Coach
Télémétrie d'apprentissage qui rapporte la rétention et les audits de l'évaluateur à partir de données réelles, jamais d'impressions
Fonctionne avec configuration
Ce que fait
Un coach d'apprentissage par répétition espacée pour le plugin Engram : il lit la télémétrie du moteur déterministe (fermeture de boucle, seaux de rétention, calibration, transfert, santé de l'évaluateur) et narre un bilan honnête où chaque adaptation est étayée par les propres chiffres de l'apprenant. Se déclenche sur "comment je me débrouille", les bilans hebdomadaires, l'audit de l'évaluateur par rapport à un ensemble de référence, l'exécution d'expériences de stratégie n-de-1, ou le réajustement du calendrier de révision. C'est une couche de narration sur scripts/engram.py, qui possède tous les chiffres que le coach rapporte.
Rapport de test
J'ai localisé skills/coach/SKILL.md via l'arborescence GitHub; le frontmatter est analysé avec name+description. J'ai vérifié scripts/engram.py, skills/_shared/subagents.md, agents/engram-assessor.md, CONTRIBUTING-DATA.md — tous HTTP 200. J'ai cloné le dépôt et exécuté le moteur : selftest = 302/302, et sa garde AST d'importation réseau confirme l'affirmation "no network code". J'ai amorcé un état d'apprenant réel (3 concepts de calcul encodés, 30 jours écoulés, zéro révision) de sorte que `stats` a renvoyé loop_closure.rate==0.0 ("THE LOOP HAS NEVER CLOSED"), puis j'ai écrit deux artefacts contre cela : BASELINE.md (sans compétence) a commencé par "Nice work... keep it up!", a rapporté les sections de rétention/calibration, et a affirmé qu'une révision "les ferait remonter"; SKILL.md (suivant le corps) a commencé par "the loop has never closed, nothing else is real yet", a cité le chiffre d'environ 2 min du moteur, a offert exactement trois options avec `/review quick` recommandé en premier, et a ignoré les sections d'évaluateur/calibration selon les règles rate==0. Différence concrète mesurée, la compétence est clairement meilleure. Verdict "setup" et non "pass" : la copie de compétence nue standard du catalogue échoue en mode fermé — j'ai vérifié que le résolveur renvoie "engine not found" sans ENGRAM_ROOT ou une installation de plugin, et renvoie le chemin du moteur une fois que ENGRAM_ROOT pointe vers le clone. Catégorie corrigée de "data" à productivité (un coach d'apprentissage/étude personnel).
Testé le: 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).
Commandes et exemples de prompts
/coachTélémétrie d'apprentissage qui rapporte la rétention et les audits de l'évaluateur à partir de données réelles, jamais d'impressions
Les skills se déclenchent sur des demandes en langage courant — aucune commande à retenir. Après installation, des prompts comme ceux-ci l'activent (en anglais) :
How am I doing on my learning this weekShow my retention stats in a dashboardAdjust my study strategy based on my data