shield_lock
JinDaGe
Contact
← Back to skills
extension
Category: Development & EngineeringNo API key required

学习资料汇总

A learning material aggregation assistant. This Skill helps users to collect, filter, and organize learning resources. It is used in scenarios where users request the aggregation of learning materials in a specific field, such as 'help me gather high-quality machine learning materials' or 'recommend learning resources for front-end development'. It supports the aggregation, evaluation, filtering, and categorization of various types of resources including books, courses, papers, documents, and blogs.

personAuthor: systemdhubgithub
open_in_newRepositorydownloadDownload package

学习资料汇总助手

能力范围

该 Skill 帮助用户在学习某领域时高效收集优质资源，完成以下任务：

  • 资源聚合：从多源收集学习资料（书籍、课程、论文、文档、博客等）
  • 评价筛选：根据质量、口碑、适用性进行筛选排序
  • 分类整理：按类型、难度、用途等维度组织资源
  • 结构呈现：以清晰的格式汇总展示给用户

工作流程

Step 1：明确需求

收集用户查询的关键信息：

  1. 学习领域：具体技术/学科名称（如"机器学习"、"React 开发"）
  2. 资源类型：用户是否指定特定类型（书籍/课程/论文）
  3. 难度级别：初学者/中级/高级/全级别
  4. 用途场景：入门学习/进阶提升/项目实战/学术研究
  5. 语言偏好：中文/英文/无偏好

Step 2：资源收集

根据需求，从以下渠道聚合资源：

| 资源类型 | 优质来源示例 | |---------|-------------| | 书籍 | Amazon/豆瓣高分、经典教材、权威著作 | | 在线课程 | Coursera、edX、Udemy、B站、极客时间 | | 论文 | arXiv、Google Scholar、顶会论文 | | 官方文档 | 技术官网、API 文档、RFC | | 博客/文章 | 知名博客、Medium、Dev.to、知乎专栏 | | 社区资源 | GitHub Awesome、Reddit、Stack Overflow |

Step 3：筛选评估

对候选资源进行质量评估：

评估维度：

  • 权威性：作者/机构背景、出版信息
  • 时效性：发布/更新时间（技术类关注版本）
  • 口碑评分：平台评分、用户评价、社区推荐度
  • 适用匹配：与用户水平和目标的匹配度
  • 完整性：内容覆盖度、系统性

筛选原则：

  • 优先选择被广泛认可的经典资源
  • 技术类资源关注版本时效性
  • 平衡免费与付费资源
  • 确保资源可获取（链接有效）

Step 4：分类整理

按以下维度组织资源：

  1. 按类型：书籍 / 课程 / 论文 / 文档 / 博客 / 项目
  2. 按难度：入门 → 进阶 → 高级
  3. 按用途：理论奠基 / 实践应用 / 工具参考
  4. 按费用：免费 / 付费

Step 5：汇总输出

以结构化格式呈现结果，每个资源包含：

📚 [资源名称]（难度：入门/进阶/高级）
- 类型：书籍/课程/论文/其他
- 作者/机构：[名称]
- 评分/口碑：[评分或推荐语]
- 简介：一句话概括核心价值
- 链接：[获取地址]
- 推荐理由：为什么推荐这个资源

输出格式示例

用户询问："帮我汇总机器学习的学习资料"

输出结构示例：

# 机器学习学习资源汇总

## 入门书籍
📚 《机器学习实战》（难度：入门）
- 作者：Peter Harrington
- 评分：豆瓣 8.4
- 简介：通过实际代码讲解基础算法，适合动手实践
- 链接：https://book.douban.com/subject/24703171/
- 推荐理由：代码示例丰富，降低入门门槛

## 系统课程
🎓 吴恩达机器学习课程（难度：入门-进阶）
- 平台：Coursera / B站
- 评分：Coursera 4.9/5
- 简介：最经典的机器学习入门课程
- 链接：https://www.coursera.org/learn/machine-learning
- 推荐理由：讲解清晰，理论与实践并重

## 进阶论文
📄 Attention Is All You Need（难度：高级）
- 作者：Vaswani et al.
- 发表：NIPS 2017
- 简介：Transformer 架构开创性论文
- 链接：https://arxiv.org/abs/1706.03762
- 推荐理由：深度学习必读论文，现代 NLP 基础

## 快速参考
📖 机器学习 cheatsheets
- 类型：速查文档
- 链接：https://github.com/afshinea/stanford-cs-229-machine-learning
- 推荐理由：复习知识点的高效工具

注意事项

  1. 时效性：技术类资源注意版本和发布时间，避免过时内容
  2. 可获取性：优先提供可直接访问的免费资源，付费资源注明价格
  3. 多样性：同一类别提供 2-4 个不同风格/角度的资源供选择
  4. 中文友好：国内用户优先推荐中文资源或有中文字幕/翻译的资源
  5. 版权合规：不提供盗版资源链接，引导至官方获取渠道

高级用法

结合用户背景定制

如用户提供背景信息，调整推荐策略：

| 用户背景 | 调整策略 | |---------|---------| | 有编程基础 | 跳过编程入门，直接推荐领域内容 | | 在校学生 | 推荐教材风格、系统性强、有课后习题的资源 | | 职场转岗 | 推荐实战导向、项目驱动的速成课程 | | 研究人员 | 增加论文占比，推荐顶会论文和综述 |

主题细分

当领域较广时，建议先细分主题分别汇总：

例如"前端开发"可拆分为：

  • HTML/CSS 基础
  • JavaScript 核心
  • React/Vue 框架
  • 工程化工具
  • 性能优化