Learning System Skill

learning-system-skill

AI 领域系统学习体系 Skill，适用于 [OpenClaw](https://github.com/openclaw/openclaw) Agent。

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。

功能

• 📊 AI 知识图谱 — 6 大领域、31+ 主题，三级掌握程度标记（🔴入门 🟡熟悉 🟢精通）
• 📝 深度学习笔记 — 基于实战的主题深入研究，含标准化模板
• 🔄 实战复盘 — 每次 PR/问题解决后提炼学习点
• 🔗 关联网络 — 技术关联、实战关联、对比关联
• ⏰ 每周学习回顾 — 自动化周期性知识管理
• 🔧 健康检查 — 分析知识图谱健康度，给出改进建议
• 🧮 Mastery Score — 基于 recency × repetition × depth 的自动掌握程度评分

4 种模式

命令	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	运行脚本输出报告

附加参数：`--topic `（指定主题）、`--quick`（跳过确认）

Mastery Score 算法

自动扫描 memory 日志和深度笔记，计算每个主题的掌握分数：

score = Σ (weight × e^(-days_ago × ln2 / 30))

因子	说明
Recency	指数衰减，半衰期 30 天。今天 = 1.0，30 天前 = 0.5
Repetition	跨不同日期的接触次数累加
Depth	deep-dive ×3.0，PR/复盘 ×2.0，普通提及 ×1.0

分数阈值：≥8.0 建议 🟢，≥3.0 建议 🟡，<3.0 建议 🔴

python3 scripts/mastery_score.py          # 表格报告
python3 scripts/mastery_score.py --json   # 附加 JSON 输出

输出示例：

| 主题              | 当前 | Score | 建议 | 接触次数 | 最近 | 变更 |
|-------------------|------|-------|------|----------|------|------|
| MCP 协议          | 🟢  |  6.32 | 🟡  |        4 |   4d | ⬇️ 考虑降级 |
| Agent 可观测性     | 🔴  |  3.76 | 🟡  |        4 |   0d | ⬆️ 建议升级 |

文件结构

learning-system/
├── SKILL.md                              # Skill 定义（工作流 checklist）
├── README.md
├── scripts/
│   ├── health_check.py                   # 健康检查
│   └── mastery_score.py                  # Mastery Score 计算
└── references/
    ├── deep-dive-template.md             # 深度笔记模板
    ├── recap-template.md                 # 实战复盘模板
    ├── knowledge-map-rules.md            # 图谱升级规则
    ├── quality-checklist.md              # 交付质量检查
    ├── weekly-revi