其他语言 / Other Languages:
欢迎提 Issue，也欢迎分享你的 PDF 课本。 项目近期迭代较快，当前版本可能仍有疏漏或兼容性问题；遇到问题或有改进建议，欢迎提交 Issue。也欢迎通过 Issue 或 PR 分享不同主题的 PDF 案例，以及你使用的 LLM 名称与版本、输入提示词、生成效果、耗时和实际费用，一起找出哪些模型讲得最好、哪些最便宜、哪些性价比最高。分享前请移除个人信息和 API Key，并确认材料可以公开。
动画由 huashu-design skill 制作
「你想上的下一堂大学课，何必等开学。」 "Your next university lecture doesn't have to wait for a new semester."
把一位大学教授装进你的 AI，把任何主题变成一堂真正的大学课。
Put a university professor in your AI. Turn any topic into a real university lecture.
两个可独立安装的 Agent Skills：约 20 页快速阅读 · 超过 40 页系统讲解。
想学蛋白质设计、JEPA，或一个从没接触过的领域？
告诉 AI 你想学什么，让它像一位好教授那样，从基础讲到原理，从例子讲到实践。
需要带走慢慢读，也可以直接说：帮我写一本 PDF 课本。
看效果 · 安装 · 两个 Skill 怎么选 · 工作原理
只需说出你想学的主题，以及你希望怎样学。
用户 ❯ 帮我写一本 PDF 课本：从零入门蛋白质结构设计 AI4S。
假设我只有高中生物和数学基础。
大学.skill ❯ 从氨基酸如何组成蛋白质讲起，解释序列、结构与功能的关系，
再区分结构预测和蛋白质设计各自在解决什么问题。
随后进入 AI 方法，用示意图、具体案例和练习逐步展开。
最后整理为 PDF 课本，附术语表、自测答案与文献导航。
用户 ❯ 帮我写一本 PDF 课本：从零入门 JEPA 模型。
要讲清原理，用小数字走一遍，再给最小代码示例。
大学.skill ❯ 先解释为什么要学习表示，以及预测表示和重建像素有何区别。
再拆开上下文编码器、目标编码器和预测器，
用低维例子说明信息如何流动、损失如何计算，
然后讨论表示坍塌、训练机制与不同 JEPA 变体的边界。
用户 ❯ 帮我写一本 PDF 课本：从零理解 RSI 的发展和原理。
大学.skill ❯ 这里的 RSI 是递归自我改进，还是金融中的相对强弱指标？
确定含义后，从它要解决的问题出发，串起发展脉络、
核心原理、具体例子和适用边界，关键事实逐项核实来源。
再看一个具体的手算片段：
你 › 我只有高中数学基础，给我讲透梯度下降。
大学.skill › 先从一个只有一个参数的模型开始：预测值 = w × x。
x = 2，目标值 = 6，初始 w = 1。
预测：1 × 2 = 2
误差：2 − 6 = −4
损失：½ × (−4)² = 8
梯度：(2 − 6) × 2 = −8
更新：1 − 0.1 × (−8) = 1.8
新损失：½ × (3.6 − 6)² = 2.88
为什么是减去梯度？步长太大会怎样？
从这一个数字例子，接着推到一般公式与代码。
以上对话为使用示例，展示两个 skill 的预期教学方式。
下面两份是这套教学方法产出的真实课本，可直接下载阅读。截图展示的不是单独设计的宣传页，而是 PDF 内页。
47 页 · A4 · 面向只有高中生物和数学基础的读者
从原子、分子、能量和蛋白质折叠问题讲起，逐步进入 AlphaFold2、扩散模型、ProteinMPNN 与 RFdiffusion。后半部分用三个点完整手算距离、旋转等变性和扩散去噪，并给出代码、名词表与自测答案。
封面与课程地图 · AlphaFold2 机制图 · 从三个点开始的完整手算
13 页 · A4 · 从优化器基础走到前沿算法与严格数学
先建立损失、梯度、动量与 AdamW 的基础，再解释 Muon 为什么要把更新矩阵正交化。内容覆盖极分解、牛顿-舒尔茨迭代、收敛数值表、PyTorch 代码，以及从导数到最佳逼近定理的数学附录。
从优化器基础开始 · 矩阵正交化的几何直觉 · 数值迭代与代码实现
把下面这句话交给你正在使用的技能兼容助手：
帮我安装这个 skill：https://github.com/walkinglabs/university-skill
克隆仓库后，将 skills/ 下的两个技能目录复制到所用工具的技能目录。例如在 Codex 中：
git clone https://github.com/walkinglabs/university-skill.git
cp -R university-skill/skills/university-textbook ~/.codex/skills/
