feedback-driven

name	feedback-driven
description	用户在靠毅力和意志力坚持学习但越来越痛苦、效率越来越低时使用；或在学了很久却感觉"翻开书全会，合上书全废"时使用。当用户说"每天从早学到晚却收效甚微""没有成就感""坚持不下去了"时激活。不适用于：纯信息查询、非学习类日常事务、已经建立了正向反馈循环的场景。
source_book	《认知觉醒》 周岭
source_chapter	第五章第六节 反馈：是时候告诉你什么是真正的学习了
tags	["学习方法","反馈","输出","持续学习"]
related_skills	[{"slug":"deep-learning","relation":"composes-with"}]

反馈驱动学习法

R — 原文 (Reading)

"所以科学的学习策略是产出作品、获取反馈，驱动本能脑和情绪脑去'玩玩玩'，而不是一味地努力坚持，让理智脑苦苦地去'学学学'。这看起来很违反直觉，但它确实成为优劣学习者之间无形的分水岭。"

"无反馈，不学习……没有反馈的学习不仅是痛苦的，而且十有八九会失败。"

— 周岭, 第五章第六节

---

I — 方法论骨架 (Interpretation)

学习的发动机不是理智脑，而是本能脑和情绪脑。理智脑身单力薄，靠它死磕注定痛苦和失败；本能脑和情绪脑虽然短视愚笨，但拥有超强的欲望和情绪力量。正确策略不是"让理智脑辛苦工作"，而是用它的聪明才智设计一个让本能脑和情绪脑持续获得正向反馈的游戏——产出作品、获取反馈，让情绪脑"沉迷"于学习。

具体做法：无论学什么，尽快产出点什么（说、写、做），换取外界反馈（夸奖、认可、批评）。正向反馈会像海浪冲击沙滩一样反复强化信心，形成"产出→反馈→更强动力→更多产出"的增强回路。放弃"先学好再输出"的线性思维，直接跳到"边做边学"模式。

---

A1 — 书中的应用 (Past Application)

案例 1: 刘传两年考取电子琴十级

• 问题: 刘传从零开始学电子琴，同龄人通常需要4-5年考到十级
• 方法论的使用: 老师完全不教乐理，只示范→让刘传练成→周末验收，如此循环。每次练成都能流畅演奏，收获即时的夸奖和赞扬
• 结论: 持续的正向反馈让他始终沉浸在弹琴的乐趣里，两年考到十级
• 结果: 反馈像海浪一遍遍冲击信心，他完全不需要"坚持"和"毅力"（c21）

案例 2: 周岭用读者反馈驱动写作

• 问题: 周岭写作需要持续的动力来源
• 方法论的使用: 电脑里专门建文件夹收藏读者夸奖、肯定的留言截图，每当看到这些截图就动力十足
• 结论: "锁定价值—打磨作品—换取反馈"成为持续写作的真实策略和动力来源
• 结果: 频频在电脑前一坐数小时而不知疲惫，深知这是在驱动情绪脑为自己工作（c22）

---

A2 — 触发场景 (Future Trigger) ★

用户会在什么情境下需要这个 skill?

1. 靠毅力和意志力坚持学某样东西，但越来越痛苦、效率越来越低
2. 每天打卡学习却感觉"翻开书全会，合上书全废"，没有成就感
3. 学了很久某项技能（英语、编程、乐器等）但始终无法实际运用
4. 孩子学了很久却越来越抗拒（练琴、写作业等），需要重新设计学习动力
5. 在工作中持续学习但感觉不到进步和认可，想要找到可持续的学习方式

语言信号 (用户的话里出现这些就应激活)

• "每天从早学到晚，收获的却是无力和疲累"
• "翻开书全会，合上书全废"
• "学了很久但还是不会用/不敢说"
• "坚持不下去了，越来越痛苦"

与相邻 skill 的区分

• 与 deep-learning 的区别: deep-learning 侧重"获取→缝接→输出"的知识内化全流程，feedback-driven 侧重"产出作品获取反馈以驱动情绪脑"这一动力机制，是 deep-learning 中"输出"步骤的延伸和具体化
• 与 check-in-trap 的区别: check-in-trap 解决"打卡动机转移"导致的学习失败，feedback-driven 从正面指出正确路径（产出而非打卡），两者互补

---

E — 可执行步骤 (Execution)

当 skill 被激活后, agent 应按以下步骤执行:

1. 诊断当前学习模式

   • 询问用户当前的学习方式，判断是否陷入了"纯输入无反馈"的陷阱
   • 完成标准: 确认用户目前的学习过程中缺少输出环节和正向反馈来源
   • 判停条件: 若用户已经有稳定的输出和反馈机制，则告知其已走在正确路径上，无需额外干预

2. 设计最小可行的产出方案

   • 根据用户学习的具体领域，建议一个"跳过原理直接实操"的最小产出方案（如：学英语→翻译一段美文；学编程→做一个小项目；学写作→写一篇文章并发布；学乐器→录制一段演奏）
   • 完成标准: 用户有一个具体的、一周内可完成的产出目标

3. 建立反馈回路

   • 帮助用户明确"从谁那里获取反馈"和"如何获取反馈"，并建议记录正向反馈（如截图保存、写反馈日记）
   • 完成标准: 用户确定了至少一个反馈来源，并制定了记录反馈的习惯

---

B — 边界 (Boundary) ★

不要在以下情况使用此 skill

• 用户已经建立了稳定的正向反馈循环，不需要额外干预
• 任务本身是一次性的、不需要持续学习的（如临时查资料完成一个报告）
• 用户当前面临的不是学习动力问题，而是基础能力严重不足（需要先回到舒适区边缘匹配法）

作者在书中警告的失败模式

• "无反馈输入陷阱"（ce11）: 一味输入学习而不产出、不获取反馈，靠毅力和认知苦苦支撑，最终因痛苦和缺乏动力而失败。每天从早学到晚，收获的却是无力和疲累；不停地学习各种技能但内心始终得不到满足。

作者的盲点 / 时代局限

• 作者假设"产出作品"总能获取反馈，但现实中很多领域（如学术研究、高级专业训练）的正向反馈周期很长，并非所有学习都能快速"产出作品换取反馈"
• AI时代部分学习可通过AI提供即时反馈，书中未涉及这种人机反馈模式

容易混淆的邻近方法论

• 费曼技巧: 侧重"用自己的话解释清楚"，是反馈获取的具体手段之一，但不涵盖"建立反馈回路驱动情绪脑"的完整策略
• 刻意练习中的"有效反馈": 侧重技能训练中的纠错反馈，feedback-driven 更强调社交性正向反馈对学习动机的驱动作用

---

相关 skills (阶段 3 填充)

• depends-on: {}
• contrasts-with: {check-in-trap}
• composes-with: {deep-learning}

---

审计信息

• 验证通过: V1 ✓ / V2 ✓ / V3 ✓
• 测试通过率: %(详见 test-prompts.json)
• 蒸馏时间: 2026-04-30

---

相关 Skills

• deep-learning (组合): feedback-driven的A2段明确说'deep-learning侧重获取→缝接→输出的全流程，feedback-driven侧重产出作品获取反馈以驱动情绪脑，是deep-learning中输出步骤的延伸和具体化'。深度学习提供内化框架，反馈驱动提供动力机制，两者配合才能形成可持续的深度学习闭环。