Coach

Telemetría de aprendizaje que informa retención y auditorías de calificador a partir de recibos reales, nunca de sensaciones

Por nagisanzenin · nagisanzenin/engram

Funciona con configuración ★ 9.2/10

Coach — Telemetría de aprendizaje que informa retención y auditorías de calificador a partir de recibos reales, nunca de sensaciones

Qué hace

Un entrenador de aprendizaje de repetición espaciada para el plugin Engram: lee la telemetría del motor determinista (loop-closure, retention buckets, calibration, transfer, grader-health) y narra un chequeo honesto donde cada adaptación está respaldada por los propios números del alumno. Se activa con "how am I doing", chequeos semanales, auditoría del calificador contra un conjunto de oro, ejecución de experimentos de estrategia n-of-1 o reajuste del programa de revisión. Es una capa de narración sobre scripts/engram.py, que posee cada número que el entrenador informa.

Informe de la prueba

Localicé skills/coach/SKILL.md a través del árbol de GitHub; el frontmatter se analiza con name+description. Verifiqué scripts/engram.py, skills/_shared/subagents.md, agents/engram-assessor.md, CONTRIBUTING-DATA.md — todos HTTP 200. Cloné el repositorio y ejecuté el motor: selftest = 302/302, y su guardia AST de importación de red confirma la afirmación de "no network code". Sembré un estado real del alumno (3 conceptos de Cálculo codificados, 30 días transcurridos, cero revisiones) de modo que `stats` devolvió loop_closure.rate==0.0 ("THE LOOP HAS NEVER CLOSED"), luego escribí dos artefactos contra él: BASELINE.md (sin habilidad) abrió con "¡Buen trabajo!... ¡sigue así!", informó secciones de retención/calibración y afirmó que una revisión "los volvería a subir"; SKILL.md (siguiendo el cuerpo) comenzó con "el bucle nunca se ha cerrado, nada más es real todavía", citó la propia cifra del motor de ~2 min, ofreció exactamente tres opciones con `/review quick` recomendado primero, y omitió las secciones de calificador/calibración según las reglas rate==0.0. Diferencia concreta medida, la habilidad es claramente mejor. Veredicto "setup" no "pass": la copia de habilidad estándar del catálogo falla cerrada — verifiqué que el resolvedor devuelve "engine not found" sin ENGRAM_ROOT o una instalación de plugin, y devuelve la ruta del motor una vez que ENGRAM_ROOT apunta al clon. Categoría corregida de "data" a productividad (un entrenador de aprendizaje/estudio personal).

Probado el: 2026-07-21 · Claude Code 2.x (agent harness)

Instalación

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).

Comandos y prompts de ejemplo

/coachTelemetría de aprendizaje que informa retención y auditorías de calificador a partir de recibos reales, nunca de sensaciones

Los skills se activan con peticiones en lenguaje natural, sin comandos que memorizar. Tras instalarlo, prompts como estos lo activan (en inglés):

How am I doing on my learning this week
Show my retention stats in a dashboard
Adjust my study strategy based on my data

Informe completo →