- name
- learning-system
- description
- AI 领域系统学习体系。管理知识图谱、深度学习笔记、实战复盘和关联网络。触发场景：学习计划、知识图谱更新、深度研究某个 AI 主题、实战复盘总结、调研后沉淀知识、每周学习回顾。当用户说'学了什么'、'总结一下'、'沉淀知识'、'复盘'、'更新图谱'、'深入研究'、'写笔记'、'学习回顾'、'review what I learned'、'update knowledge map'、'deep dive'、'recap'、'what did I learn' 时使用。当改完代码/读完论文/做完调研后需要提炼和归纳时使用。
- argument-hint
- [--mode deep-dive|recap|review|health] [--topic name] [--quick]
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
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)
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)
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