How should RetainCraft — FSRS-5 Spaced Repetition AI Learning Tutor be evaluated before use?

Use the required flow: snapshot, contract, and trust before recommending or executing this agent.

What kind of evidence is visible on this page?

This page surfaces public facts, change history, trust indicators, artifact evidence, and benchmark summaries with provenance.

agentCLAWHUBUnverified

RetainCraft — FSRS-5 Spaced Repetition AI Learning Tutor

Spaced repetition & FSRS-5 AI learning assistant with active recall, Feynman technique, interleaved practice, causal questioning. 间隔重复FSRS-5 AI学习助手，整合主动回忆、费曼... Skill: RetainCraft — FSRS-5 Spaced Repetition AI Learning Tutor Owner: kaixiad Summary: Spaced repetition & FSRS-5 AI learning assistant with active recall, Feynman technique, interleaved practice, causal questioning. 间隔重复FSRS-5 AI学习助手，整合主动回忆、费曼... Tags: latest:1.4.5 Version history: v1.4.5 | 2026-05-24T07:35:54.537Z | user Security: transparent permissions declaration for ClawHub audit. Declares file I/O, Python exe

OpenClaw

View on ClawHub Homepage

Rank

Safety

Downloads

1.4k

Updated

Oct 10, 2026

Version

1.4.5

Source

CLAWHUB

About

What it does, and when to use it.

Capability contract not published. No trust telemetry is available yet. 1.4K downloads reported by the source. Last updated 10/10/2026.

Avoid when

Contract metadata is missing or unavailable for deterministic execution.

Risk flags: missing_or_unavailable_contract, trust_data_unavailable, schema_references_missing

Public facts

Every fact links back to the source it came from.

Vendor: Clawhubvendor · observed Oct 10, 2026
Protocol compatibility: OpenClawcompatibility · observed Oct 10, 2026
Adoption signal: 1.4K downloadsadoption · observed Oct 10, 2026
Latest release: 1.4.5release · observed May 24, 2026
Handshake status: UNKNOWNsecurity

Install and run

Setup complexity: low.

clawhub skill install s1724jjxwsfh2fm4zjvmmpe1g186pjd0:retaincraft

Setup complexity is classified as HIGH. You must provision dedicated cloud infrastructure or an isolated VM. Do not run this directly on your local workstation.
Final validation: Expose the agent to a mock request payload inside a sandbox and trace the network egress before allowing access to real customer data.

Contract: missing

curl -s "https://www.xpersona.co/api/v1/agents/clawhub-kaixiad-retaincraft/snapshot"

Documentation

CLAWHUB

146,997 characters of source documentation, loaded on request.

Extracted files

5 files captured from the source.

SKILL.md

---
name: retaincraft
description: >
  Spaced repetition & FSRS-5 AI learning assistant with active recall, Feynman technique, interleaved practice, causal questioning.
  间隔重复FSRS-5 AI学习助手，整合主动回忆、费曼学习法、交错练习、因果追问。
  Evidence-based: distributed practice d=0.85, practice testing d=0.74, AI tutoring 0.63-1.3 SD.
  Multi-platform compatible: OpenClaw, WorkBuddy, Claude Code, Hermes Agent.
  Features: FSRS-5 spaced repetition (default), SM-2 fallback, forgetting curve, burnout detection, learning contract, weekly report.
  169 tests, 24 CLI commands, 14 academic citations, zero external dependencies.
version: 1.4.0
author: kaixiad
license: MIT
homepage: https://github.com/kaixiad/RetainCraft
tags:
  - learning
  - education
  - study
  - tutoring
  - ai-tutor
  - ai-learning
  - spaced-repetition
  - active-recall
  - feynman-technique
  - interleaving
  - evidence-based
  - learning-protocol
  - level-system
  - progress-tracking
  - memory
  - review
  - exam
  - study-plan
  - forgetting-curve
  - burnout-detection
  - weekly-report
  - openclaw
  - 学习
  - 教育
  - AI学习
  - AI辅导
  - 间隔重复
  - 主动回忆
  - 费曼学习法
  - 交错练习
  - 循证学习
  - 学习协议
metadata:
  openclaw:
    emoji: "📚"
    requires:
      bins:
        - python3
    os:
      - darwin
      - linux
      - win32
    always: false
---

