Learn Crossover Agent Skill
当用户学习或接触一个新概念/新技术/新算法/新领域时使用（尤其感到陌生或有点难时）。用「跨界原则」拿用户已掌握的知识快速撬动新知识——指出他其实已经学过的同一个东西（换了名字）、结构同构的旧知识、能解释新知识的已有知识，并点出新概念体现的跨领域元知识模式。让「学新东西」变成「发现你已经会了一半」。触发场景：学 X、接触 X、这个好难、X 是什么、帮我理解 X。
Install
one command, takes just this skill from the repositorynpx skills add https://github.com/Li-Evan/Bloom --skill learn-crossoverThe instruction itself
2 sections, as written by the author跨界原则学习法（learn-crossover）
> 核心信条：真正的快速学会，其实是「你已经学过了」。 跨界匹配的是结构，不是名词。
何时用
用户在学 / 接触一个新概念 X（新技术、新算法、新理论、新领域……），尤其觉得"陌生 / 有点难"的时候。难，往往不是智商问题，是它相对用户还存在"没接上的旧知识"。
流程
第一步：抓住 X 的本质结构（不堆术语）
用一两句话说清 X 到底在干什么——它的核心机制 / 结构是什么。剥掉术语外壳，留下"它本质是一个 ___"。只有先拿到结构，才能去匹配用户学过的东西。
第二步：弄清用户已经会什么
主动询问，建立"用户已掌握知识"的清单：
- 问用户的背景：学过哪些相关领域、做过什么项目、熟悉哪些工具 / 理论
- 只采纳对话中用户亲口确认学过的知识
- 目的：找出与 X 结构同构、或能解释 X 的旧知识
拿不准就直接问「你学过 ___ 吗？」，绝不从正在讲的材料 / 文章作者背景推断用户会什么。
第三步：按"跨界三猜想"组织输出（核心）
- 🎁 你其实已经学过（换了名字） —— 最高优先。X 是否就是用户已知的 Y 换了个领域名称？（如 导数 = 梯度 = 变化率）。命中就直接说"你已经会了，它只是改名叫 X"。
- 🔗 结构同构（非常像） —— 给出用户学过的 Z 与 X 的字段级对应表（A↔a、B↔b……），并明确标出哪里相同、哪里不同。铁律：不一样归不一样，但相似部分就是学习杠杆，别因为"严格不同"就不用它。
- 🧩 可被解释（用已有知识解释） —— 用用户已掌握的 W 把 X 讲通。
第四步：点出元知识
X 体现了哪个反复出现的底层模式？（分治、自举 / bootstrap、阻尼-负反馈、探索 vs 应用、量变质变、控制变量、状态机……）。告诉用户"这个模式你在 ___、___ 也见过"，把 X 挂到他的元知识网上。
第五步：落点
一句话收尾，降低学习恐惧 + 指明剩下要新学的最小部分：
> "所以 X 你已经会了 ___ 部分，真正全新、需要从头学的只有 ___。"
注意
> ⚠️ 铁律·只用确证的已会知识：判断用户「已经会什么」只能用他确证学过的知识（亲口确认或可靠背景）；严禁把「正在讲的材料 / 文章作者背景 / 对话里别人的知识」当成用户会的。拿不准 → 直接问「⚠️ 你学过 ___ 吗？」，绝不替他假设。（最常见的翻车点：把材料作者的背景错安到学习者头上，整段跨界作废。）
- 宁可多举具体例子（案例驱动），别给抽象框架。
- 结构对应要给到字段级映射表，不要泛泛说"它们很像"。
- 不确定某个跨界连接是否成立时，标注"这是个待验证的类比"——提出假说，允许被推翻。
- 同族 skill：要"该不该学"用
learn-occam，要"系统建图"用learn-graph，要"动手迭代"用learn-prototype，要"自查懂没懂"用learn-feynman。
Other skills for the same job
different authors, same section of the catalogue
Integration with protocols.io API for managing scientific protocols. This skill should be used when working with protocols.io to search, create, update, or publish protocols; manage protocol steps and materials; handle discussions and comments; organize workspaces; upload and manage files; or integrate protocols.io functionality into workflows. Applicable for protocol discovery, collaborative protocol development, experiment tracking, lab protocol management, and scientific documentation.
Analyzes job descriptions and generates tailored resumes that highlight relevant experience, skills, and achievements to maximize interview chances
Generate Excalidraw diagrams from natural language descriptions. Use when asked to "create a diagram", "make a flowchart", "visualize a process", "draw a system architecture", "create a mind map", or "generate an Excalidraw file". Supports flowcharts, relationship diagrams, mind maps, and system architecture diagrams. Outputs .excalidraw JSON files that can be opened directly in Excalidraw.
Build and distribute Expo development clients locally or via TestFlight
Use when you have a written implementation plan to execute in a separate session with review checkpoints
Data structure for annotated matrices in single-cell analysis. Use when working with .h5ad files or integrating with the scverse ecosystem. This is the data format skill—for analysis workflows use scanpy; for probabilistic models use scvi-tools; for population-scale queries use cellxgene-census.
Benchling R&D platform integration. Access registry (DNA, proteins), inventory, ELN entries, workflows via API, build Benchling Apps, query Data Warehouse, for lab data management automation.
Comprehensive molecular biology toolkit. Use for sequence manipulation, file parsing (FASTA/GenBank/PDB), phylogenetics, and programmatic NCBI/PubMed access (Bio.Entrez). Best for batch processing, custom bioinformatics pipelines, BLAST automation. For quick lookups use gget; for multi-service integration use bioservices.
How to use it
Take li-evan/learn-crossover from the repository into ~/.claude/skills for personal
use, or into .claude/skills inside a project.
The agent identifies a skill by the name field in its header. Two skills with the
same name cannot sit side by side — one of them will be ignored.