Coach
Lerntelemetrie, die Retentions- und Grader-Audits aus echten Belegen meldet, niemals aus Stimmungen
Funktioniert mit Setup
Was es kann
Ein Spaced-Repetition-Lerncoach für das Engram-Plugin: Er liest die Telemetrie der deterministischen Engine (Loop-Closure, Retentions-Buckets, Kalibrierung, Transfer, Grader-Gesundheit) und erzählt einen ehrlichen Check-in, bei dem jede Anpassung durch die eigenen Zahlen des Lernenden untermauert wird. Wird ausgelöst bei „how am I doing“, wöchentlichen Check-ins, der Überprüfung des Graders gegen einen Gold-Set, dem Ausführen von n-of-1-Strategieexperimenten oder der Anpassung des Überprüfungsplans. Es ist eine Erzählschicht über scripts/engram.py, das jede Zahl besitzt, die der Coach meldet.
Testbericht
SKILL.md unter skills/coach/ über den GitHub-Baum gefunden; Frontmatter wird mit name+description geparst. scripts/engram.py, skills/_shared/subagents.md, agents/engram-assessor.md, CONTRIBUTING-DATA.md stichprobenartig überprüft – alle HTTP 200. Das Repo geklont und die Engine ausgeführt: selftest = 302/302, und seine Netzwerk-Import-AST-Sicherung bestätigt die Behauptung „no network code“. Einen echten Lernzustand (3 kodierte Calculus-Konzepte, 30 Tage vergangen, null Überprüfungen) gesät, so dass `stats` loop_closure.rate==0.0 („THE LOOP HAS NEVER CLOSED“) zurückgab, dann zwei Artefakte dagegen geschrieben: BASELINE.md (kein Skill) begann mit „Nice work... keep it up!“, meldete Retentions-/Kalibrierungsabschnitte und behauptete, eine Überprüfung würde „diese wieder hochziehen“; SKILL.md (dem Body folgend) begann mit „the loop has never closed, nothing else is real yet“, zitierte die eigene ~2-Minuten-Angabe der Engine, bot genau drei Optionen an, wobei `/review quick` zuerst empfohlen wurde, und übersprang die Grader-/Kalibrierungsabschnitte gemäß den rate==0-Regeln. Konkreter gemessener Unterschied, Skill eindeutig besser. Urteil „setup“ nicht „pass“: Die katalogstandardmäßige reine Skill-Kopie schlägt fehl – ich habe überprüft, dass der Resolver „engine not found“ zurückgibt ohne ENGRAM_ROOT oder eine Plugin-Installation, und den Engine-Pfad zurückgibt, sobald ENGRAM_ROOT auf den Klon verweist. Kategorie von „data“ auf Produktivität korrigiert (ein persönlicher Lern-/Studien-Coach).
Getestet am: 2026-07-21 · Claude Code 2.x (agent harness)
Installation
git clone --depth 1 https://github.com/nagisanzenin/engram.git /tmp/coach-src mkdir -p ~/.claude/skills cp -R /tmp/coach-src/skills/coach ~/.claude/skills/coach # NOTE: this skill is a thin narration layer over the engine at scripts/engram.py. # A bare skill-copy FAILS CLOSED with "engine not found" unless the engine is resolvable. # Two ways to wire it up: # 1) RECOMMENDED — install the whole thing as a plugin (auto-resolves $CLAUDE_PLUGIN_ROOT): # /plugin marketplace add nagisanzenin/engram then /plugin install engram # 2) Keep the skill-copy above and point ENGRAM_ROOT at a full clone (persist in ~/.zshrc; # move the clone out of /tmp first): # export ENGRAM_ROOT=/tmp/coach-src # The `audit` subcommand also spawns the engram-assessor subagent (agents/engram-assessor.md, in the full clone). # Requirements: Python 3 (stdlib only, no pip). State lives in ~/.claude/learning (override ENGRAM_HOME). # The engine has no network code — proven by a permanent AST selftest (302/302 checks pass).
Befehle & Beispiel-Prompts
/coachLerntelemetrie, die Retentions- und Grader-Audits aus echten Belegen meldet, niemals aus Stimmungen
Skills reagieren auf normale Anfragen — keine Slash-Befehle nötig. Nach der Installation aktivieren Prompts wie diese den Skill (auf Englisch):
How am I doing on my learning this weekShow my retention stats in a dashboardAdjust my study strategy based on my data