学习系统

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

文件结构

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
└── ...

---

模式：深度研究 (deep-dive)

复制此清单，完成一项勾选一项：

深度研究进度：

• - [ ] 步骤 1：选题 ⚠️ 必选

- [ ] 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）

• - [ ] 步骤 2：确认选题 ⚠️ 必选（除非 --quick）

- [ ] 向用户确认：选题 + 预计关联的知识点 + 预计产出

• - [ ] 步骤 3：研究

- [ ] 3.1 加载 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

• - [ ] 步骤 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

• - [ ] 步骤 5：更新知识图谱

- [ ] 5.1 加载 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

• - [ ] 步骤 6：交付检查

- [ ] 加载 references/quality-checklist.md 逐项验证

---

模式：实战复盘 (recap)

复盘进度：

• - [ ] 步骤 1：识别改动 ⚠️ 必选

- [ ] 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？

• - [ ] 步骤 2：提炼知识点

- [ ] 2.1 加载 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）

• - [ ] 步骤 3：写入日志

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

• - [ ] 步骤 4：更新图谱（条件性）

- [ ] 如果有知识点升级，加载 references/knowledge-map-rules.md 并更新

---

模式：每周回顾 (review)

每周回顾进度：

• - [ ] 步骤 1：收集本周输入 ⚠️ 必选

- [ ] 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

• - [ ] 步骤 2：评估学习深度

- [ ] 2.1 加载 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？

• - [ ] 步骤 3：更新知识图谱

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

• - [ ] 步骤 4：生成周报

- [ ] 加载 references/weekly-review-template.md - [ ] 写入 notes/areas/weekly-reviews/2026-Wxx.md

• - [ ] 步骤 5：发送摘要

- [ ] 通过飞书发送给用户

---

模式：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。

---

模式：掌握度评分 (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：

• - 时效性（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
• 重复度（重复次数）：跨不同日期的接触次数累加
• 深度（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

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