我是初学者，请从基础开始提问

费曼学习法知识教练 (Feynman Coach)

核心理念

费曼学习法由诺贝尔物理学奖得主理查德·费曼提出，核心原则是：如果你不能用简单的语言解释某件事，那你并没有真正理解它。

本 Skill 将 AI 作为你的虚拟学生和个人教练，通过四个步骤帮助你实现深度学习和长期记忆：

1. 1. 选择概念 - 从笔记中选择要回顾的知识点
2. 讲解教学 - 向 AI 学生解释这个概念
3. 识别差距 - AI 指出理解盲点和薄弱环节
4. 复习巩固 - 针对性强化，生成复习材料

何时使用此 Skill

触发场景：

• - 学习新知识后需要巩固理解
• 准备考试或演讲前复习
• 发现学过的知识容易遗忘
• 想要检验自己对某个概念的真正理解程度
• 需要整理知识体系，发现知识盲点
• 每日自动回顾（需配置定时任务）

关键词触发：

• - 帮我回顾一下...
• 用费曼技巧学习...
• 测试一下我对...的理解
• 每天提醒我复习...
• 知识教练
• 费曼学习

工作流程

模式 1：主动知识回顾（默认）

当你想要回顾某个知识点时使用：

用户：用费曼技巧帮我回顾一下[[机器学习中的过拟合]]

执行流程：

1. 1. 读取知识源 - 从你的笔记中读取相关内容
2. 模拟教学 - 你向 AI 学生解释概念
3. 提问挑战 - AI 提出基础到深入的问题
4. 诊断分析 - AI 分析你的理解盲点
5. 生成建议 - 提供个性化学习建议和复习材料

模式 2：薄弱点专项训练

针对已识别的薄弱环节进行强化：

用户：针对昨天的薄弱点进行专项训练

执行流程：

1. 1. 读取历史记录 - 查看之前的诊断结果
2. 针对性提问 - 重点针对薄弱环节提问
3. 深度解析 - 提供详细的解释和示例
4. 生成练习 - 创建针对性练习题

模式 3：知识体系梳理

帮助你建立知识间的联系：

用户：帮我梳理一下深度学习的知识体系

执行流程：

1. 1. 搜索相关笔记 - 找到所有相关知识点
2. 构建知识图谱 - 分析概念间的关系
3. 识别缺失环节 - 发现知识体系中的空白
4. 生成学习路径 - 提供系统化的学习建议

使用方法

基本用法

步骤 1：选择要回顾的知识

用户：费曼教练，帮我回顾[[决策树算法]]

步骤 2：开始讲解

AI 会扮演一个好奇但完全不懂的学生，你需要用简单的语言向它解释。

步骤 3：回答问题

AI 会提出各种问题，从基础到深入：

• - 什么是决策树？
• 信息增益是什么意思？
• 决策树和随机森林有什么区别？
• 过拟合怎么解决？

步骤 4：查看诊断报告

讲解结束后，AI 会生成诊断报告：

• - ✅ 理解良好的部分
• ⚠️ 需要加强的部分
• ❌ 理解有误的部分
• 📚 推荐的学习资源

高级用法

配置每日自动回顾

在 .opencode/config.toml 中添加：

toml
[feynman-coach]
enabled = true
review_time = 09:00 # 每天上午9点触发
daysbetweenreviews = 1 # 每隔1天回顾一次
reviewscope = recentnotes # 可选：recent_notes, random, tagged
reviewtags = [#学习, #重要] # 如果 reviewscope = tagged
maxdailyconcepts = 3 # 每天最多回顾3个概念

手动触发每日回顾

用户：/feynman daily-review

查看学习统计

用户：/feynman stats

导出复习卡片

用户：/feynman export-cards [[决策树算法]]

输出格式

诊断报告示例

markdown

费曼学习诊断报告

回顾主题：决策树算法

📊 理解度评估

总体评分：75/100

✅ 理解良好的部分 (40%)

