功能描述

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...

使用说明 (SKILL.md)

Learning System

Name: Learning System Skill
Author: onlyloveher

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 \x3Cname>: 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
- 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](相对路径)

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

安全使用建议

This skill appears coherent for managing learning notes and computing mastery scores. Before installing, note: (1) it reads files under ~/.openclaw/workspace/ (notes, memory logs, deep-dives, weekly-reviews) and will rely on those files to generate reports—ensure you are comfortable with it reading those local files; (2) SKILL.md instructs the agent to create and update note files (ai-knowledge-map.md, deep-dives, weekly reviews) — if you allow autonomous runs or use the --quick flag the agent may write files without extra confirmations; (3) the docs mention sending summaries via Feishu and '按需加载' other skills — if you enable those actions you will need to provide/configure credentials or connectors and that expands the skill's effective access; (4) scripts only read and analyze files and print reports (no network calls or hidden endpoints were found), but review the scripts yourself if you have sensitive data in your workspace; (5) consider backing up notes/knowledge map before first run and avoid enabling fully autonomous operation until you confirm the behavior fits your workflow.

能力评估

✓ Purpose & Capability

The skill name/description (learning system, knowledge map, deep-dive notes, weekly review) matches the actual files and scripts. The included Python scripts operate on local workspace paths (~/.openclaw/workspace/...), which is proportional to the stated purpose. No unrelated env vars, binaries, or config paths are requested.

ℹ Instruction Scope

SKILL.md explicitly instructs the agent to read memory logs, PR records, deep-dive notes, and the knowledge map and to create/update notes/weekly reviews. That behavior is coherent for a learning-management skill but means the skill will access personal project/activity logs. SKILL.md also mentions sending summaries via Feishu and '按需加载' other AI/ML skills; those actions may require external connectors/credentials or cause the agent to call other skills (expands scope).

✓ Install Mechanism

No install spec; this is instruction-only with two small helper scripts bundled. No network downloads, package installs, or archive extraction are present—lowest install risk.

✓ Credentials

The skill requests no environment variables, no secrets, and no external credentials in its metadata. Occasional references to sending reports via Feishu are present in the docs but no Feishu token or connector is demanded by the skill itself. Overall the requested environment access is proportional to the purpose.

✓ Persistence & Privilege

always: false and default autonomous invocation allowed (platform default). The skill does not request permanent platform-wide privileges or modify other skills. It suggests writing/updating files under the user's notes directory and optionally scheduling cron jobs (user action), which are expected for a notes/reporting tool.

版本历史

v1.0.0

Initial release with a systematic AI learning workflow. - Introduces four main modes: deep-dive (深度研究), recap (实战复盘), review (每周回顾), and health check (健康检查), with clear argument hints and user triggers. - Provides step-by-step checklists and templates for deep study, knowledge recap, and weekly review workflows. - Structures all knowledge as notes, weekly reviews, and a knowledge map, emphasizing mastery tracking and interconnected learning. - Includes automatic mastery scoring and knowledge health checks via scripts. - Actively encourages linking related topics and integrating with other skills and data sources.

元数据

Slug learning-sys-v1

版本 1.0.0

许可证 MIT-0

累计安装 0

当前安装数 0

历史版本数 1

常见问题

Learning System Skill 是什么？

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... 它是一个面向 Claude Code / OpenClaw 的 AI Agent Skill 插件，目前累计下载 113 次。

如何安装 Learning System Skill？

在 OpenClaw 或 Claude Code 对话框中运行命令「/install learning-sys-v1」即可一键安装，无需额外配置。

Learning System Skill 是免费的吗？

是的，Learning System Skill 完全免费，采用 MIT-0 许可证，可自由下载、安装和使用。

Learning System Skill 支持哪些平台？

Learning System Skill 跨平台运行，可在任意部署了 OpenClaw / Claude Code 的环境中使用（cross-platform）。

谁开发了 Learning System Skill？

由 onlyloveher（@onlyloveher）开发并维护，当前版本 v1.0.0。

Learning System Skill