Learning System#

将零散的资讯、调研、代码实战转化为体系化的 AI 领域专业知识。

核心理念#

输入不等于学习。 看了 100 篇推文不代表懂了推理优化。改了 3 个 MCP bug 不代表吃透了 MCP 协议。学习 = 输入 + 加工 + 关联 + 输出。

模式选择#

根据 $ARGUMENTS 或用户意图选择模式：

参数模式说明--mode deep-dive深度研究选题 → 研究 → 写笔记 → 更新图谱--mode recap实战复盘分析 PR/改动 → 提炼知识点 → 关联图谱--mode review每周回顾汇总本周 → 更新图谱 → 生成周报--mode health健康检查运行 scripts/health_check.py 输出报告无参数自动判断根据上下文推断最合适的模式

附加参数：

• --topic <name>: 指定主题（deep-dive 模式）
• --quick: 跳过确认节点，全自动执行

文件结构#

text

notes/areas/
├── ai-knowledge-map.md           # 知识图谱（掌握程度标记）
├── deep-dives/                    # 深度学习笔记
│   ├── mcp-tool-call-design.md
│   └── ...
└── weekly-reviews/                # 每周学习回顾
    ├── 2026-W07.md
    └── ...

---

Mode: 深度研究 (deep-dive)#

Copy this checklist and check off items as you complete them:

Deep Dive Progress:#

• Step 1: 选题 ⚠️ REQUIRED

  • 1.1 如果 --topic 已指定，直接使用
  • 1.2 否则，检查最近 3 天的 memory 日志和 PR 记录
  • 1.3 问自己： 哪个技术点是我刚接触但还没真正理解的？
  • 1.4 问自己： 这个主题能串联哪些已有知识？（越多越好）
  • 1.5 确认选题范围不要太宽（"推理优化"太大，"vLLM PagedAttention 实现"刚好）

• Step 2: 确认选题 ⚠️ REQUIRED (除非 --quick)

  • 向用户确认：选题 + 预计关联的知识点 + 预计产出

• Step 3: 研究

  • 3.1 Load references/deep-dive-template.md 获取笔记模板
  • 3.2 查找相关源码、论文、文档
  • 3.3 如果有对应的 AI/ML skill，按需加载参考

• Step 4: 写笔记

  • 4.1 在 notes/areas/deep-dives/ 创建笔记文件
  • 4.2 问自己： 我能用自己的话向别人解释清楚吗？ 如果不能，说明还没真正理解
  • 4.3 建立关联： → 关联: [主题](相对路径)

• Step 5: 更新知识图谱

  • 5.1 Load references/knowledge-map-rules.md 获取升级标准
  • 5.2 更新 notes/areas/ai-knowledge-map.md 中对应主题的掌握程度

• Step 6: 交付检查

  • Load references/quality-checklist.md 逐项验证

---

Mode: 实战复盘 (recap)#

Recap Progress:#

• Step 1: 识别改动 ⚠️ REQUIRED

  • 1.1 确认要复盘的 PR/Issue/改动
  • 1.2 问自己： 这次改动中，哪个技术点是我之前不知道的？
  • 1.3 问自己： 如果下次遇到类似问题，我能直接解决吗？

• Step 2: 提炼知识点

  • 2.1 Load references/recap-template.md 获取复盘模板
  • 2.2 每个知识点关联到知识图谱的具体领域
  • 2.3 问自己： 两个请求同时打到这段代码会怎样？（如果涉及并发）
  • 2.4 问自己： 在检查权限和实际操作之间，状态有没有可能被改变？（如果涉及安全）

• Step 3: 写入日志

  • 在当天的 memory/YYYY-MM-DD.md 中增加复盘 section

• Step 4: 更新图谱（条件）

  • 如果有知识点升级，Load references/knowledge-map-rules.md 并更新

---

Mode: 每周回顾 (review)#

Weekly Review Progress:#

• Step 1: 收集本周输入 ⚠️ REQUIRED

  • 1.1 读取本周的 memory 日志（最近 7 天）
  • 1.2 检查本周新增/修改的深度笔记
  • 1.3 检查本周的 PR 和代码改动

• Step 2: 评估学习深度

  • 2.1 Load references/knowledge-map-rules.md
  • 2.2 对每个输入项判断：只是看了？理解了原理？有实战经验？
  • 2.3 问自己： 这周我在 AI 领域变强了吗？哪里变强了？
  • 2.4 问自己： 哪些输入转化成了真正的知识？

• Step 3: 更新知识图谱

  • 确认变更列表 ⚠️ REQUIRED (除非 --quick)
  • 更新 notes/areas/ai-knowledge-map.md

• Step 4: 生成周报

  • Load references/weekly-review-template.md
  • 写入 notes/areas/weekly-reviews/2026-Wxx.md

• Step 5: 发送摘要

  • 通过飞书发送给用户

---

Mode: 健康检查 (health)#

bash

python3 scripts/health_check.py

输出知识图谱统计、深度笔记状态、本周活动量、改进建议。

---

Mode: Mastery Score (mastery)#

bash

python3 scripts/mastery_score.py          # 表格报告
python3 scripts/mastery_score.py --json   # 附加 JSON 输出

自动计算每个知识图谱主题的掌握分数，基于：

• Recency（时间衰减）: 指数衰减，半衰期 30 天。今天接触 = 1.0，30 天前 = 0.5，60 天前 = 0.25
• Repetition（重复次数）: 跨不同日期的接触次数累加
• Depth（深度权重）: deep-dive 笔记 ×3.0，PR/复盘 ×2.0，普通提及 ×1.0

输出包含：分数排名、建议升降级、衰减警告（60 天未接触）。

---

关联网络#

在深度笔记和复盘中主动建立关联。格式： → 关联: [主题](相对路径)

关联类型示例技术关联vLLM → PagedAttention → KV Cache 管理实战关联gemini-cli OAuth PR → OAuth 2.1 协议对比关联Flash Attention vs PagedAttention

与其他 skill 的关系#

• para-second-brain: 学习笔记存在 PARA 的 areas/ 下，自动被 memory_search 索引
• 85 个 AI/ML skills: 作为参考资料，深度学习时按需加载对应 skill
• openclaw-feeds / news-summary: 资讯输入源，但不等于学习——需要加工和关联