Menü
基于知识框架调研的渐进式学习系统。当用户说"我想学习X"、"教我X"、"帮我理解X概念"、"学习X知识"时触发。特色：调研阶段先构建知识图谱，评估阶段从底层子概念开始提问，支持跳过，教学内容自适应用户水平，输出到 knowledge/ 和 learning-process/ 目录。
Mit Codex oder Claude installieren Kopieren Sie diesen Prompt, fügen Sie ihn in Codex, Claude oder einen anderen Assistant ein und lassen Sie die Skill-Seite prüfen und installieren.
Basierend auf der SOC-Berufsklassifikation
为 AI Agent 创建元规则和领域知识，帮助用户在不熟悉领域建立 Agent 的思考方式和行为准则。专注于抽象的行事风格而非具体技术约束。适用场景：(1) 创建新 Agent 缺少行为准则，(2) 更新现有 Agent 的元规则或知识，(3) 用户不熟悉目标领域需要搜索最佳实践，(4) 希望 Agent 跨项目保持一致工作风格。
记录 AI 犯错或可改进点，生成可复用的学习资产。支持两种模式：(1) 当前会话 - 会话结束时触发，引导用户回顾本次会话中的纠正和可改进点；(2) 指定会话 - 通过 session_id 或 JSONL 文件路径分析历史会话。存储位置：D:\desktop\quackDocs\my_notes\ai_mistake\（index.md 索引 + records.md 实体）。触发词：记录错误、记录问题、AI 错误记录、会话总结、记录教训、record mistakes。
记录 AI 犯错或可改进点，生成可复用的学习资产。支持两种模式：(1) 当前会话 - 会话结束时触发，引导用户回顾本次会话中的纠正和可改进点；(2) 指定会话 - 通过 session_id 或 JSONL 文件路径分析历史会话。存储位置：D:\desktop\quackDocs\my_notes\ai_bug_history\（index.md 索引 + records.md 实体）。触发词：记录错误、记录问题、AI 错误记录、会话总结、记录教训、record mistakes。
指导 Manager 设计和创建 Loop 循环。当 Manager 需要创建自动化循环（如 Executor-Reviewer、Writer-Editor 模式）时使用。 提供完整的设计流程：需求澄清 → 节点设计 → 用户确认 → Subagent 验证 → 创建循环。 确保循环提示词质量，避免因上下文设计不当导致循环失败。 触发词：创建循环、loop、循环设计、迭代执行、自动审查。
记录架构决策（ADR）。触发条件：(1) 艰难选择——在方案间纠结、选了A但B也有优势、知道有副作用 (2) 重构/重大修改后——改了3+次才定方案、每次改有新考虑 (3) 奇怪代码——被问"为什么这样写"、审查被质疑、自己回看也觉得奇怪 (4) 用户做出重大决策或出现决策疑问
Grilling session that challenges your plan against the existing domain model, sharpens terminology, and updates documentation (CONTEXT.md, ADRs) inline as decisions crystallise. Use when user wants to stress-test a plan against their project's language and documented decisions.
| name | knowledge-learning |
| description | 基于知识框架调研的渐进式学习系统。当用户说"我想学习X"、"教我X"、"帮我理解X概念"、"学习X知识"时触发。特色：调研阶段先构建知识图谱，评估阶段从底层子概念开始提问，支持跳过，教学内容自适应用户水平，输出到 knowledge/ 和 learning-process/ 目录。 |
| path | D:/desktop/quackDocs/my_notes/learning |
| version | v3 |
通过知识框架调研和评估驱动的渐进式学习工作流。
所有学习产出文件位于项目根目录下，skill 内部文件位于 skill 目录下：
[项目根目录]/ # 学习产出的根目录
├── index.md # 索引文件：记录所有学习会话的摘要和链接
├── knowledge/ # 知识目录
│ ├── [topic].md # 知识图谱/教材（调研阶段产出，可复用）
│ ├── [date]-[topic]-knowledge.md # 学习笔记（教学结束时产出）
│ └── ...
└── learning-process/ # 学习过程记录目录
├── [date]-[topic]-learning-process.md
└── ...