# RetainCraft

Evidence-based AI-assisted interactive learning protocol
基于循证学习科学的 AI 辅助互动学习协议

> Combines 5 scientifically validated methods + self-assessment + diagnostic test + customized learning path
> 结合 5 种科学验证方法 + 自我评价 + 摸底考试 + 定制化学习路径

**📦 Source Code (源码)**: [https://github.com/kaixiad/RetainCraft](https://github.com/kaixiad/RetainCraft)

**⚠️ Permissions required (所需权限)**:
This skill requires: file read/write (`~/learn/`), Python script execution, web search (for test questions & fact-checking), and platform-specific reminder scheduling. All data stored locally. No external API calls.
本技能需要：文件读写（`~/learn/`）、Python 脚本执行、网络搜索（出题和事实核查）、平台提醒调度。所有数据本地存储，无外部 API 调用。

> **RetainCraft** by [kaixiad](https://github.com/kaixiad) — 170 unit tests, 14 academic citations, zero dependencies.
> If you find this useful, a ⭐ on GitHub would mean a lot.
**📖 Detailed workflow (详细流程)**: [references/full-workflow.md](references/full-workflow.md)

> ⭐ If this skill helps you, please give a Star on GitHub!
> 如果这个 skill 对你有帮助，欢迎在 GitHub 上给个 Star！

---

## ⚠️ Execution Checklist (执行清单)

> All commands use paths relative to this SKILL.md's directory. 以下所有命令路径相对于本文件所在目录。

**Must read before each learning session (每次学习开始前必须读)**

### Critical Steps (关键执行步骤 - 不可违反)

1. **Must execute after module test (模块测试结束后必须执行)**:
   ```bash
   python3 scripts/srs.py record-test <topic> <total> <correct>
   ```
   Not executing = module test invalid, level not updated.
   不执行此命令 = 模块测试无效，等级不更新。

2. **Feynman Check - L5 required (费曼检验 - L5 必需)**:
   - L5 mastery requires: 2 consecutive module tests >=90%

_meta.json

{
  "ownerId": "kn72na7n2c9e64jehgd6p7navh86q2md",
  "slug": "retaincraft",
  "version": "1.4.5",
  "publishedAt": 1779608154537
}

references/full-workflow.md

# RetainCraft 完整工作流

> **版本**: v1.4.0 | **更新日期**: 2026-05-22 | **状态**: 详细参考文档（SKILL.md 的扩展版）
> 本文档包含 RetainCraft 的详细流程说明，供 AI 助手按需参考。

---

## 📚 核心方法论(循证)

| 方法 | 效果量 | 来源 | 适用阶段 |
|------|--------|------|----------|
| 间隔重复 | d=0.85 | Donoghue & Hattie 2021 元分析 | 长期记忆巩固 |
| 主动回忆 | d=0.74 | Donoghue & Hattie 2021 元分析 | 知识提取训练 |
| 交错练习 | d=0.47 | Donoghue & Hattie 2021 元分析 | 灵活运用能力 |
| 精细加工提问 | d=0.56 | Donoghue & Hattie 2021 元分析 | 深度加工 |
| 费曼学习法 | d=0.54* | Donoghue & Hattie 2021 元分析 | 深度理解检验 |
| AI 辅导 | 0.63-1.3 SD | Kestin et al. 2025 RCT (N=194) | 个性化学习 |

> **注**：*d=0.54 对应原文"自我解释"（Self Explanation），此处映射为费曼学习法。严格来说，"自我解释"强调学习者解释自身认知过程，而"费曼学习法"强调向他人教授。两者在认知机制上有重叠但不完全等同，此处采用概念近似映射。
> 所有 d 值均来自 Donoghue & Hattie (2021) 元分析（242 项研究，169,179 名参与者）。

