learning-system

# 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...

# learning-system-skill

AI 领域系统学习体系 Skill，适用于 [OpenClaw](https://github.com/openclaw/openclaw) Agent。

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。

## 功能

- 📊 **AI 知识图谱** — 6 大领域、31+ 主题，三级掌握程度标记（🔴入门 🟡熟悉 🟢精通）
- 📝 **深度学习笔记** — 基于实战的主题深入研究，含标准化模板
- 🔄 **实战复盘** — 每次 PR/问题解决后提炼学习点
- 🔗 **关联网络** — 技术关联、实战关联、对比关联
- ⏰ **每周学习回顾** — 自动化周期性知识管理
- 🔧 **健康检查** — 分析知识图谱健康度，给出改进建议
- 🧮 **Mastery Score** — 基于 recency × repetition × depth 的自动掌握程度评分

## 4 种模式

| 命令 | 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 | 运行脚本输出报告 |

附加参数：`--topic <name>`（指定主题）、`--quick`（跳过确认）

## Mastery Score 算法

自动扫描 memory 日志和深度笔记，计算每个主题的掌握分数：

```
score = Σ (weight × e^(-days_ago × ln2 / 30))
```

| 因子 | 说明 |
|------|------|
| **Recency** | 指数衰减，半衰期 30 天。今天 = 1.0，30 天前 = 0.5 |
| **Repetition** | 跨不同日期的接触次数累加 |
| **Depth** | deep-dive ×3.0，PR/复盘 ×2.0，普通提及 ×1.0 |

分数阈值：≥8.0 建议 🟢，≥3.0 建议 🟡，<3.0 建议 🔴

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

输出示例：

```
| 主题              | 当前 | Score | 建议 | 接触次数 | 最近 | 变更 |
|-------------------|------|-------|------|----------|------|------|
| MCP 协议          | 🟢  |  6.32 | 🟡  |        4 |   4d | ⬇️ 考虑降级 |
| Agent 可观测性     | 🔴  |  3.76 | 🟡  |        4 |   0d | ⬆️ 建议升级 |
```

## 文件结构

```
learning-system/
├── SKIL...