cp -R university-skill/skills/university-coursebook ~/.codex/skills/两个入口分别是 university-textbook 与 university-coursebook。纯讲义写作不需要额外 API Key；PDF 需要中文 LaTeX 环境，代码验证需要相应语言与依赖。
如果助手不支持自动加载技能，可以直接提供 约 20 页快速阅读 SKILL.md 或 超过 40 页系统讲解 SKILL.md。每个技能所需的指南和模板都放在自己的目录内。
帮我写一本 PDF 课本：从零入门蛋白质结构预测与设计 AI4S。
帮我写一本 PDF 课本：从零入门 JEPA 模型，附手算和代码。
帮我写一本 PDF 课本：从零理解递归自我改进（RSI）的发展和原理。
给我上一堂关于注意力机制的大学课，所有矩阵计算都用小数字走一遍。
把这篇论文讲给我听，先补必要前置，再推导核心方法。
想先快速读懂，选 university-textbook：约 20 页。想从零系统学透，选 university-coursebook：超过 40 页。
| Skill | 什么时候用 | 核心交付 |
|---|---|---|
university-textbook |
快速入门或阅读前预习，集中理解一个主题的关键原理 | 约 20 页的精简课本，保留关键推导、代表性手算与代码 |
university-coursebook |
从零系统学习，需要充分铺垫、逐层解释和完整练习 | 超过 40 页的系统课本，包含前置知识、完整机制、实操与附录 |
两者都遵循“直觉 → 低维手算 → 严格定义 → 实现与边界”的教授式教学路径，并带齐自身需要的提示词、排版规范和参考文件。
用 university-textbook 写一本约 20 页的 PDF，帮我快速读懂 JEPA 的核心原理。
用 university-coursebook 写一本超过 40 页的 PDF，从零系统解释蛋白质结构预测与设计 AI4S。
| 快速阅读 · university-textbook | 系统讲解 · university-coursebook | |
|---|---|---|
| 适用 | 快速把握主题与关键原理 | 从零建立完整领域地图 |
| 体量 | 约 20 页 | 超过 40 页（>40） |
| 主线 | 聚焦核心概念、关键推导和一个完整例子 | 充分展开前置知识、机制、实操与附录四件套 |
| 产物 | LaTeX / PDF / Markdown、代码与推导 | 分卷 LaTeX、PDF、自测与来源导航 |
页数为写作目标，以最终编译结果为准。非技术主题使用案例、史料与论证，不强行加入数学或代码。
一个主题
│
├── 定起点 读者基础 / 学习目标 / 输出档位
├── 建地图 前置依赖 / 符号表 / 来源核实
├── 写深度 直觉 → 手算 → 正式定义 → 实现
├── 分卷装订 章节衔接 / 机制图 / 附录四件套
└── 验证交付 数值 / 代码 / 引用 / PDF 排版
讲得清楚，算得出来，查得到来源。
类比只留给真正的难点，正文保持平静专业。新知识先铺路，严格形式放进可继续钻研的附录。学习成效根据真实作答判断，不能由助手自行宣布。
university-skill/
├── assets/
│ ├── hero.gif # README 开场动画
│ └── samples/ # 完整 PDF 与代表页截图
├── skills/
│ ├── university-textbook/
│ └── university-coursebook/
├── README.md # 中文介绍
└── README_EN.md # English
最有价值的反馈是一句：“我在这一步没跟上。”
带上主题、基础和那一段讲解，提交 Issue。贡献新的手算示例、纠正推导、检验代码，或用一个新主题测试教学流程。
- 五道口纳什 · wdkns-skills：一组把 YouTube / Bilibili 视频讲座、Markdown 长文和系列课程转成结构化 LaTeX / PDF 教材的 Codex Skills；本项目借鉴了它从素材获取、内容重写到可交付 PDF 的完整链路与仓库组织方式。
- 女娲.skill：README 的叙事编排与开场动效形式。
当前为初始化版本，不代表大学认证或真实教授授课；教学效果仍需实际学习验证。
把一位大学教授装进你的 AI，把任何主题变成一堂真正的大学课。
Put a university professor in your AI. Turn any topic into a real university lecture.
University.skill · Built by walkinglabs