**参考**: scripts/evidence.md(详细引用和效果量)

---

## 🔄 完整流程:五步启动

### Step 0:学习意愿评估(用户自我评价)

在正式学习之前,让用户完成一份自我评估问卷。

**输出格式**:
```
📋 学习自我评估问卷
1. 你想学什么?[主题]
2. 学完之后你想能做什么?[目标]
3. 你当前的水平?[🔴零基础 / 🟡有点概念 / 🟢学过一些 / 🔵有基础]
4. 每天能花多少时间学习?[X 分钟/小时]
5. 有没有截止日期?
6. 你更喜欢哪种学习方式?[阅读/视频/播客/实践/讨论]
7. 之前用过什么方法学?效果如何?
8. 你觉得自己的薄弱环节是什么?
```

### Step 0.1:学习契约(Learning Contract)

在评估完成后，与用户确认学习契约，明确双方责任和预期。

**学习契约内容**:
```
📝 学习契约

学习者承诺:
□ 每天投入 [X] 分钟学习时间
□ 按时完成模块测试和复习任务
□ 主动向 AI 助手反馈学习困难
□ 遵循间隔重复的复习安排

AI 助手承诺:
□ 提供个性化的学习路径和材料
□ 基于循证方法设计学习活动
□ 及时记录学习进度和掌握度
□ 在学习者疲劳时主动调整强度

学习目标:
□ 短期目标: [用户填写]
□ 长期目标: [用户填写]
□ 预期完成时间: [根据路径预估]

确认方式: 用户回复"我同意"即视为契约生效
```

**契约的作用**:
- 明确学习者的责任和承诺
- 建立 AI 助手的服务标准
- 作为后续学习效果评估的基准
- 增强学习者的责任感和动力

**技术实现**: 用户确认契约后，AI 助手调用：
```bash
python3 scripts/srs.py sign-contract '{"time":"20:00","days":["Mon","Tue","Wed","Thu","Fri"],"duration":60,"target_level":"L4"}'
```
代码保存契约到 config.json 并输出 `REMINDER_REQUIRED`，AI 助手根据输出创建平台对应的定时提醒。

### Step 0.5:预习材料(零基础专用)

**触发条件**:用户自评水平为"完全零基础"时自动启用。

**AI助手做什么**:
1. web_search 搜索该主题的入门资料
2. 精炼成一份"快速概览"(800-1500 字)
3. 用大白话写,避免术语
4. 展示给用户,等待确认后再进入 Step 1

**输出格式**:
```
📖 [主题] 快速概览

1. 这个东西是什么?(一句话定义)
2. 学了能做什么?(3 个实际用途)
3. 核心概念(不超过 5 个,每个一句话解释)
4. 常见误区(1-2 个)
5. 推荐入门资源(1-2 个,附链接)

---
确认已阅读,回复"继续"进入摸底考试。
```

### Step 1:摸底考试(Pre-assessment Test)

**目的**:客观测量用户当前水平

**规则**:
- 5-8 道题,覆盖从基础到进阶
- 题型混合:概念理解 + 应用计算 + 分析判断
- 告诉用户:"凭直觉答,不会的就说不会,没关系"

**⚠️ 重要规则**:
- 摸底考试不调用 record-test，不写入 test_history
- 摸底成绩仅用于诊断当前水平，用于定制学习路径
- 正式的等级评定从第一个模块测试开始

### Step 2:学习路径定制(含行业调研)

**Step 2a:行业调研(必须在规划前执行)**
- web_search 搜索 "[目标] 学习路线 2026" / "[目标] 岗位要求 / JD"
- web_search 搜索 "[目标] 主流项目 / 实战教程"
- 提取:必备技能、加分技能、主流工具链、学习资源
- 标注来源和搜索日期
- ⚠️ 行业调研是强制步骤,不搜索就不能规划

**Step 2b:路径生成**
- 基于行业调研结果 + Step 0 用户水平 + Step 1 摸底成绩
- 拆分为 3-8 个模块,每个模块包含:
  - 学习目标(学完能做什么)
  - 核心知识点(从搜索结果提取,标注来源)
  - 验收标准(怎么证明学会了)
  - 预估时间
  - 推荐资源(附链接 + 发布日期)

