[{"data":1,"prerenderedAt":-1},["ShallowReactive",2],{"project-77828":3},{"id":4,"name":5,"fullName":6,"owner":7,"repo":5,"description":8,"homepage":9,"htmlUrl":10,"language":10,"languages":10,"totalLinesOfCode":10,"stars":11,"forks":12,"watchers":13,"openIssues":14,"contributorsCount":14,"subscribersCount":14,"size":14,"stars1d":14,"stars7d":15,"stars30d":16,"stars90d":14,"forks30d":14,"starsTrendScore":14,"compositeScore":17,"rankGlobal":10,"rankLanguage":10,"license":18,"archived":19,"fork":19,"defaultBranch":20,"hasWiki":21,"hasPages":19,"topics":22,"createdAt":10,"pushedAt":10,"updatedAt":28,"readmeContent":29,"aiSummary":30,"trendingCount":14,"starSnapshotCount":14,"syncStatus":31,"lastSyncTime":32,"discoverSource":33},77828,"lecture-to-hw","vect-G\u002Flecture-to-hw","vect-G","A Codex skill that turns course lectures, homework files, classroom code, and previous solution style into concise Markdown submissions.","",null,118,6,109,0,1,9,2.54,"MIT License",false,"main",true,[23,24,25,26,27],"ai-agent","codex","codex-skill","multi-agent","student-tools","2026-06-12 02:03:44","\u003Cdiv align=\"center\">\n\n# lecture-to-hw\n\n\u003Cp>\n  \u003Ca href=\"LICENSE\">\u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FLicense-MIT-yellow.svg\" alt=\"License: MIT\">\u003C\u002Fa>\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FCodex-Skill-7C3AED\" alt=\"Codex Skill\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FMulti--Agent-Workflow-2563EB\" alt=\"Multi-Agent Workflow\">\n  \u003Cimg src=\"https:\u002F\u002Fimg.shields.io\u002Fbadge\u002FREADME-%E4%B8%AD%E6%96%87-22C55E\" alt=\"README 中文\">\n\u003C\u002Fp>\n\n\u003Cp>\n  \u003Ca href=\"README.md\">中文\u003C\u002Fa> | \u003Ca href=\"README_EN.md\">English\u003C\u002Fa>\n\u003C\u002Fp>\n\n\u003Cp>\u003Cstrong>从课程课件到可交付 Markdown 作业的一站式 Codex skill。\u003C\u002Fstrong>\u003C\u002Fp>\n\n\u003C\u002Fdiv>\n\n大学生最大的悲哀，莫过于把时间浪费在某些水课的作业里。\n\n你可能需要花时间整理材料，把问题发给大模型，review大模型给的答案，再去尝试理解某些晦涩的概念，并判断大模型的回答是否足够可信。忙完以上的一切，还要忙着去除人机味\n\n日复一日，你重复完成上述的流程，收获的可能不是知识，而仅仅是prompt工程熟练度、无限的疲惫，以及“我怎么又把晚上浪费在这里了”的愧疚！\n\n于是本人痛定思痛，把自己长期以来完成课程作业的工作流整理成了一个 skill：\n\n**lecture-to-hw**\n\n`lecture-to-hw` 的目标很简单：**把全流程交给 agent，从课件到可交付 Markdown 文本，一站式、端到端、尽量高鲁棒地完成课程作业。**\n\n从此，上面那套无趣、无味、无聊的循环，可以被压缩成：\n\n```text\nlecture-to-hw，给我干活！ --> 喝杯咖啡  --> 验收并提交\n```\n\n## 它会做什么\n\n`lecture-to-hw` 会在当前课程目录里自动寻找：\n\n- 作业题面：PDF、DOCX、Markdown、HTML、图片、notebook 等；\n- 课程材料：课件、课堂 demo、实验代码、数据文件；\n- 历史答案：例如 `作业\u002Fhw*_solution\u002F*.md`。