核心用法
Self-Improving Skill 是一套系统化的技能发展框架，旨在将"多练习"的模糊目标转化为基于证据的精准成长路径。用户需完成三个核心动作：
1. 技能定义：创建 .learnings/skills/SKILL_NAME.md 文件，明确当前等级（1-10）、目标等级、里程碑时间表及基线评估
2. 练习日志：每次训练后记录时长、质量评分（1-10）、聚焦领域、遇到的挑战与突破，以及关键洞察
3. 定期复盘：每周/月分析进步曲线，识别瓶颈（如"算法复杂度理论薄弱"或"周末动力下降"），并调整训练策略
系统提供量化指标追踪：技能等级进步速度（优秀标准为每月1.0分）、一致性比率、质量趋势，并与行业基准对比。
显著优点
- 科学依据扎实：整合 Anders Ericsson 的刻意练习理论、Dreyfus 技能获取模型、Barbara Oakley 的学习科学研究
- 可操作性极强：提供 Markdown 模板、Bash 快速记录脚本、Python 可视化示例，降低使用门槛
- 分层策略精准：针对初级（基础 mastery）、中级（项目应用）、高级（专业化与教学）分别制定差异化策略
- 防坑机制完善：明确识别"无效练习""贪多嚼不烂""缺乏反馈"等四大陷阱及解决方案
- 生态兼容：可与 Self-Improving-Habit（习惯追踪）、Self-Improving-Learning（学习方法）、Self-Improving-Work（职业发展）联动
潜在局限
- 自我报告偏差：质量评分、技能等级均为自评，缺乏客观验证易致"虚假进步感"
- 外部反馈依赖：系统提醒用户"找导师""加入社区"，但未内置反馈获取机制，执行难度较高
- 领域适配不均：示例偏重编程、设计等可量化领域，对软技能（沟通、领导力）的测量方式模糊
- 动力维持缺口：虽识别"周末动力下降"等现象，但未提供行为设计层面的干预方案（如游戏化、社交承诺）
- 长期可持续性：要求每次练习后写结构化日志，对高频率练习者可能形成记录负担
适合人群
- 自学型技术从业者：程序员、设计师等需要持续提升硬技能的人群
- 目标明确的阶段性学习者：备考、转行、备战比赛等有清晰时间节点的学习者
- 数据驱动型人格：喜欢量化追踪、可视化进步、系统优化训练方法的效率追求者
常规风险
| 风险类型 | 具体表现 | 缓释建议 |
|---------|---------|---------|
| 记录倦怠 | 初期热情记录，后期放弃追踪 | 降低颗粒度，允许简写；使用语音转文字快速记录 |
| 指标游戏化 | 为提高分数而虚假自评 | 定期引入外部评估（考试、项目评审、同行反馈） |
| 过度优化系统 | 花更多时间调系统而非练习 | 设定"系统维护时间上限"（如每周15分钟） |
| 忽视恢复 | 追求一致性导致 burnout | 系统设计已建议 4-5 次/周优于 7 次，需严格遵守 |
来源可信度说明
系统明确标注理论来源（Ericsson、Kaufman、Oakley 等），且刻意练习理论经过同行评审验证。但具体模板设计为作者整合创作，未经过大规模实证检验，属于"基于科学原理的实践框架"而非"已验证的干预方案"。