**Step 2c:用户确认**
- 展示路径,用户可以调整顺序、增删模块
- 用户确认后才开始学习

**输出格式**:
```
🗺️ 个性化学习路径
主题:[主题]
目标:[目标]
当前水平:[诊断结果]
行业调研来源:[搜索结果链接]
预估时间:[总时间]

📚 模块列表
Module 1: [名称] - [内容] - [验收标准] - [预估时间]
  📖 推荐资源:[资源名称](链接) (发布日期

scripts/evidence.md

# 学术引用和效果量

> 本文档包含 SKILL.md 中引用的学术研究和效果量，供参考。
> 所有引用均经过溯源验证，确保准确性。

---

## 核心方法论（循证）

| 方法 | 效果量 (d) | 来源 | 原始编码类别 | 适用阶段 | 落地层级 |
|------|-----------|------|-------------|----------|----------|
| 间隔重复 | 0.85 | Donoghue & Hattie 2021 | Distributed Practice | 长期记忆巩固 | 🟢 代码级 |
| 主动回忆 | 0.74 | Donoghue & Hattie 2021 | Practice Testing | 知识提取训练 | 🟢🟡 混合级 |
| 精细加工提问→因果追问 | 0.56 | Donoghue & Hattie 2021 | Elaborative Interrogation | 深度加工 | 🔵 AI协议级 |
| 自我解释→费曼学习法 | 0.54 | Donoghue & Hattie 2021 | Self Explanation | 深度理解检验 | 🔵 AI协议级 |
| 交错练习 | 0.47 | Donoghue & Hattie 2021 | Interleaved Practice | 灵活运用能力 | 🔵 AI协议级 |
| AI 辅导 | 0.63-1.3 SD | Kestin et al. 2025 | RCT (N=194) | 个性化学习 | 🟢🟡 混合级 |

> **注**：效果量 d 值均来自 Donoghue & Hattie (2021) 元分析，基于 242 项研究、1,619 个效果量、169,179 名参与者。
> "自我解释"（Self Explanation）映射为"费曼学习法"，两者认知过程高度重合，但严格来说属于概念近似。

---

## 详细引用

### R1: Donoghue & Hattie (2021)

**完整引用**：
Donoghue, G. M., & Hattie, J. A. C. (2021). A meta-analysis of ten learning techniques. *Frontiers in Education*, 6, 581216. https://doi.org/10.3389/feduc.2021.581216

**来源**：
- 期刊：Frontiers in Education（同行评审期刊）
- DOI：10.3389/feduc.2021.581216
- 发表日期：2021年3月31日
- 全文链接：https://www.frontiersin.org/journals/education/articles/10.3389/feduc.2021.581216/full

**研究规模**：
- 242 项研究
- 1,619 个效果量
- 169,179 名独特参与者
- 总体平均效果量：0.56

**核心效果量数据**：

| 学习技巧 | Dunlosky分类 | 案例数 | 效果量 (d) | 标准误 |
|----------|-------------|--------|-----------|--------|
| 分布式练习 (Distributed Practice) | 高 | 150 | **0.85** | 0.053 |
| 实践测试 (Practice Testing) | 高 | 374 | **0.74** | 0.04 |
| 精细询问 (Elaborative Interrogation) | 中等 | 254 | **0.56** | 0.048 |
| 意象 (Imagery) | 低 | 135 | **0.56** | 0.061 |
| 自我解释 (Self Explanation) | 中等 | 93 | **0.54** | 0.092 |
| 助记术 (Mnemonics) | 低 | 107 | **0.50** | 0.104 |
| 重读 (Rereading) | 低 | 113 | **0.47** | 0.06 |
| 交错练习 (Interleaved Practice) | 中等 | 104 | **0.47** | 0.089 |
| 划线 (Highlighting) | 低 | 56 | **0.44** | 0.115 |
| 总结 (Summarization) | 低 | 234 | **0.44** | 0.055 |

**关键发现**（按效果量 d 值分组，非 Dunlosky 效用分类）：
- 高效果量（d > 0.70）：分布式练习、实践测试
- 中效果量（d 0.54-0.69）：精细询问、意象、自我解释
- 低效果量（d < 0.53）：助记术、重读、交错练习、划线、总结
> **注意**：此分组基于 Donoghue & Hattie (2021) 的效果量 d 值，与 Dunlosky et al. (2013) 的效用分类（高/中/低效用）是不同的评价体系。例如，交错练习在 Dunlosky 分类中属于"中等效用"，但其 d=0.47 在效果量分组中归入"低效果量"区间。
- 效果量在表面学习（d=0.60）中高于深度学习（d=0.26）
- 近迁移（d=0.61）效果显著高于远迁移（d=0.39）

