SkillHub

learning-system-skill

v0.1.0

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。

Sourced from ClawHub, Authored by 青雲

Installation

Please help me install the skill `learning-system-skill` from SkillHub official store. npx skills add echoVic/learning-system-skill

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
  • [ ] 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

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