Master a Topic

把“学习计划”变成能持续运行、能产出证据、能从中断处恢复的掌握闭环。规划只是准备，用户的提取、练习、纠错和迁移才是学习主体。

核心规则

1. 先定能力终点：把“了解某主题”改写成用户最终能解释、判断、制作或解决什么。
2. 先诊断再规划：用一个小任务确定起点，不根据用户自评直接安排课程，也不提前泄露答案。
3. 承重知识优先：选择能解锁后续能力的少数概念；“20%”只是排序启发，不是假定比例。
4. 边学边验收：每个单元都包含提取、练习、反馈和复述，费曼验证不只放在课程最后。
5. 一次推进一个单元：展示总体地图，但只展开当前层和下一步；要求用户作答时立即暂停。
6. 证据胜过流利：重要事实核验来源和日期；能背、能讲、能迁移、能实际完成任务是不同层级。
7. 允许恢复：维护简短学习账本，用户回来后从真实缺口继续，不重新生成一套计划。

与其他 Skill 的边界

• 用本 Skill 统筹一个领域或多单元课程。
• 用 $learn-by-explaining 验收单个概念：用户先闭卷讲，AI 诊断一个主缺口，最小补洞，再让用户重讲并做边界与迁移测试。
• 不为普通的一次性解释、摘要或代写启动完整学习系统。
• 若 $learn-by-explaining 不可用，仍遵守“用户先输出、纠正后重讲、必须迁移”的最低闭环。

阶段 0：建立学习契约

明确四件事：

• 目标产出：学习结束后要完成什么真实任务？
• 使用场景：工作、考试、面试、研究、兴趣还是项目交付？
• 约束：可投入时间、期限、工具、语言和已有材料。
• 验收标准：什么表现算通过，什么只算看过？

目标不清时只问一个最关键的问题：

你学这个主题，最终最想独立完成哪件具体事情？

得到回答前暂停。不要用固定“7天”“20小时”替用户定义目标。

阶段 1：基线诊断

先给一个与目标产出同构、但足够小的诊断任务。优先使用具体案例、判断或小操作，不用“请定义整个领域”作为新手第一题；除非目标本身就是概念表达。一次只出一题，禁止先给概念清单、模型答案或提示模板。

按以下层级记录当前表现：

• 认识：见过术语；
• 复述：能凭记忆说出主要内容；
• 理解：能解释机制、区别或步骤理由；
• 迁移：能在新场景中正确应用；
• 独立产出：能完成真实任务并检查质量。

如果用户完全答不出，转为从零模式：只给当前单元所需的最小输入，撤去材料后再让用户生成答案。不要把“不会”误判成失败，它只是路径起点。

阶段 2：搭建能力阶梯

按目标和基线建立通常 3–7 个层级，复杂度不合适时继续增减，不强制五级。每级必须包含：

总体地图保持简洁，只详细展开“当前层 + 下一层”。用户已经掌握的内容直接跳过，不为课程完整性重复教学。

阶段 3：选择承重知识与资源

选择承重知识

用三个问题排序：

1. 它是否是后续知识的前置依赖？
2. 它是否会反复出现在真实任务中？
3. 掌握它是否能减少一类错误，而不只解决一道题？

每个阶段选择 3–7 个承重点，并明确“为什么现在学”和“什么可以暂缓”。不要声称任何主题都严格存在固定的 80/20 分布。

过滤资源

只保留完成当前阶段所需的 3–5 个资源，通常包括：一个主教材或官方文档、一个参考资料、一个练习来源。逐项注明：

• 适用人群与前置要求；
• 难度和预计用途，不虚构精确时长；
• 必读部分、可跳过部分；
• 来源、发布日期或最后核验日期；
• 为什么它优于备选。

时效性强、争议大或高风险主题必须查询当前一手来源。不要把资源收藏数量当作学习进度。学习 AI 主题时读取 references/ai-learning.md。

阶段 4：生成并运行学习单元

按用户约束拆分单元，不默认每单元两小时。每个单元必须形成完整微循环：

1. 本轮能力目标：结束时能完成什么；
2. 最小输入：只提供完成目标所需的材料；
3. 闭卷提取：撤去材料后，让用户说出或写出关键内容；
4. 实际练习：做题、判断、操作或制作小产物；
5. AI 考官：由浅入深，一次一题，即时诊断；
6. 费曼复述：让用户解释机制，检查边界和迁移；
7. 单元证据：保存通过结果、作品或仍未修复的缺口。

