⚡

exercise-designer exercise-designer

exercise-designer 技能是一个教育工具，旨在帮助设计基于证据的多样化练习，这些练习针对特定的学习目标，并应用认知科学中经过验证的策略。它确保练习具有适当的难度递进、间隔重复机会和清晰评估标准，以最大化学习者的知识和技能发展。

课程设计 0 次安装 0 次浏览 更新于 3/1/2026

目的

exercise-designer 技能帮助教育工作者创建多样化、基于证据的实践练习，这些练习针对特定的学习目标，并应用认知科学中经过验证的策略。这项技能设计了适当难度递进、间隔重复机会和清晰评估标准的练习。

宪法 v4.0.1 对齐：这项技能实现了评估优先的练习设计——在创建练习之前定义成功标准，集成第 IIb 部分（AI 三角色框架）共同学习练习类型，并与第 IIa 部分（4 层方法）对齐，以实现层次适当的练习。

何时激活

使用这项技能时：

  • 教育工作者需要 Python 概念的练习练习
  • 设计家庭作业或问题集
  • 创建超出简单编码问题的多种练习类型
  • 应用基于证据的学习策略（检索练习、间隔重复）
  • 建立练习序列的难度递进
  • 生成练习的测试用例和评分标准
  • 评估现有练习的教育效果

输入

必需：

  • 学习目标：学习者应该能够做什么
  • 概念/主题：要练习的 Python 概念（例如，“循环”，“字典”）

可选：

  • 目标受众：初学者 | 中级 | 高级
  • 练习数量：要生成的数量
  • 练习类型：首选类型（填空、调试、从头构建等）
  • 时间限制：练习的总时间
  • 先前概念：用于间隔重复的先前学习概念

评估优先练习设计（宪法 v3.1.2）

关键工作流程：

  1. 评估优先：在设计练习之前审查章节规范中的成功标准
  2. 目标第二：确保练习针对导致评估的学习目标
  3. 练习第三：设计练习活动，为学生成功评估做准备
  4. 验证第四：验证练习是否衡量向定义的成功标准的进步

模板：

### 练习设计（评估优先）

**来源**：`specs/part-X/chapter-Y/spec.md` 的章节规范

**规范中成功的评估**：
1. 75%+ 编写有效的规范（通过最终练习测量）
2. 80%+ 识别模糊需求（通过测验测量）

**学习目标**（来自规范）：
- LO-001：编写清晰的规范
- LO-002：识别模糊需求

**实现目标 → 评估的练习设计**：
- Ex-1：填写不完整的规范（LO-001，初级难度）
- Ex-2：调试模糊规范（LO-002，核心难度）
- Ex-3：从头开始编写完整的规范（LO-001，挑战难度）→ 测试评估 #1
- Ex-4：评估规范清晰度（LO-002，挑战难度）→ 测试评估 #2

不要 在没有以下情况下创建练习：

  • ✅ 参考经批准的规范和成功评估
  • ✅ 明确的映射：练习 → 目标 → 评估
  • ✅ 验证练习为评估成功做准备

流程

第 1 步：澄清学习目标和评估

了解学习者应该实现的目标：

  • 需要展示的具体技能
  • 所需的理解深度（回忆 vs. 应用 vs. 创建）
  • 与布鲁姆分类学水平的联系
  • 章节规范中的成功评估（什么定义了掌握？）

第 2 步：加载练习类型参考

阅读练习类型模式以获得多样性：

Read reference/exercise-types.md

可用类型：

  • 填空：专注于特定概念，提供脚手架
  • 调试此：发展错误识别技能
  • 从头构建：测试独立解决问题
  • 扩展代码：练习增量开发
  • 追踪执行：测试心理执行模型
  • 解释代码：促进更深入的理解
  • 重构：教授代码质量和 Pythonic 模式
  • 帕森问题：专注于逻辑流程
  • AI 协作（NEW）：练习与 AI 作为共同学习伙伴一起工作