• - 决策树的基本概念和结构
• 分类和回归的区别
• 树的构建过程

⚠️ 需要加强的部分 (45%)

• - 信息增益的计算原理

- 建议：复习熵和信息增益的数学公式 - 资源：[[信息论基础]]

• - 剪枝策略的选择

- 建议：理解预剪枝和后剪枝的适用场景 - 资源：[[模型正则化方法]]

❌ 理解有误的部分 (15%)

• - 基尼指数 vs 信息增益

- 误区：认为两者计算结果相同 - 纠正：基尼指数偏向多分类，信息增益更通用 - 建议：对比两者的数学定义和适用场景

🎯 个性化学习建议

1. 1. 立即行动

- 阅读 [[信息论基础]] 第3章 - 完成下方的针对性练习

1. 2. 本周目标

- 理解信息增益的数学推导 - 能够手动计算简单数据集的信息增益

1. 3. 长期规划

- 将决策树与其他模型对比（SVM、神经网络） - 学习集成方法（随机森林、XGBoost）

📝 针对性练习题

练习 1：计算题
给定数据集...
请计算属性 A 的信息增益。

练习 2：应用题
在以下场景中，你会选择哪种剪枝策略？为什么？
...

练习 3：对比分析
比较决策树和逻辑回归在以下方面的异同：...

🔗 相关知识链接

• - [[信息论基础]]
• [[模型评估指标]]
• [[集成学习方法]]
• [[特征工程技巧]]

📅 下次回顾建议

建议时间：3天后
重点内容：信息增益计算、剪枝策略
预计时长：20分钟

复习卡片格式

markdown

决策树算法 - 复习卡片

卡片 1：基础概念

正面：什么是决策树？ 背面：决策树是一种...

卡片 2：核心算法

正面：ID3、C4.5、CART 的区别？ 背面：...

卡片 3：常见问题

正面：决策树容易过拟合，如何解决？ 背面：...

自动触发机制

配置说明

本 Skill 支持通过以下方式实现每日自动触发：

方式 1：使用系统定时任务（推荐）

Windows (PowerShell)：
powershell

创建每日任务

$action = New-ScheduledTaskAction -Execute opencode -Argument run /feynman daily-review
$trigger = New-ScheduledTaskTrigger -Daily -At 9am
Register-ScheduledTask -Action $action -Trigger $trigger -TaskName FeynmanDailyReview -Description 每日费曼学习回顾

macOS/Linux (cron)：
bash

编辑 crontab

crontab -e

添加每日9点执行

0 9 * cd /path/to/your/project && opencode run /feynman daily-review

方式 2：使用 Obsidian 插件

如果你使用 Obsidian，可以安装 Templater 或 Dataview 插件，结合本 Skill 实现：

1. 1. 创建每日笔记模板
2. 在模板中添加费曼回顾按钮
3. 点击按钮触发 Skill

方式 3：使用 GitHub Actions

如果你将笔记放在 GitHub 上，可以配置 GitHub Actions：

yaml

.github/workflows/feynman-review.yml

name: Daily Feynman Review
on:
schedule:
- cron: 0 9 * # 每天 UTC 9点

jobs:
review:
runs-on: ubuntu-latest
steps:
- uses: actions/checkout@v2
- name: Run Feynman Coach
run: |
opencode run /feynman daily-review

触发时行为

当自动触发时，费曼教练会：

1. 1. 选择回顾内容

- 根据配置选择最近学习的笔记 - 或随机选择标记为 #复习 的笔记 - 或选择之前诊断出有薄弱点的笔记

1. 2. 生成回顾任务

- 创建 Todo 列表 - 发送到 Obsidian 每日笔记 - 或显示通知提醒

1. 3. 执行回顾流程

- 读取笔记内容 - 生成针对性问题 - 等待用户回答（交互式） - 或生成自测卡片（