Claude Info
Код-ревью

learn-codebase

ktaletsk/learn-codebase

Антипод вайб-кодинга: скилл обучает через вопросы и активное воспроизведение знаний. Ведёт журнал обучения, отслеживает пробелы и строит устойчивую ментальную модель кода. Идеален для онбординга, работы с легаси и подготовки к PR.

Установка

terminal
bash
npx skills add ktaletsk/learn-codebase -g

README

learn-codebase

Антипод вайб-кодинга. Сократический наставник, который обучает вас кодовым базам через вопросы и активное воспроизведение знаний — потому что в зрелых проектах понимание важнее скорости.

AI Agent Skill License: MIT

Для онбординга в большой репозиторий, подготовки PR или работы с легаси-кодом без притворства, что вы его понимаете.

Попробуйте за 2 минуты

  1. Установите скилл с помощью npx skills (см. Установка для вариантов)
  2. Откройте любой проект, который хотите изучить
  3. Начните сессию командой /learn-codebase

Пример (установка один раз для всех проектов, затем открытие репозитория):

bash
npx skills add ktaletsk/learn-codebase -g
cd /path/to/repo-you-want-to-learn
# затем в вашем AI-агенте:
/learn-codebase

Что происходит дальше:

  • скилл спрашивает, что именно вы хотите изучить
  • заставляет вас делать предположения до того, как раскрыть ответы — нельзя просто пролистать пробел
  • ведёт журнал обучения в .claude/learning-journal.md, отслеживая, что вы уверенно знаете, а что ещё «блефуете»
  • помогает выстроить ментальную модель, которая сохраняется после завершения чата

Дошло? Если скилл помог вам по-настоящему разобраться в кодовой базе, поделитесь историей — и поставьте звезду репозиторию, если он оказался полезным.

Для кого этот скилл

Отлично подходит для:

  • инженеров, проходящих онбординг в незнакомую или зрелую кодовую базу
  • контрибьюторов open source, готовящих свой первый значимый PR
  • разработчиков и студентов, которые хотят понимать код, а не просто генерировать его
  • людей, отлаживающих или рефакторящих системы, которые они не писали
  • всех, кто готов сказать «я на самом деле не знаю» вслух, вместо того чтобы кивать

Вероятно, не подходит для:

  • прототипирования с нуля, где скорость важнее глубины
  • сценариев «просто дай мне патч»
  • тех, кто хочет, чтобы AI отвечал немедленно без встречных вопросов
  • тех, кто хочет ощущения понимания без работы ради него

Зачем это нужно

Инструменты AI-кодинга позволяют легко шипить код, который вы не понимаете — и, что хуже, легко чувствовать, что понимаете. Для проектов с нуля это работает. В зрелой кодовой базе с реальными стандартами качества «работает на моей машине» — это способ написать PR, который вы не сможете защитить на ревью.

Этот скилл — то самое трение, от которого вы отказались, когда начали вайб-кодить. Он переворачивает стандартную модель взаимодействия с AI:

Обычный AI-кодингlearn-codebase
Сразу показывает код❌ Просит сначала сделать предположение
Отвечает на ваши вопросы❌ Задаёт уточняющие вопросы в ответ
Оптимизирует скорость❌ Оптимизирует запоминание
Забывает между сессиями❌ Ведёт журнал обучения
Делает вас зависимым😬❌ Строит вашу самостоятельность

Проблема

Вы знаете это ощущение после интенсивного AI-кодинга — как плавание с ластами, а потом без них? Деградация навыков реальна, но это меньшая проблема. Большая — разрыв между тем, что вы думаете, что знаете, и тем, что вы реально можете объяснить.

Исследование 2025 года показало: разработчики, использующие AI на знакомых кодовых базах, работали на 19% медленнее тех, кто обходился без AI, — но при этом считали, что работают на 20% быстрее. Этот разрыв в 39 пунктов — цена нечестности с самим собой.

Этот скилл для тех, кому нужно по-настоящему учиться, а не просто чувствовать продуктивность:

  • онбординг в кодовую базу новой команды
  • подготовка к контрибьюции в open source
  • понимание легаси-кода перед рефакторингом
  • выработка уверенности перед код-ревью — заработанной, а не на ощущениях

Проверено в бою

Протестировано на популярном open source проекте (5M+ загрузок в месяц, большой TypeScript-монорепозиторий).

Исходная точка: нужно было внести вклад в flow загрузки файлов, но надёжной ментальной модели архитектуры ещё не было.

Что сделал скилл:

  • запрашивал предположения до показа кода
  • выявил непонимание вокруг AbortController
  • удерживал обсуждение на уровне архитектуры перед погружением в файлы
  • фиксировал прогресс в журнале обучения для следующей сессии

Результат примерно за 30 минут:

  • 2 концепции переведены из 🔴 в 🟡
  • 1 момент озарения зафиксирован
  • весь flow загрузки прослежен самостоятельно, своими словами
  • уверенность сместилась от «я, может, смогу в этом покопаться» к «я могу реализовать это без притворства, что понимаю»

Как это выглядит на практике

СценарийОбычный AI-агентlearn-codebase
«Как работает загрузка?»Показывает полный дамп кода«Что, по-вашему, должен вернуть upload()
Пользователь не знает AbortControllerПредполагает знание или объясняет избыточноОбнаруживает пробел, объясняет просто, возвращается к вопросам
Сложная архитектура«Вот 5 файлов для чтения»«Концептуально это три слоя: UI, Model, Services»
Конец сессии«Дайте знать, если нужна помощь»«Вот 4 конкретных варианта следующих шагов»
Следующая сессияНачинает с нуляЧитает журнал: «В прошлый раз вы изучали flow загрузки...»

Почему не использовать агент обычным способом?

Большинство AI-агентов настроены на выполнение задачи: выдать ответ, разблокировать вас, двигаться дальше. Этот скилл настроен на то, чтобы вы могли объяснить то, что сделали — другая цель, другое трение. Вы по-прежнему используете того же агента; вы добавляете режим, который противостоит ложной беглости.

Обычный агент кодингаlearn-codebase
Поведение по умолчаниюОтвечает быстроЗаставляет думать сначала
Главная оптимизацияВыполнение задачиФормирование ментальной модели
При непониманииСклонен сглаживатьИспользует непонимание как обучающий сигнал
Между сессиямиЧасто начинает зановоНакапливает понимание в журнале
Долгосрочный эффектБыстрее сейчас, часто поверхностнее потомМедленнее сейчас, глубже потом

Похожие скиллы