영어 · 中文

재료에서 배우기

책, PDF, 슬라이드, 워드 문서, 웹페이지, 다중 파일 자료 세트를 추적 가능한 지식 베이스, 인터랙티브 학습 페이지, 그리고 동일한 콘텐츠 데이터를 기반으로 파생된 마크다운으로 전환합니다.

learn-from-materials는 오픈 에이전트 기술 명세를 기반으로 한 크로스 에이전트 학습 기술입니다. 체계적 연구는 완전한 독서를 강조하며; 간단한 개요를 통해 핵심 논거를 추출합니다. 두 방법 모두 검증 가능한 출처, 중요한 사실과 모델 추가 콘텐츠 간의 엄격한 분리, 오프라인 우선 운영, 그리고 최소 권한 적용을 요구합니다.

WorkBuddy, Codex, Claude Code, GitHub Copilot CLI와 같이 파일을 읽고 로컬 명령어 실행하며 SKILL.md을 인식할 수 있는 에이전트 환경에서 작동합니다. 파일 시스템 접근이나 Python 실행이 없는 순수 채팅 환경은 프롬프트 워크플로우의 일부만 사용할 수 있으며; 자재 추출, 커버리지 검증, HTML 렌더링은 수행할 수 없습니다.

1.1.0

단일 순차적 워크플로우가 실행 모드 선택이나 선택 파일 없이 재료를 직접 추출합니다. 소스 우선 단위 레코드는 동일한 데이터에서 페이지와 읽을 수 있는 단위를 도출합니다.

English · 中文

learn-from-materials

Turn books, PDFs, slides, Word documents, web pages, and multi-file material sets into traceable knowledge bases, interactive learning pages, and Markdown derived from the same content data.

learn-from-materials is a cross-agent learning skill built on the open Agent Skills specification. Systematic study emphasizes complete reading; a quick overview extracts the core argument. Both require verifiable sources, a strict separation between material facts and model-added content, offline-first operation, and least privilege.

It works in agent environments that can read files, run local commands, and recognize SKILL.md — such as WorkBuddy, Codex, Claude Code, and GitHub Copilot CLI. Pure chat environments without file-system access or Python execution can only use parts of the prompting workflow; they cannot perform material extraction, coverage validation, or HTML rendering.

1.1.0

A single sequential workflow extracts materials directly, without an execution-mode choice or choice file. Source-first unit records derive the page and readable units from the same data. Unit rereads and final correctness and omission/application passes retain actual evidence and dependency fingerprints.

This release adds relationship inventories, resumable checkpoints, acceptance snapshots and phase timing; improves framework curves, outside lists for unlinked cards, direction cues and source tooltips; and exports a standalone methodology Markdown at the delivery root. See CHANGELOG.md for cumulative changes and migration from the local 1.06 package.

Key Features

A Methodology That Spans the Whole Material

It starts by extracting the material’s central question and its goal, then organizes the argument, frameworks and action rules into one complete structure. It supports the main flow, decision branches, causal and hierarchical relations, and evidence-backed feedback loops; it does not fix a step count and does not force every material into an eight-step process. The overview is not split into groups by node count, and selecting a node shows its inputs, actions, outputs, check conditions, related learning units and sources.