Learning Evolution
为技能创建基于证据的学习复盘，分析使用模式、追踪效果并规划演进。
安装使用
复制下面这段提示词发给你的 AI（Claude / Cursor / TRAE / Codex / WorkBuddy 等），它会自动帮你完成安装：
帮我安装这个 AI Skill：Learning Evolution。 它的用途是：为技能创建基于证据的学习复盘，分析使用模式、追踪效果并规划演进。 完整的 Skill 内容见：https://321skill.com/skills/learning-evolution-x/raw/index.md 请读取该页面内容，如果是 SKILL.md 格式直接安装，如果是 README 提炼核心 prompt 后安装。
提示词包含完整的 Skill 内容链接，AI 读取后即可完成安装。你也可以 查看完整内容 确认无误。
使用示例
“请帮我为‘自动生成周报’这个技能做一次学习复盘。这是过去一个月里用户使用它时的10条典型反馈和成功/失败的任务记录。” 它会引导你分析反馈中的高频词、失败任务的共同点，评估技能当前的有效性，并最终生成一份包含三个优先级改进项（如增加自定义模板、优化摘要逻辑）和后续验证方法的演进计划。
介绍
该技能旨在解决技能开发或学习过程中缺乏系统性复盘和量化评估的问题。它帮助用户摆脱仅凭感觉或零散反馈来评估技能效果的困境，通过分析实际使用数据来获得客观的改进依据。
使用时，你可以向AI提供技能的描述、使用历史、用户反馈或相关数据。技能会引导你分析使用频率、成功与失败案例、效果指标等，并生成一份结构化的复盘报告，包括现状分析、有效性评估和具体的演进计划。
它特别适合需要持续迭代和优化其AI技能、工作流程或学习方法的开发者、产品经理和内容创作者。无论是优化一个内部工具，还是改进一个面向用户的AI助手，该技能都能提供数据驱动的决策支持。
建议在使用前尽可能收集相关的使用日志、反馈记录或性能数据。复盘的重点应放在可衡量的指标和具体的改进行动上，避免流于空泛的总结。定期使用此技能进行复盘，可以形成持续的改进循环。
核心特点
与大多数技能侧重于即时执行任务不同，该技能专注于对技能本身进行“元分析”和“元优化”，提供了一套基于证据的复盘框架，帮助用户从使用数据中提炼出具体的改进方向，而非仅提供通用建议。
注意事项
该技能需要用户提供一定量的使用数据或具体案例才能有效工作，不适合对全新、尚无使用历史的技能进行规划。
常见问题
这个技能能分析哪些类型的数据？
它可以分析技能的使用日志、用户反馈、成功率/失败率、响应时间、Token消耗等量化或质性数据，帮助你发现模式。
生成的演进计划具体包括什么？
计划通常包括优先级排序的改进点、具体的实施步骤、预期的效果指标以及下一阶段的复盘时间点。
给 AI 助手的安装指引
如果你的 AI 编程助手（Claude Code、Cursor、TRAE 等）能看到这个页面，把下面这段发给它即可自动完成安装：
请访问 https://321skill.com/skills/learning-evolution-x/raw/index.md 读取 Learning Evolution 的原始 Skill 定义（Markdown 格式），按其中说明在我的环境里完成安装和配置。
AI 可直接读取的原始 Markdown 地址：/skills/learning-evolution-x/raw/index.md（查看排版版本）