[knowledge-learning skill 目录]/ # skill 内部文件（只读参考）
├── SKILL.md # skill 定义
└── templates/ # 输出模板
├── knowledge-graph.md
├── learning-notes.md
├── learning-process.md
└── index.md
knowledge/[topic].md — 知识图谱/教材
templates/knowledge-graph.mdknowledge/[date]-[topic]-knowledge.md — 学习笔记
templates/learning-notes.mdlearning-process/[date]-[topic]-learning-process.md — 学习过程
templates/learning-process.md[topic-slug].md
supply-demand.md, multi-agent-message-architecture.md[YYYY-MM-DD]-[topic-slug]-knowledge.md
2024-01-15-supply-demand-knowledge.md[YYYY-MM-DD]-[topic-slug]-learning-process.md
2024-01-15-supply-demand-learning-process.mdindex.md（固定名称，每次学习后更新）生成文件时：
knowledge/ 和 learning-process/ 子目录不存在则创建index.mdtemplates/ 目录读取目标：了解用户的学习历史，避免重复
读取索引文件：
index.md分析学习历史：
确定学习策略：
knowledge/[topic].md 是否存在更新学习上下文：
目标：教学前，agent 构建知识点的结构化理解，向用户展示简化版框架。
分析用户请求，拆解调研任务：
knowledge/[topic].md 文件派出多个 subagent 并行调研不同方面。agent 根据主题复杂度自由决定拆分方式。
各层次调研深度：
信息来源（统一称为"调研"）：
knowledge/[topic].md 文件（可作为信息来源引用）拆分策略示例（agent 自由决定）：
调研"供需关系"：
Subagent 1: 上层 + 同层（简单，一个agent搞定）
Subagent 2: 下层 - 需求侧（需求曲线、需求定律、需求函数...）
Subagent 3: 下层 - 供给侧（供应曲线、供应定律...）
Subagent 4: 下层 - 交互关系（均衡价格、市场机制...）
所有 subagent 完成后，将结果汇总到 knowledge/[topic].md。模板见 templates/knowledge-graph.md。
重要：向用户展示无解析度地图——只有树形结构和简要标签。不要展示详细解释，否则会影响阶段1的评估。
向用户展示：
[知识树形结构]
[上层归属] → [同层概念列表]
└── [目标知识点] ← 你要学的
├── [子概念1]
├── [子概念2]
└── [子概念3]
[一句话逻辑关系说明]
可以开始学习吗？
等待用户确认后再进入阶段1。
目标：了解用户当前的知识水平，从底层子概念开始。
默认策略：从最底层的子概念（最基本的知识积木）开始提问。这确保了前置知识扎实后再进入更高层概念。
跳过选项（用户在评估期间可随时调用）：
从第一个子概念开始：
基于上面的框架，我先从基础概念开始了解你的情况。
你了解什么是"[子概念1]"吗？
逐个提问：
覆盖所有子概念后（或用户跳过评估）：
问题总数：4-8个（不含跳过的），或覆盖所有子概念后结束
目标：根据用户水平交付基础知识
根据评估结果提供：
核心概念讲解：
范围边界：
具体示例：
理解检查：
目标：由用户驱动深入理解
两条路径：
A. 继续学习（循环）：
B. 生成学习笔记：
用户请求学习总结时，在对应子目录中生成两个文件并更新索引。
说明：知识图谱（knowledge/[topic].md）已在阶段0.5调研时生成。下方文件是本次会话的个人学习记录。
路径：learning-process/[date]-[topic]-learning-process.md
模板见 templates/learning-process.md。
路径：knowledge/[date]-[topic]-knowledge.md
模板见 templates/learning-notes.md。
路径：index.md