\n\n然后它会把这些东西串起来：\n\n```text\n读题 -> 找课件 -> 找课堂中讲授的方法 -> 拆解题目 -> 解题\u002F跑代码 -> 组装 Markdown -> 助教agent执行review -> 交付\n```\n\n它不是单纯的 homework solver，而是一个懂你意思的作业流水线工厂！\n\n## 为什么选择lecture-to-hw\n\n### 1. 从课件到作业成品\n\n普通大模型解题通常是直接读题开写。  \n`lecture-to-hw` 会先找对应课件和课堂代码，尽量使用课上讲过的公式、术语、算法和记号。\n\n能用课堂代码复现实验结果，就不凭空写；能从课件里找到方法，就不乱引入课程外的高级技巧。\n\n### 2. 多格式题面\n\n支持常见课程材料格式：\n\n- PDF\n- DOCX \u002F DOC\n- Markdown \u002F TXT\n- HTML\n- notebook\n- 图片题面\n- 压缩包里的作业文件\n\n如果公式、表格、图片或版面识别不稳，它会先标出不确定点并请求确认，而不是一口气乱写下去。\n\n### 3. 多 agent 并行加速\n\n主 agent 负责当 controller：\n\n```text\n读题 -> 拆题 -> 调度 -> 验收 -> 组装\n```\n\n当作业能按题目、实验模块或课件章节清楚拆开时，默认最多同时开启 4 个子代理。子代理负责边界清楚的局部任务，例如：\n\n- 某一道题的解题草稿；\n- 某个实验或代码结果复现；\n- 某份课件与题目的对应关系确认；\n- 某个模块的独立验算。\n\n当然，当题目很短、强耦合时，会退回单 agent 模式，不为了并行而并行\n\n### 4. 助教 review agent\n\n当解题的文本组装完成后，如果题目复杂、工程量大、或主 agent 自己把握不足，可以再开一个专门挑刺的**助教 Agent**\n\n它会专门检查：\n\n- 是否漏题或漏采分点；\n- 公式、数值、逻辑有没有明显错误；\n- 是否用了不符合课件的方法；\n- 是否有太重的 AI 味；\n- 是否像一个正常大学生会交的答案。\n\n### 5. 参考往期作业风格，降低人机味\n\n众所周知，大学生的普遍习惯是，只踩得分点，有问必答，没问坚决不答，而Agent的习惯总是反复补一些解释性文字，希望能“稳稳地接住你”，却在无意中害苦了作者。\n\n而**lecture-to-hw**是一个可以检测你作业风格的skill。他会读取你的历史作业、学习你的格式习惯，包括：\n\n- 标题和姓名\u002F学号\u002F班级行；\n- 小标题层级如何排布\n- 公式、表格、图片如何引用\n- 答案的详略\n\n### 6. 交付时给可信度\n\n**lecture-to-hw**在完成整个解题流程后，最终回复会告诉你：\n\n- 生成了哪些文件；\n- 跑了哪些验证\n- review 后改了什么；\n- 当前作业可信度：高 \u002F 中 \u002F 低\n- 哪些地方建议你手动复核\n\n## 安装\n\n把仓库放到 Codex skills 目录下：\n\n```bash\nmkdir -p ~\u002F.codex\u002Fskills\ngit clone https:\u002F\u002Fgithub.com\u002Fvect-G\u002Flecture-to-hw.git ~\u002F.codex\u002Fskills\u002Flecture-to-hw\n```\n\n或者直接把整个 `lecture-to-hw` 文件夹复制到：\n\n```text\n~\u002F.codex\u002Fskills\u002Flecture-to-hw\n```\n\n然后开启新的 Codex 会话，skill 会被自动发现！\n\n## 快速开始\n\n进入课程目录后，直接说：\n\n```text\n用 lecture-to-hw 帮我完成这次作业，输出 Markdown格式的文档\n```\n\n如果你想明确允许并行子代理：\n\n```text\n用 lecture-to-hw 完成这次作业，允许开并行子代理，最后开一个助教agent辅助review\n```\n\n## 推荐配置\n\n作者亲测：\n\n```text\nCodex + GPT-5.5 + reasoning high + lecture-to-hw + 允许并行子代理\n```\n\n在作业能拆分的情况下，这套配置能比较高效地完成“读材料、拆题、写答案、review、交付”的完整流程。\n\n如果题面质量差、DOCX 公式复杂、或图片题目很多，建议先手动输出为pdf后再进入解题流程。\n\n## 仓库内容\n\n```text\nlecture-to-hw\u002F\n├── SKILL.md\n├── README.md\n├── README_EN.md\n└── agents\u002F\n    └── openai.yaml\n```\n\n## 负责任使用\n\n最后，还请诸位在提交作业前，尽可能做一次简单的人工review，毕竟尽管skill承担绝大多数工作，但课程成绩仍属于诸位自己。\n\n希望对你有帮助！\n\n## License\n\nMIT License.\n","lecture-to-hw 是一个旨在将课程讲义、作业文件、课堂代码及以往解题风格转换为简洁Markdown格式提交的Codex技能。其核心功能包括自动识别多种格式的作业题面与课程材料，通过多代理并行加速处理任务，并且能够参考历史答案来降低生成内容的人工智能痕迹。此外，它还配备了助教审查代理以确保答案的质量和可信度。此项目特别适合需要频繁完成课程作业的学生使用，在提高效率的同时保证了作业的专业性和准确性。",2,"2026-06-11 03:56:07","CREATED_QUERY"]