AI 协作练习类型（第 IIb 部分，宪法 v4.0.1）

关键：AI 本土练习必须教授学生与 AI 双向共同学习伙伴关系（根据第 IIb 部分强制功能），而不仅仅是独立工作。

AI 协作练习类别：

1. 规范到代码与 AI（AI 作为学生）：

### 练习：用户认证

**任务**：编写一个规范，首次尝试即可产生工作的 OAuth 实现。

**说明**：
1. 为 OAuth 认证编写详细规范
2. 向 AI 提供规范
3. 评估 AI 生成的代码
4. 如果代码与意图不匹配，识别规范中的差距

**评估**：
- 规范清晰度（5 分）：无歧义需求
- 完整性（5 分）：所有边缘情况都已指定
- AI 输出质量（5 分）：代码无需澄清即可匹配规范
- 反思（5 分）：您从 AI 的响应中学到了什么关于规范编写的知识

2. 收敛迭代（AI 作为同事）：

### 练习：优化数据库查询

**任务**：与 AI 一起迭代以提高查询性能。

**说明**：
1. 从提供的慢查询开始
2. 向 AI 请求改进建议
3. 评估 AI 的建议（不要盲目接受）
4. 实施所选方法
5. 文档记录您与 AI 建议相比所做的决定

**评估**：
- 迭代质量（5 分）：清晰的来回细化
- 决策制定（5 分）：战略选择解释
- 收敛（5 分）：比任何一方单独提供的更好的解决方案
- 验证（5 分）：验证 AI 的建议正确工作

3. 从 AI 学习模式（AI 作为教师）：

### 练习：发现 Pythonic 模式

**任务**：从 AI 建议中学习新模式。

**说明**：
1. 使用您当前的方法实现解决方案
2. 向 AI 询问："你会如何改进这个以提高 Pythonicity？"
3. 分析 AI 的建议
4. 解释 AI 教给您的模式以及为什么它更好
5. 将模式应用于 2 个新问题

**评估**：
- 理解（5 分）：清晰解释 AI 建议的模式
- 应用（5 分）：成功应用于新环境
- 评估（5 分）：确定模式何时适用/不适用
- 反思（5 分）：您学到了什么以前不知道的东西

4. AI 输出验证（关键技能）：

### 练习：验证 AI 生成的代码

**任务**：验证 AI 生成的认证代码的安全性。

**说明**：
1. 审查提供的 AI 生成的代码
2. 识别安全漏洞
3. 编写测试用例以暴露问题
4. 提出修复措施
5. 文档记录您使用的验证清单

**评估**：
- 漏洞检测（5 分）：发现关键问题
- 测试覆盖率（5 分）：测试暴露问题
- 修复质量（5 分）：安全改进
- 验证过程（5 分）：有系统的方法文档记录

5. 从 AI 反馈中细化规范（双向学习）：

### 练习：迭代规范改进

**任务**：根据 AI 澄清问题改进规范。

**说明**：
1. 编写初始规范
2. AI 提出澄清问题（或者您模拟 AI 可能会问的问题）
3. 改进规范以主动回答问题
4. 比较初始与最终规范质量

**评估**：
- 初始规范（2 分）：基线质量
- 问题预期（3 分）：识别模糊性
- 细化质量（3 分）：更清晰的最终规范
- 学习（2 分）：记录了什么使规范清晰

AI 本土内容的练习平衡：

  • 50-60%：传统的独立练习
  • 30-40%：AI 协作练习（三角色）
  • 10-20%：验证/验证练习

第 3 步：加载基于证据的策略

阅读要应用的认知科学策略：

Read reference/evidence-based-strategies.md

关键策略：

  • 检索练习：从记忆中回忆加强学习
  • 间隔重复：分散练习时间
  • 交错：混合练习类型和概念
  • 阐述：问“为什么”和“如何”问题
  • 理想困难：适当的挑战水平

