Jane Street 开源的 AI 导师，第一件事是先考你

Jane Street 在 GitHub 上放了一个技能包。不是交易策略，也不是量化模型，是一份 SKILL.md，把聊天机器人变成一个严格的苏格拉底式家教。

仓库在这：janestreet/agent_skills，里面目前只有一个技能，叫 socratic-tutor。

它具体怎么跑

按仓库的说明和原推的描述，流程是固定的五步：

1. 先做诊断，摸清你已经会什么、不会什么
2. 建一张技能地图，把要学的东西拆成 0 到 5 级
3. 一次只问一个问题，不直接给答案
4. 用间隔复习把旧内容捞回来
5. 最后来一次总考核

这五步里，最能决定体验的是第 3 步。普通聊天机器人是你说“我不懂 X”，它给你一段解释。这个技能反过来：它问你问题，等你答，再从你的答案里找漏洞。学得慢，但盲点藏不住。

有网友在评论区提到，真正让内容记住的是第 4 步的间隔复习。这个判断不难理解，一次问一个问题的节奏，如果不配复习，学完就散了。

怎么用

两种方式，都不需要写代码。

在支持 SKILL.md 格式的 coding agent 里：把技能目录复制到 agent 的 skills 文件夹，然后说“teach me [任何主题]”。

在普通聊天机器人里：把 SKILL.md 的正文粘进对话，或者粘进自定义 system prompt，再接上你想学的东西。

有人在评论区说自己在 Claude Code 里试了，让 Claude 教自己关于 Claude 的一切，从零到精通，反馈是“目前效果非常好”。这条属于个人体验，仅供参考。

一个绕不过去的问题

评论区里最有价值的一条不是夸。有位网友问得很直接：如果“保存状态”意味着把文本复制到新会话，那技能地图和复习计划怎么保证不丢？

这个问题戳到的不是 Jane Street 这一份 prompt，是整个“面试式 prompt”品类的共同边界。同一时间，挪威 NTNU 的 Thomas 在评论里贴了他们做研究经费申请导师的仓库：research-grant-mentors，system prompt 公开，正在找其他大学讨论这套做法。那份文档把限制写得比大多数产品说明都诚实：

• 它只知道自己的指令和你写下的内容，不联网查资料
• 跨会话没有记忆，新对话从零开始
• 对话太长会超出模型能读的范围，最早的消息会掉出去或被摘要替换，而且它不会告诉你
• 它答对和答错时语气一样确定
• 同一个问题问两次，答案可能不同
• 语言模型倾向于附和对话方，你得主动要它挑毛病
• 它可能编造参考文献

把这些套回 socratic-tutor，结论很简单：那张 0 到 5 级的技能地图和复习计划，实际维护者是你，不是模型。想让间隔复习真的发生，你得自己把地图存下来，下次开新对话时贴回去。

一点判断

这个技能的价值不在“教得更好”。它做的是把学习成本推回给你：不给你答案，逼你自己说出来。对习惯了让 AI 直接产出结果的人，这算是一种冒犯。评论区有人说得很实在，“一次只问一个问题很好，直到你只想要答案，那时候感觉像在上课”。

还有一条反向需求也挺有意思：有网友说自己想要的是反过来，他当苏格拉底，AI 当学生。

同一个 prompt，能读出完全不同的期待。这大概也说明，问题不在于模型会不会教，而在于你愿不愿意被问。