Dani Primo

make-it-learnable: de cualquier fuente a una lección interactiva

Rol: autor. Stack: Agent Skills, YAML, HTML y JS sin dependencias, evaluaciones con modelos juez.

Repositorio en GitHub · Artículo con ejemplos · instalación: npx skills add webreactiva/make-it-learnable-skill

Una escena guiada por el scroll: el recorrido Prompt, Tokenizador, Modelo y Logits a la izquierda con Logits resaltado, y la narración al lado
Una lección sobre cómo funciona un LLM, generada por la skill.

El problema

Le pides a un agente que te explique algo y te devuelve un muro de texto. Yo quería que cualquier fuente (un artículo, un repo, un tema) se convirtiera en una lección en un solo HTML, con preguntas antes de cada respuesta, puntos y la idea de las explorable explanations.

Cómo avanzó

  1. Una primera versión en una tardeUn catálogo de componentes, catorce modos de quiz que recorté a la mitad y una plantilla que fui limpiando a base de capturas.
  2. Un briefing antes de escribirLa skill pasó a preparar primero un resumen de la fuente y a rechazar las que no se aprenden, como guías de referencia.
  3. Evaluaciones sin humanosLecciones con y sin la skill, juzgadas a ciegas por otros agentes. Lo que funcionaba sin ella se convirtió en componentes nuevos.
  4. Una versión para distribuirUn repo limpio, sin material de pruebas, con README en inglés y español e instalación en un comando.
  5. Más libertad visualDibujos SVG protagonistas, paneles y un récord de puntos para competir contra ti.
  6. La skill sin HTMLEn la 1.0 la skill describe un blueprint y contratos, y deja que el agente decida cómo pintarlo.

Qué construí

  • Una skill que primero escribe un blueprint en YAML y después genera la lección siguiendo unos contratos de componentes.
  • Siete mecánicas de comprobación y un catálogo de textos en inglés y español.
  • Una implementación de referencia en HTML, con validación estricta y tests, separada de la skill.
  • Una galería de lecciones de ejemplo y una tabla de tokens, coste y tiempo por modelo.
Un paso a paso en el paso 2 de 3 que mueve un escenario, con una tabla de estado con tokens de entrada, tokens generados y posiciones de la caché KV

Decisiones

  • Menos opciones, mejor elegidas. La skill elige qué componentes usar en cada caso en lugar de meterlos todos.
  • Evaluar con jueces ciegos. Sin opinión humana en el bucle, para no enamorarme de mis propias lecciones.
  • Quitar la plantilla. Con un HTML de referencia todas las pruebas salían iguales. Le das pautas de diseño y le quitas al agente la libertad de pintar.

Resultados

  • Versión v1.0.0, instalable en un comando en Claude Code, OpenCode, Codex o Cursor.
  • Probada con siete modelos, entre ellos Kimi K3, GLM 5.3, DeepSeek V4 Pro, MiniMax M3, Qwen 3.5 y las familias Sonnet y Haiku, con su coste documentado.
Una pregunta de predicción ya respondida: la opción elegida en rojo, la correcta en verde, un control de confianza y una insignia de +25 puntos
Antes de cada respuesta, una pregunta.