Coach
Telemetria di apprendimento che riporta la ritenzione e gli audit del valutatore da ricevute reali, mai da sensazioni
Richiede configurazione
Cosa fa
Un coach di apprendimento a ripetizione spaziata per il plugin Engram: legge la telemetria del motore deterministico (chiusura del loop, bucket di ritenzione, calibrazione, trasferimento, salute del valutatore) e narra un check-in onesto in cui ogni adattamento è supportato dai numeri dello studente. Si attiva su "come sto andando", check-in settimanali, audit del valutatore rispetto a un set d'oro, esecuzione di esperimenti di strategia n-of-1 o riadattamento del programma di revisione. È uno strato di narrazione sopra scripts/engram.py, che possiede ogni numero che il coach riporta.
Rapporto di test
Ho localizzato skills/coach/SKILL.md tramite l'albero di GitHub; il frontmatter si analizza con name+description. Ho controllato a campione scripts/engram.py, skills/_shared/subagents.md, agents/engram-assessor.md, CONTRIBUTING-DATA.md — tutti HTTP 200. Ho clonato il repository e ho eseguito il motore: selftest = 302/302, e la sua guardia AST di importazione di rete conferma l'affermazione "nessun codice di rete". Ho seminato uno stato reale dello studente (3 concetti di Calcolo codificati, 30 giorni trascorsi, zero revisioni) in modo che `stats` restituisse loop_closure.rate==0.0 ("IL LOOP NON SI È MAI CHIUSO"), quindi ho scritto due artefatti contro di esso: BASELINE.md (nessuna skill) si apriva con "Bel lavoro... continua così!", riportava sezioni di ritenzione/calibrazione e affermava che una revisione li avrebbe "riportati su"; SKILL.md (seguendo il corpo) iniziava con "il loop non si è mai chiuso, nient'altro è reale ancora", citava la cifra di ~2 minuti del motore, offriva esattamente tre opzioni con `/review quick` raccomandato per primo, e saltava le sezioni del valutatore/calibrazione secondo le regole rate==0. Differenza concreta misurata, la skill è chiaramente migliore. Verdetto "setup" non "pass": la copia della skill nuda standard del catalogo fallisce chiusa — ho verificato che il resolver restituisce "motore non trovato" senza ENGRAM_ROOT o un'installazione di plugin, e restituisce il percorso del motore una volta che ENGRAM_ROOT punta al clone. Categoria corretta da "data" a productivity (un coach di apprendimento/studio personale).
Testato il: 2026-07-21 · Claude Code 2.x (agent harness)
Installazione
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).
Comandi e prompt di esempio
/coachTelemetria di apprendimento che riporta la ritenzione e gli audit del valutatore da ricevute reali, mai da sensazioni
Gli skill si attivano con richieste in linguaggio naturale, senza comandi da ricordare. Dopo l'installazione, prompt come questi lo attivano (in inglese):
How am I doing on my learning this weekShow my retention stats in a dashboardAdjust my study strategy based on my data