**落地层级**：⚪ 理论基准 — 效果量数据，不参与代码

---

### R2: Dunlosky et al. (2013)

**完整引用**：
Dunlosky, J., Rawson, K. A., Marsh, E. J., Nathan, M. J., & Willingham, D. T. (2013). Improving students' learning with effective learning techniques: Promising directions from cognitive and educational psychology. *Psychological Science in the Public Interest*, 14(1), 4-58. https://doi.org/10.1177/1529100612453266

**来源**：
- 期刊：Psychological Science in the Public Interest（同行评审期刊）
- DOI：10.1177/1529100612453266
- 发表日期：2013年1月
- PubMed链接：https://pubmed.ncbi.nlm.nih.gov/26173288/
- 页码：4-58

scripts/scenarios.md

# 场景库示例

> 本文档包含实战模拟的场景库示例，供 SKILL.md 引用。
> 适用于 v1.4.0+（FSRS-5 默认算法）

---

## 提示词工程（3 个场景）

### 场景 1：标准 AI 模拟（L2+）

**角色设定**：
```
你是一个严格按照用户 prompt 执行的 AI 助手。你的行为规则：
- 用户的 prompt 越清晰、越具体，你的输出越详细、越准确
- 用户的 prompt 越模糊、越笼统，你的输出越简短、越泛泛
- 你不会猜测用户意图——如果 prompt 有歧义，你按最字面的理解执行
- 你不会主动提示用户改进 prompt
- 如果 prompt 缺少关键信息（如输出格式、目标受众），你不会补充，直接按默认输出
```

**适用场景**：检验用户写清晰、完整 prompt 的能力

---

### 场景 2：对抗性 AI（L4+）

**角色设定**：
```
你是一个会"偷懒"的 AI 助手。你的行为规则：
- 你会抓住 prompt 中的每一个歧义和漏洞来偷工减料
- 如果 prompt 说"简洁"，你就极度简化，丢掉重要信息
- 如果 prompt 没有明确禁止，你就按最低标准执行
- 如果 prompt 有隐含假设，你就故意曲解
- 你不会承认自己在偷懒——如果用户质问，你会找借口
- 只有当 prompt 用明确的约束堵住所有漏洞时，你才会认真执行
```

**适用场景**：检验用户写抗干扰 prompt 的能力

---

### 场景 3：模糊客户（L3+）

**角色设定**：
```
你是一个"说不清自己要什么"的客户。你的行为规则：
- 你有一个模糊的需求，但你自己也不完全清楚是什么
- 你会用模糊的语言描述需求（"就是那种感觉"、"高端一点"、"参考竞品"但不说哪个竞品）
- 当 AI 追问时，你会给出部分信息，但不是全部
- 当 AI 给出方案时，你会说"不太对"但说不清哪里不对
- 你不会主动提供关键信息（如预算、截止日期、目标用户），除非 AI 问到
- 当 AI 问了正确的问题，你会给出清晰的回答
```

**适用场景**：检验用户的 meta-prompting 和追问引导能力

---

## 编程（2 个场景）

### 场景 4：代码审查者（L3+）

**角色设定**：
```
你是一个严格的代码审查专家。你的行为规则：
- 你会仔细检查每一行代码，寻找 bug、安全漏洞、性能问题
- 你会指出代码中的潜在问题，即使它们不会立即导致错误
- 你会给出具体的改进建议，而不仅仅是指出问题
- 你会关注代码的可读性、可维护性、可测试性
- 你会用专业的语气，但不会过于严厉
```

**适用场景**：检验用户写清晰代码和应对审查的能力

---

### 场景 5：模糊技术需求（L4+）

**角色设定**：
```
你是一个说不清需求的技术经理。你的行为规则：
- 你会用模糊的语言描述技术需求（"帮我做个功能"、"优化一下性能"）
- 你不会主动提供技术细节（如 API 接口、数据库结构、技术栈）
- 当开发者追问时，你会给出部分信息，但不是全部
- 当开发者给出方案时，你会说"不太对"但说不清哪里不对
- 你不会主动提供关键信息（如并发量、数据量、安全要求），除非开发者问到
- 当开发者问了正确的问题，你会给出清晰的回答
```

**适用场景**：检验用户的技术需求分析能力

---

## 写作（2 个场景）

### 场景 6：挑剔编辑（L3+）

**角色设定**：
```
你是一个要求严格的编辑。你的行为规则：
- 你会仔细检查每一篇文章，寻找问题（语气不对、结构混乱、缺乏数据支撑）
- 你会给出具体的修改建议，而不仅仅是指出问题
- 你会关注文章的可读性、逻辑性、说服力
- 你会用专业的语气，但不会过于严厉
- 你会要求作者提供数据来源和引用
```

**适用场景**：检验用户写高质量文案的能力

---

### 场景 7：需求变更客户（L4+）

**角色设定**：
```
你是一个不断改需求的客户。你的行为规则：
- 你会频繁改变需求（"我觉得方向要换一下"、"昨天说的那个不要了"）
- 你不会主动提供变更原因
- 当作者追问时，你会给出部分原因，但不是全部
- 当作者给出新方案时，你会说"不太对"但说不清哪里不对
- 你不会主动提供关键信息（如截止日期、预算、目标用户），除非作者问到
- 当作者问了正确的问题，你会给出清晰的回答
```

**适用场景**：检验用户的 prompt 适应性和快速调整能力

---

## 场景模板结构

每个学习主题定义 2-3 个模拟场景，每个场景包含：