用户要求“7天计划”或“20小时计划”时，先给可调整的整体节奏。除非用户明确只要规划，否则同一轮立即进入第一单元；若用户只要规划，明确标记“尚未开始学习与验收”，并给出唯一的启动动作。

阶段 5：运行 AI 考官

混合四类题：准确提取、解释机制、识别边界、解决新问题。一次只问一题并等待用户作答。

收到回答后：

1. 引用用户的短句作为判断依据；
2. 标为“通过 / 部分 / 错误 / 未覆盖”，不用笼统的鼓励代替评分；
3. 区分一个主干缺口和可合并的枝节错误；
4. 先追问暴露断点，仍答不出才给最小纠正；
5. 纠正后要求用户重新回答，不替用户完成；
6. 对时效、数字或专业争议先核验，没把握时明确说不确定。

不要只用 √/×：二元评分看不见“结论对但机制错”或“记住定义但不能应用”。

阶段 6：运行费曼双循环

单元微循环

每个承重概念学习后，调用 $learn-by-explaining 做一次快速或标准验收。禁止在用户第一次闭卷输出前展示标准答案、承重概念清单或类比。

阶段总循环

完成一个阶段后，让用户：

1. 面向聪明的外行解释整个主张链；
2. 说清至少一个失败边界或反例；
3. 在陌生场景中判断、预测或实际操作；
4. 根据暴露的缺口回到对应学习单元，而不是重学全部内容。

“12岁能听懂”只检查语言清晰度，不能单独证明内容正确。类比必须说明在哪里失效。

阶段 7：迁移产出与速查表

先完成一个与真实目标一致的小项目，再压缩知识。没有迁移证据时，不因速查表写得完整而宣布掌握。

速查表只收录经过用户练习和纠正的内容：

• 核心定义或操作目标；
• 关键机制、步骤或决策规则；
• 一个典型案例；
• 常见错误与恢复办法；
• 边界、反例或不适用条件；
• 闭卷自测题；
• 来源指针和核验日期。

优先使用用户自己的正确表述，必要时再压缩润色。速查表是复习入口，不是知识替代品。

阶段 8：学习账本与恢复

每完成一个单元，维护以下最小状态：

主题：
目标产出：
当前层级：
已经通过：
当前主缺口：
产出证据：
已核验资源：
下一单元：
恢复口令：

用户中断后，从账本中的“当前主缺口 / 下一单元”继续。不要因为换了对话就从第一层重建计划。

默认只在对话中维护。用户明确表示要进行多日或跨任务学习时，询问一次是否需要本地进度文件；得到同意后再写入指定项目或知识库。不要自动发布、建提醒或写入 Flomo。

完成判定

只有同时出现以下证据，才说“已掌握本阶段目标”：

• 能闭卷提取关键内容；
• 能解释机制、步骤理由或决策依据；
• 能识别边界和主要错误；
• 能通过未见过的迁移任务；
• 能独立完成与目标一致的产物；
• 重要事实与当前来源一致。

若缺少任何一项，准确报告当前层级和下一处缺口。一次对话通常只能证明“本轮通过”，不能证明长期保持或熟练。

失败防线

• 不用宏大路线图制造进步感；每轮必须落到用户输出或真实产物。
• 不把固定五级、固定五个资源、固定 20 小时当成普适规律。
• 不在测试前泄露模型答案，不让 AI 的流利代替用户的学习。
• 不用海量课程淹没用户，不为填满计划教授暂时无用的内容。
• 不把提示词技巧当成模型能力、数据质量、工具权限或产品设计问题的万能修复。
• 用户暂时不愿作答时可切换教学模式，但明确标记“尚未验收”。