生成学习笔记后，更新索引文件，添加新条目。模板见 templates/index.md。
索引条目说明：
knowledge/[topic].md（教材，可多次学习复用）knowledge/[date]-[topic]-knowledge.mdlearning-process/[date]-[topic]-learning-process.md示例条目：
| 2024-01-15 | 供需关系 | [供需关系图谱](knowledge/supply-demand.md) | [供需关系笔记](knowledge/2024-01-15-supply-demand-knowledge.md) | [供需关系学习过程](learning-process/2024-01-15-supply-demand-learning-process.md) | 需求曲线与供应曲线、均衡价格机制、需求量vs需求变动 |
保持对当前阶段的感知：
注意以下用户信号：
| 信号 | 含义 | 响应 |
|---|---|---|
| "不太明白" | 讲解太复杂 | 简化，用类比 |
| "这个我知道" | 用户已有此知识 | 跳过，减少细节 |
| "能举个例子吗" | 需要具体说明 | 提供具体例子 |
| "和X有什么关系" | 关联已有知识 | 解释关系 |
| "继续" | 准备好继续 | 进入下一个概念 |
| "跳过" / "下一个" | 跳过当前评估问题 | 进入下一个子概念 |
| "跳过评估" / "直接讲" | 跳过整个评估 | 直接进入阶段2 |
| "总结一下" | 想结束 | 生成学习笔记 |
阶段切换前的检查项：
knowledge/[topic].md？阶段0.5 - 知识框架调研：
AI: [内部] 用户想学"机器学习"。我需要先调研知识结构。
- 上层：人工智能（简单调研）
- 同层：深度学习、数据挖掘、统计学习（简单调研）
- 下层：监督学习、无监督学习、强化学习、模型评估...（仔细调研）
- 派出3个subagent并行调研
[调研完成后，输出到 knowledge/machine-learning.md]
AI: 机器学习在知识体系中的位置：
人工智能
├── 机器学习 ← 你要学的
│ ├── 监督学习（分类、回归）
│ ├── 无监督学习（聚类、降维）
│ ├── 强化学习
│ └── 模型评估与选择
├── 知识表示与推理
└── 自然语言处理
机器学习是人工智能的核心方法之一，通过数据驱动的方式让计算机自动学习规律，而非手动编写规则。
可以开始学习吗？
User: 可以
阶段1 - 评估（从底层子概念开始）：
AI: 基于上面的框架，我先从基础概念开始了解你的情况。
你了解什么是"监督学习"吗？
User: 是不是就是给计算机带标签的数据让它学？
AI: 对，理解得很准确！那你知道"无监督学习"和它有什么区别吗？
User: 这个不太清楚...
AI: [继续探索用户对无监督学习的理解]
...
User: 跳过这个，直接讲吧
AI: 好的，跳过评估，我们直接开始讲解。
阶段2 - 教学：
AI: 好的，基于我们的讨论，我先给你讲解机器学习的核心概念。
机器学习确实是让计算机"学习"，但这里的"不用编程"需要澄清：
我们不是不写代码，而是不需要为每个具体情况写规则...
[3-4段基础解释]
现在我们先理解这个基础部分。关于深度学习、神经网络这些高级话题，我们稍后再讨论。
这部分清楚吗？
阶段3 - 互动：
User: 那训练数据是不是越多越好？
AI: 好问题！一般来说数据越多，模型能学到的模式越丰富。但有几个需要注意的点...
阶段0.5 - 知识框架调研：
AI: [内部调研完成后，输出到 knowledge/quantum-entanglement.md]
量子力学
└── 量子信息
├── 量子纠缠 ← 你要学的
│ ├── 纠缠态
│ ├── 贝尔不等式
│ └── EPR悖论
├── 量子计算
└── 量子通信
量子纠缠是量子信息科学的基础现象，描述了两个或多个粒子之间的非经典关联。
可以开始学习吗？
User: 可以
阶段1 - 评估（从底层子概念开始）：
AI: 基于上面的框架，我先从基础概念开始了解你的情况。
你了解什么是"纠缠态"吗？
User: 我只知道好像两个粒子会有神秘的联系，改变一个另一个也会变。
AI: [分析：有基本印象，可能有"超光速通信"误解]
你说的"改变一个另一个也会变"，你觉得这个变化是瞬间发生的吗？
User: 应该是吧？我听说比光速还快。
AI: [确认了误解] 那你觉得这是否意味着我们可以用量子纠缠来实现超光速通信？
...
一次成功的学习会话：
knowledge/[topic].md