第 4 步：设计练习多样性

使用多种类型创建 3-5 个练习：

混合练习类型（避免 5 个相同的练习）：

练习 1：填空（快速热身）
练习 2：调试此（错误识别）
练习 3：从头构建（应用）
练习 4：解释代码（阐述）
练习 5：扩展代码（集成）

应用交错：混合新旧概念：

  • 60% 当前概念
  • 30% 最近概念（最后 1-2 课）
  • 10% 旧概念（3+ 课前）

第 5 步：建立难度递进

加载难度递进指南：

Read reference/difficulty-progression.md

从简单到困难排列练习：

  • 简单：高脚手架，清晰结构
  • 中等：适度脚手架，基于规范
  • 困难：最小脚手架，开放式

布鲁姆递进：

  1. 记忆/理解（追踪执行，解释）
  2. 应用（填空，标准问题）
  3. 分析（调试此，比较方法）
  4. 评估/创建（从头构建，重构）

第 6 步：纳入间隔重复

加载间隔重复模式：

Read reference/spaced-repetition.md

包括先前概念的复习：

  • 确定之前课程的概念
  • 设计结合新旧概念的练习
  • 标记练习以跟踪练习的概念（用于跟踪）

示例：

第 5 课（当前：循环）
练习 1：循环基础（新）
练习 2：循环 + 列表（复习第 2 课）
练习 3：循环 + 条件（复习第 3 课）
练习 4：循环 + 函数（复习第 4 课）

第 7 步：创建测试用例

生成全面的测试用例：

Read templates/exercise-template.yml

包括：

  • 正常情况：典型使用（60%）
  • 边缘情况：空输入，边界，特殊情况（30%）
  • 错误情况：无效输入，异常（10%）

使用脚本验证测试覆盖率：

python .claude/skills/exercise-designer/scripts/generate-test-cases.py exercise.yml

脚本将：

  • 分析现有测试用例覆盖范围
  • 建议缺少的测试类型
  • 提供特定于概念的建议
  • 检查正常/边缘/错误情况平衡

第 8 步：定义评估标准

加载标准模板：

Read templates/rubric-template.yml

创建带有标准的评分标准：

  • 正确性（40%）：产生正确的输出
  • 代码质量（30%）：可读性强，结构良好
  • 效率（20%）：适当的方法
  • 错误处理（10%）：考虑边缘情况

每个标准都有级别：优秀，合格，发展中，不足

第 9 步：添加渐进式提示

提供 3 个级别的提示：

  • 第 1 级（温和）：不给出答案的方向
  • 第 2 级（适度）：更具体的指导
  • 第 3 级（明确）：几乎完整的解决方案

示例：

练习：编写一个函数来在列表中查找重复项

提示 1："考虑使用集合来跟踪您已经看过的项目"
提示 2："遍历列表，将项目添加到集合中，检查项目是否已经在集合中"
提示 3："使用：seen = set(); for item in list: if item in seen..."

第 10 步：验证和完善

检查练习质量：

  • [ ] 明确陈述的学习目标
  • [ ] 适合目标受众的适当难度
  • [ ] 完整的指令（学习者知道做什么）
  • [ ] 提供测试用例（正常 + 边缘 + 错误）
  • [ ] 至少应用了 2 个基于证据的策略
  • [ ] 练习在估计时间内可实现
  • [ ] 包括评分标准或评估标准

输出格式

以结构化的 markdown 或 YAML 提供练习集：

# 练习集：[主题]

**学习目标**：
- [目标 1]
- [目标 2]

**预计时间**：[X 分钟总计]
**基于证据的策略**：[应用策略列表]

---

## 练习 1：[标题]

**类型**：[填空 | 调试此 | 等。]
**难度**：[简单 | 中等 | 困难]
**时间**：[X 分钟]
**策略**：[检索练习等。]

### 说明

[要做什么的清晰描述]

