DocumentsCommunity

lecture-to-hw

A Codex skill that turns course lectures, homework files, classroom code, and previous solution style into concise Markdown submissions.

vect-GAdded Oct 3, 2026

Catalog skill by vect-G: A Codex skill that turns course lectures, homework files, classroom code, and previous solution style into concise Markdown submissions. Install into Cursor, Claude, Codex, or VS Code from this page or review the source for lecture-to-hw.

Add to Cursor Add to VS Code Add to Claude Add to Codex View source

Ads

Installation

git clone https://github.com/vect-G/lecture-to-hw

Install guides: Cursor skills, Claude Code skills, Codex skills, or VS Code Copilot skills.

Skill body

Lecture to HW

工作流

扫描当前课程目录。
- 优先用 rg --files，必要时配合 find、ls 和定向 rg。
- 找出作业文件、课件、课堂代码、notebook、HTML demo、数据、图片和历史 solution。
- 作业题目可能是 PDF、DOCX、DOC、Markdown、HTML、notebook、纯文本、图片或压缩包中的文件。
- 根据 hw 编号、课件编号、文件名关键词和目录结构推断对应关系，不假设命名一定规范。
读取作业要求。
- PDF 作业优先用 pdftotext -layout 提取。
- DOCX/DOC 作业不要只信纯文本提取；优先读取正文结构，并尽量转换成 PDF 或渲染页面检查公式、表格、图片和版面。可用 LibreOffice、pandoc、系统预览/打印、或现有文档工具链，选择当前环境可用且不破坏原文件的方法。
- Markdown、HTML、notebook 和纯文本可以直接读取；图片题目需要 OCR 或视觉识别，并保留不确定处。
- 如果公式、图、表格或版面可能被误读，用 pdftoppm 渲染页面或做视觉检查。
- 提取每道题的任务、给定数据、输出要求、方法限制、保留小数规则，以及是否需要代码或图片。
- 如果题目识别不完整、公式/表格无法确认、多个文件可能都是作业要求，先向用户说明不确定点并请求确认，不要一气乱写。
匹配课件和代码。
- 用题目关键词搜索课件和代码，例如搜索、CSP、博弈、线性回归、逻辑回归、MLP、CNN、强化学习等。
- 优先采用匹配课件里的术语、公式、算法、记号和解题粒度。
- 如果课堂代码、HTML demo、实验报告、notebook 或数据能直接支持答案，优先复用。
- 除非题目要求，不引入明显超出课程范围的高级方法。
学习历史答案风格。
- 读取最近或最相关的历史 Markdown，例如 作业/hw*_solution/*.md。
- 只提取格式习惯，不照抄内容：标题、姓名/学号/班级行、标题层级、公式写法、表格风格、图片引用和答案长度。
- 默认写成认真大学生提交作业的口吻：简洁、只踩采分点、有必要中间步骤、不写废话。
决定单 agent 还是并行模式。
- 先由主 agent 充当 controller，负责读题、拆题、调度、验收和最终组装。
- 如果题目能按独立小问、实验模块、课件章节或数据流程清楚解耦，并且各部分没有强依赖，就可以开启并行模式。
- 默认最多同时 4 个子代理；如果用户明确需要更多，且任务仍然能安全拆分，可少量增加，但不要为了并行而并行。
- 如果题面不清楚、格式识别不稳、题目很短、或多个小问彼此强耦合，就用单 agent 模式。
- 子代理只做边界清楚的任务，例如某道题的草稿、某个实验复现、某份课件对应关系确认、或独立 critic。
- 不要让多个子代理同时改同一个最终 Markdown；主 agent 统一收口、去重和定稿。
解题并验证。
- 符号推导题用手算推导。
- 数值、实验、绘图、模型、搜索或仿真题，在 solution 文件夹里写最小可复现代码。
- 优先使用用户指定环境，例如 conda run -n PR python ...；未指定时使用当前可用 Python。
- 代码保持短小，只服务于作业结果。运行后把必要结果写入 Markdown。
生成输出。
- 每次作业创建独立目录，例如 作业/hw5_solution/。
- 至少输出一个 Markdown 答案文件，例如 hw5 姓名.md，文件名尽量匹配历史习惯。
- 只添加必要附件：脚本、图片、数据或题目要求的文件。
- 不生成无关 README、日志、空模板或没用上的脚手架。
提交前 review。
- 重新阅读作业、对应课件、生成的 Markdown 和支持代码。
- 检查每个小问是否回答完整。
- 检查公式、正负号、维度、索引、小数、表格、图片、文件名和题号。
- 检查代码能运行，Markdown 中的数值来自验证结果。
- 删掉明显 AI 味：长背景、空泛总结、过多小标题、夸张解释、无依据结论。
做组装后 review。
- 先看主 agent 自己的把握：如果工程量大、题目复杂、或仍有不确定点，就再开一个老师/助教视角的 critic 子代理。
- critic 先读作业和对应课件，再检查生成的 Markdown 与代码，重点看是否漏题、是否有逻辑/公式/数值错误、是否用了不符合课件的方法、是否有明显 AI 味。
- 主 agent 根据 critic 意见修正后再交付。
- 最终回复里给出可信度分级（高/中/低）和需要用户手动复核的地方。

答案风格

使用 Markdown 和 LaTeX 公式。
小标题短而少。
优先用直接计算、紧凑表格和必要的最终结论。
写必要中间步骤，但不过度解释常规定义。
如果历史答案里有姓名、学号、班级，沿用对应格式。
语气朴素、认真，像学生自己写的作业。
避免“本文将”“综上所述”“作为 AI”、大段背景介绍、动机说明和装饰性总结。

最终回复

简短说明：

生成了哪些文件、在哪里；
跑了哪些验证或检查；
review 后修了什么；
当前作业可信度：高/中/低，并说明原因；
需要用户手动复核的地方，如果有。

lecture-to-hw

Installation

Skill body

Lecture to HW

工作流

答案风格

最终回复

Related skills

Skill body

Skill body

Lecture to HW

工作流

答案风格

最终回复

Related skills