name: lecture-to-hw description: 将课程课件、作业文件（PDF、DOCX、Markdown、HTML、图片等）、课堂代码和历史答案格式转成简洁的大学生风格 Markdown 作业答案，并可由主 agent 按模块调度子代理解题与 review。Use when asked to complete course homework, read homework files in varied formats, match homework to lectures/slides/code, use methods taught in class, imitate previous hw*_solution Markdown style, create solution folders, decompose assignments across subagents, or generate necessary scripts, figures, or data files for homework submissions.

Lecture to HW

工作流

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

6. 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。

7. 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。

8. 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。

9. 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

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

它会做什么

lecture-to-hw 会在当前课程目录里自动寻找：

• 作业题面：PDF、DOCX、Markdown、HTML、图片、notebook 等；
• 课程材料：课件、课堂 demo、实验代码、数据文件；
• 历史答案：例如 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！

为什么选择lecture-to-hw

1. 从课件到作业成品

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。

2. 多格式题面

支持常见课程材料格式：

• PDF
• DOCX / DOC
• Markdown / TXT
• HTML
• notebook
• 图片题面
• 压缩包里的作业文件

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。

3. 多 agent 并行加速

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：

• 某一道题的解题草稿；
• 某个实验或代码结果复现；
• 某份课件与题目的对应关系确认；
• 某个模块的独立验算。

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

4. 助教 review agent

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：

• 是否漏题或漏采分点；
• 公式、数值、逻辑有没有明显错误；
• 是否用了不符合课件的方法；
• 是否有太重的 AI 味；
• 是否像一个正常大学生会交的答案。

5. 参考往期作业风格，降低人机味

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：

• 标题和姓名/学号/班级行；
• 小标题层级如何排布
• 公式、表格、图片如何引用
• 答案的详略

6. 交付时给可信度

lecture-to-hw在完成整个解题流程后，最终回复会告诉你：

• 生成了哪些文件；
• 跑了哪些验证
• review 后改了什么；
• 当前作业可信度：高 / 中 / 低
• 哪些地方建议你手动复核

安装

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！

快速开始

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

推荐配置

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。

仓库内容

lecture-to-hw/
├── SKILL.md
├── README.md
├── README_EN.md
└── agents/
    └── openai.yaml

负责任使用

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！

License

MIT License.