### 起始代码（如果适用）

```python
[代码在这里]

测试用例

  1. 输入：[示例] 预期：[输出] 测试：正常情况

  2. 输入：[] 预期：[输出] 测试：边缘情况 - 空输入

提示

提示 1：[温和指导] 提示 2：[更具体] 提示 3：[明确方法]

评分标准

  • 正确性（4 分）：通过所有测试用例
  • 代码质量（3 分）：可读性强，命名良好
  • 效率（2 分）：合理的方法
  • 错误处理（1 分）：处理边缘情况

[重复练习 2-5]

间隔重复笔记

这套练习练习：

  • 新：[当前概念]
  • 复习：[之前课程的概念]

答案键

[所有练习的解决方案及解释]


## 示例

### 示例 1：为列表方法设计练习

**输入**："为初学者创建 5 个练习，练习列表方法（追加，移除，扩展）"

**流程**：
1. 确定学习目标：正确使用列表方法，理解何时使用每个方法
2. 选择多样性：填空，调试此，从头构建，解释代码，追踪执行
3. 难度递进：简单 → 中等 → 中等 → 困难 → 中等
4. 应用策略：检索练习（无参考），交错（混合方法类型）
5. 添加测试用例和评分标准
6. 包括提示

**输出**：5 个练习集，具有多样性，递进，测试用例和应用策略

---

### 示例 2：评估现有练习集

**输入**："评估这 10 个循环练习的教育效果"

**流程**：
1. 检查多样性："所有 10 个都是从头构建 - 需要更多多样性"
2. 检查递进："难度从练习 2 到 3 跳跃太快"
3. 检查策略："没有间隔重复 - 所有练习只使用循环，没有先前概念"
4. 检查测试用例："只有 3 个练习有测试用例，缺少边缘情况"
5. 提供具体建议

**输出**：详细评估和可行的改进

---

### 示例 3：设计具有间隔重复的练习

**输入**："为字典（第 4 课）创建练习，复习列表（第 2 课）和条件（第 3 课）"

**流程**：
1. 主要概念：字典方法和操作
2. 次要概念：列表，条件（复习）
3. 设计结合概念的练习：
   - 练习 1：字典基础（新）
   - 练习 2：字典 + 条件（复习）
   - 练习 3：字典 + 列表（复习）
   - 练习 4：全部三个结合
4. 标记以跟踪：主要=字典，次要=[列表，条件]

**输出**：具有明确间隔重复的练习集

## 常见模式

### 模式 1：概念介绍集

```markdown
练习 1：填空（非常容易，高脚手架）
练习 2：追踪执行（理解行为）
练习 3：从头构建（简单应用）
练习 4：调试此（识别错误）
练习 5：扩展代码（与先前知识集成）

模式 2：混合复习集

练习 1：当前概念仅（60%）
练习 2：当前 + 最近概念（30%）
练习 3：当前概念仅（60%）
练习 4：当前 + 旧概念（10%）
练习 5：当前 + 最近 + 旧（集成）

模式 3：渐进挑战集

练习 1：指导（提供 70% 代码）
练习 2：结构化（提供 50% 代码）
练习 3：规范（明确要求）
练习 4：开放式（最少指导）
练习 5：扩展（在练习 3 基础上构建）

验证清单

在最终确定练习集之前：

  • [ ] 3-5 个练习（不要太少，不要压倒性）
  • [ ] 多种练习类型（不是全部相同）
  • [ ] 清晰的难度递进（简单 → 困难）
  • [ ] 至少明确应用了 2 个基于证据的策略
  • [ ] 每个练习都有测试用例（正常 + 边缘 + 错误）
  • [ ] 提供评分标准或评估标准
  • [ ] 如适用，包括间隔重复（复习先前概念）
  • [ ] 指令清晰完整
  • [ ] 练习在估计时间内可实现
  • [ ] 每个练习都有明确的学习目标

接受检查

  • [ ] 存在难度带：入门（简单），核心（中等），挑战（困难）
  • [ ] 提供三个级别的提示（温和，适度，明确）
  • [ ] 附有标准和分数的评分标准；映射到目标

难度带示例

入门：热身填空（L2-理解）
核心：根据规范实现函数（L3-应用）
挑战：重构以提高性能（L4-分析/L5-评估）

参考资料

按需加载的支持文档：

  • reference/exercise-types.md - 填空，调试，从头构建等。
  • reference/evidence-based-strategies.md - 检索，间隔，交错，阐述
  • reference/difficulty-progression.md - 脚手架，布鲁姆水平，PRIME 框架
  • reference/spaced-repetition.md - 螺旋课程，混合集，最佳间隔

错误处理

如果验证失败：

  1. 报告具体问题（例如，“所有练习都是同一类型”，“没有提供测试用例”）
  2. 建议补救措施（例如，“添加调试此和追踪执行练习”）
  3. 停止并要求用户干预（硬失败模式）

示例必须满足质量标准：多样化类型，适当的难度，清晰的目标，全面的测试用例。