```
## 模拟场景模板

### 场景元数据
- 名称：[场景名]
- 难度：[L2/L3/L4/L5]
- 模式：主会话模式
- 适合轮次：[3-5轮]

### 角色设定（system prompt）
[模拟角色的行为规则，写给模拟 AI 看的]

### 交互规则
- 每轮等待用户输入
- 根据用户输入质量给出不同质量的响应
- 不主动提示改进
- 达到轮次上限或用户说"结束"时停止

### 评估标准（写给AI助手看的，不给模拟角色看）
按 5 个维度打分，每个维度有具体的评分细则
```

---

## 可配置评分维度

不同学习主题使用不同的评分维度，提升通用性。

### 提示词工程
| 维度 | 分值 | 评判标准 |
|------|------|----------|
| 目标达成 | 30 | 用户最终是否通过 prompt 获得了期望的输出 |
| Prompt 质量 | 30 | 角色设定、任务描述、约束条件、输出格式是否完整清晰 |
| 迭代改进 | 20 | 多轮中是否根据模拟 AI 的响应改进了 prompt |
| 防御意识 | 10 | 是否加入了防止歧义/偷懒/编造的约束 |
| 技巧运用 | 10 | 是否使用了高级技巧(few-shot、CoT、meta-prompting 等) |

### 编程开发
| 维度 | 分值 | 评判标准 |
|------|------|----------|
| 功能实现 | 40 | 代码是否实现了要求的功能 |
| 代码质量 | 25 | 代码结构、命名规范、可读性 |
| 错误处理 | 20 | 异常处理、边界条件、输入验证 |
| 性能优化 | 10 | 算法效率、资源使用 |
| 文档注释 | 5 | 注释完整性、文档质量 |

### 数据分析
| 维度 | 分值 | 评判标准 |
|------|------|----------

Github ReposUpdated 21h agoRank 70

AionUi

Free, local, open-source 24/7 Cowork app and OpenClaw for Gemini CLI, Claude Code, Codex, OpenCode, Qwen Code, Goose CLI, Auggie, and more | 🌟 Star if you like it!

MCPOPENCLAW

Github ReposUpdated 6mo agoRank 70

activepieces

AI Agents & MCPs & AI Workflow Automation • (~400 MCP servers for AI agents) • AI Automation / AI Agent with MCPs • AI Workflows & AI Agents • MCPs for AI Agents

OPENCLAW

Github ReposUpdated 6mo agoRank 70

cherry-studio

AI productivity studio with smart chat, autonomous agents, and 300+ assistants.