by vect-G
A Codex skill that turns course lectures, homework files, classroom code, and previous solution style into concise Markdown submissions.
# Add to your Claude Code skills
git clone https://github.com/vect-G/lecture-to-hwGuides for using ai agents skills like lecture-to-hw.
扫描当前课程目录。
rg --files,必要时配合 find、ls 和定向 rg。读取作业要求。
pdftotext -layout 提取。pdftoppm 渲染页面或做视觉检查。匹配课件和代码。
学习历史答案风格。
作业/hw*_solution/*.md。决定单 agent 还是并行模式。
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。
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
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!
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:
lecture-to-hw
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。
从此,上面那套无趣、无味、无聊的循环,可以被压缩成:
lecture-to-hw,给我干活! --> 喝杯咖啡 --> 验收并提交
lecture-to-hw 会在当前课程目录里自动寻找:
作业/hw*_solution/*.md。然后它会把这些东西串起来:
读题 -> 找课件 -> 找课堂中讲授的方法 -> 拆解题目 -> 解题/跑代码 -> 组装 Markdown -> 助教agent执行review -> 交付
它不是单纯的 homework solver,而是一个懂你意思的作业流水线工厂!
普通大模型解题通常是直接读题开写。
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。
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。
支持常见课程材料格式:
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。
主 agent 负责当 controller:
读题 -> 拆题 -> 调度 -> 验收 -> 组装
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:
No comments yet. Be the first to share your thoughts!
解题并验证。
conda run -n PR python ...;未指定时使用当前可用 Python。生成输出。
作业/hw5_solution/。hw5 姓名.md,文件名尽量匹配历史习惯。提交前 review。
做组装后 review。
简短说明:
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
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
它会专门检查:
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。
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:
lecture-to-hw在完成整个解题流程后,最终回复会告诉你:
把仓库放到 Codex skills 目录下:
mkdir -p ~/.codex/skills
git clone https://github.com/vect-G/lecture-to-hw.git ~/.codex/skills/lecture-to-hw
或者直接把整个 lecture-to-hw 文件夹复制到:
~/.codex/skills/lecture-to-hw
然后开启新的 Codex 会话,skill 会被自动发现!
进入课程目录后,直接说:
用 lecture-to-hw 帮我完成这次作业,输出 Markdown格式的文档
如果你想明确允许并行子代理:
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
作者亲测:
Codex + GPT-5.5 + reasoning high + lecture-to-hw + 允许并行子代理
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。
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。
lecture-to-hw/
├── SKILL.md
├── README.md
├── README_EN.md
└── agents/
└── openai.yaml
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。
希望对你有帮助!
MIT License.