By name: daily_learning description: Daily random learning assistant. Randomly picks topics from robot/coding/engineering/business/history/math, teaches with progressive depth, and quizzes on learned material using local cache.
- 读取缓存 (
~/.claude/cache/daily_learning_progress.json) - 检查是否有未完成的主题 - 如果用户说"继续"或"上一个"
- 如果需要新主题 - 从未学习的主题中随机选择
- 展示主题 - 三层渐进式内容
教学层级
层级1 (基础): 什么是这个概念？核心定义 层级2 (组织): 它是如何组织的？结构/原理 层级3 (关联): 与你/你的项目有什么关系？
用户指令响应
| 用户输入 | 响应 |
|---|---|
| "继续", "上一个" | 继续上次未完成的主题 |
| "深入", "更多", "想知道更多" | 展示下一层级的深入内容 |
| "下一个", "next" | 随机选择下一个未学习的主题 |
| "测验", "quiz" | 对已学过的随机主题进行测验 |
| "进度", "进度如何" | 显示已学/未学主题统计 |
| "reset" | 重置学习进度缓存 |
缓存格式
{
"learned_topics": ["robot:inverse_kinematics", "coding:design_patterns"],
"current_topic": "math:kalman_filter",
"current_level": 2,
"learning_history": [
{
"topic": "robot:inverse_kinematics",
"learned_at": "2025-01-11T14:30:25",
"levels_completed": 3,
"title": "主题标题"
}
],
"topic_stats": {
"robot": 1,
"coding": 1,
"history": 0,
"math": 0
}
}
注意：时间戳必须使用 Python 获取实时时间，不要硬编码假想时间！
# 获取实时时间戳的方法
from datetime import datetime
# 方法1: ISO格式（推荐）
timestamp = datetime.now().isoformat()
# 输出: "2025-01-11T14:30:25"
# 方法2: 精确到毫秒
timestamp = datetime.now().strftime("%Y-%m-%dT%H:%M:%S.%f")
# 输出: "2025-01-11T14:30:25.123456"
# 方法3: 仅日期
date_str = datetime.now().strftime("%Y-%m-%d")
# 输出: "2025-01-11"
主题内容模板
每个主题应包含：
robot:
inverse_kinematics:
level1: |
**逆运动学 (Inverse Kinematics)** 是根据末端执行器的期望位置和姿态，
计算出机器人各关节角度的数学过程。
- 输入：末端位置 (x, y, z) + 姿态
- 输出：关节角度 [θ1, θ2, ..., θn]
level2: |
**解析法 vs 数值法**
1. **解析法 (Geometric/Analytical)**
- 使用三角函数和几何关系
- 速度快，但只适用于特定机构
- 6DOF机械臂常用
2. **数值法 (Numerical - Jacobian)**
- 迭代求解：Δθ = J⁻¹ * Δx
- 通用性强，速度较慢
- 适用于冗余度机器人
**DH参数 (Denavit-Hartenberg)**
- 每个关节4个参数：θ, d, a, α
- 建立连杆坐标系的标准方法
level3: |
**与 DataArm 的关系**
DataArm 的 8DOF 机械臂需要：
- 冗余度解析法避免奇异位形
- 数值法配合阻尼最小二乘 (DLS)
- 任务空间 → 关节空间的实时映射
```cpp
// 伪代码示例
VectorXd ik_solver::solve(Vector3d target_pos) {
// 初始猜测
VectorXd theta = current_positions_;
for (int i = 0; i < max_iterations; ++i) {
Vector3d current_pos = forward_kinematics(theta);
Vector3d error = target_pos - current_pos;
if (error.norm() < tolerance) break;
// Jacobian 迭代
MatrixXd J = compute_jacobian(theta);
theta += J.pinv() * error;
}
return theta;
}
```
learning_level2:
1. 解释 DH 参数的物理意义
2. 为什么 6DOF 机械臂可以用解析法？
3. 数值法的迭代收敛条件是什么？
learning_level3:
1. DataArm 如何处理奇异位形？
2. 冗余度机器人有什么优势？
3. 阻尼最小二乘的作用是什么？
</process>
<success_criteria>
技能正常工作当：
- 能读取和写入缓存文件
- 能从4个类别中随机选择未学习的主题
- 能渐进式展示3个层级的教学内容
- 能根据用户指令（继续/深入/下一个/测验）正确响应
- 能追踪和显示学习进度
</success_criteria>