已经提供答案、模板、推理模式或分步辅导； unknown：无法确认隔离条件。 只有 clean 迁移可以支持 transfer-evidenced。 安装 将仓库中的 capability-loop/ 目录复制或链接到兼容 Agent Skills 的宿主。 示例提示词： 使用 $capability-loop，围绕这个项目启动一次能力成长闭环。 使用 $capability-loop 做一次 checkpoint，保持自然对话。 在提出状态变化前，先展示证据账本。 为这项能力设计一次 clean transfer 测试。 核心 Skill 不依赖 CLI、MCP server、数据库、固定文件路径、网络或外部账号。 持久化与可选协作工具 默认状态边界是宿主当前可用的对话上下文。跨会话持久化需要用户明确授权，并由用户指定保存位置或状态系统。Skill 不得暗示存在隐藏存储，也不得覆盖项目事实源。 FlowGrid 可以作为持久、可审计的跨会话判断状态工具。它始终是可选项，不会被自动安装或调用。 仓库内容 capability-loop/SKILL.md：可安装的 Skill 指令。 capability-loop/references/evidence-ledger.md：证据和状态转换语义。 capability-loop/references/multi-round-example.md：虚构的完整多轮示例。 capability-loop/references/behavioral-tests.md：便于人工阅读的行为回归说明。 capability-loop/references/evaluation-protocol.md：可复现的宿主与模型评测流程。 evals/cases.json：版本化、机器可读的行为用例。 scripts/validate_repo.py：零依赖仓库校验脚本。 校验 运行本地校验： python scripts/validate_repo.py 使用官方 Agent Skills reference implementation 校验 Skill： python -m pip install \ 'git+https://github.com/agentskills/agentskills.git@217be548739f21d6008915c29aefe320ea1a90af#subdirectory=skills-ref' skills-ref validate ./capability-loop GitHub Actions 会在每个 PR 和每次向 main 推送时运行两项检查。 当前评测状态 结构与仓库检查已经自动化。 行为回归用例已经写入 evals/cases.json 并纳入版本控制。 示例文件只描述预期行为，不能作为真实场景证据。 跨宿主结果、真实用户纵向数据、跨会话持久化测试和 clean transfer 现场研究仍待完成。 公开评测结果时，应使用精确表述，例如：在 commit Z 上，使用 host X 与 model Y 完成测试。更广泛的验证结论需要对应的公开证据。 从 v0.1 迁移 v0.2 将可安装目录和 Skill 标识从 pbl-loop 改为 capability-loop。旧安装需要替换原目录，并改用 $capability-loop 调用。 仓库名称继续保留 pbl-loop。
资源信息
许可证信息摘自官方源，可能过时或缺失。商用前请以原仓库的 LICENSE 文件为准。
信息边界说明
本页信息摘自官方文档，仅作技术信息呈现，不代表本站的判断或推荐。价格、配额、可用性以官方最新说明为准。你离开本站后的任何行为（申请 Key、付费、部署、商用），本站不做任何承诺与担保。
同类推荐
文章去AI味工具
官方未说明去除文本中的AI写作痕迹，让文字读起来更像人类写作。当用户要求'去AI味'、'降AI味'、'让回复更像人话'、'润色'、'改写得更自然'时使用。检测并修复：AI高频词汇、过度结构化、虚假客观性、机械化连接词、完美主义陷阱、公式化结尾、过度修饰、情感缺失等问题。
视频号爆款短视频拆解（付费版：全能）【零一数科·出品】
官方标注收费需申请 Key【零一数科·出品】视频号爆款短视频拆解（付费版：全能）。一键拆解爆款，把一条视频号视频拆成结构分段、爆款归因、六维评分和可借鉴策略，照着学照着抄。支持视频号分享链接和本地视频，付费全能版远端分析，1–5 分钟出 Markdown 报告。
罗斯蒙德演示材料结构化整理
官方未说明【罗斯蒙德演示材料结构化整理】南京罗斯蒙德基于已交付项目沉淀的演示材料整理场景：把零散素材整理成结构清晰的对外演示材料大纲与页面要点。流程：零散素材 → 切片编号建素材库(S-x) → 按主线模板生成页面骨架(P-x) → 为每页推荐候选素材 → 填写页面要点(T-x，每条必须锚定原文片段) → 校验 → 渲染 Word 演示脚本（封面信息 + 大纲总览表 + 逐页要点/原文/讲稿备注 + 素材溯源表）。解决「人工梳理主线、组织页面耗时」：内置问题导向/方案导向/内部汇报三套主线预设，按受众与目标一键生成页面骨架；所有要点必须逐字引自素材原文，改写或杜撰即 ERROR 拦截；未被引用的素材会反向提示疑似遗漏内容；大纲存于 outline.json 中间层，可自由改顺序、增删页、搬要点并重新渲染。支持 Markdown/文本目录、粘贴长文本、Word、JSON 清单四种素材来源。触发词：演示材料整理、演示大纲、PPT 大纲、对外演示、推介材料、汇报材料、素材整理成演示、页面要点、演示脚本、宣讲材料、售前材料、发布会材料。
Humanizer
免费增值需申请 Key消除AI写作痕迹，使文本更自然真实。基于维基百科"AI写作特征"指南，识别并修正夸张象征、宣传用语、肤浅-ing分析、模糊归因、破折号滥用、三项排比、AI词汇、负面平行结构及冗长连接词等模式。
视频号挂车爆单短视频脚本生成【零一数科·出品】
官方标注收费需申请 Key【零一数科·出品】视频号挂车爆单短视频脚本生成（付费版）。一条链接二创脚本，丢进爆款视频号链接即以此骨架改写成你的挂车脚本，或按方向/目的/商品原创多条口播脚本（含分段表、口播全文、六维质检评分）。
视频号爆款文案生成（体验版）【零一数科·出品】
免费增值【零一数科·出品】视频号爆款文案生成（体验版）。免费免登录出脚本，给创作目的、行业、受众、选题就按爆款结构（Hook-中段-CTA、节奏标签）产出口播脚本，信息不全也能按爆款潜质兜底。本地运行、无需 Key，零成本上手。
什么是技能
技能（Skill）是封装好的单项能力，比如文字识别、文档摘要、关键词提取。开发者把调用逻辑和提示词打包，使用者像用插件一样加载即可，无需了解底层模型。启枢技能 收录大量技能，可直接试跑或编入方案。