learn-graph
当用户要系统学一个新领域、不知道从哪入手、或担心「学得不够系统」时使用。用「知识图谱学习法」和用户一起构建该领域的概念/用途/父子节点图谱（自己建图的过程本身就是学习），标出复用价值最高的节点和「从常识就能入门的点」，给出有效学习路径并回答「学到哪算够」。触发场景：系统学 X 领域、从哪开始学、学得不系统、想要 X 的全貌、规划学习路径、这个领域有多大。
git clone --depth 1 https://github.com/Li-Evan/Bloom /tmp/learn-graph && cp -r /tmp/learn-graph/skills/learn-graph ~/.claude/skills/learn-graphSKILL.md
# 知识图谱学习法（learn-graph） > 核心信条：**自己一步步建图谱的过程，本身就是最有效的学习——不要直接套用别人给的图谱。** 绝大部分知识，都有一个从常识就能入门的点。 ## 何时用 用户要系统进入一个新领域，或焦虑"学得不够系统 / 不知何时算够"。 ## 流程（关键：和用户一起建，不是直接灌一张完整图） ### 第一步：锁定目标领域 X 和目的 用户为什么学 X？（接 `learn-occam` 的"既定问题"）目的决定图谱画到多细。 ### 第二步：构建图谱——只抓三件事 **概念/名称 · 用途 · 上下文关系（父子节点）**： - 子节点 = X 依托 / 基于什么；父节点 = X 服务于什么目标。 - **以提问引导用户一起填**（自己建图才学得到），别一次性灌完。先给骨架，留节点让他补。 ### 第三步：标注两个关键 - **复用价值**：哪些节点父节点多（像 Python）→ 优先学，回报最高。 - **入门点**：哪个节点"从常识就能入门"→ 学习路径的起点。 ### 第四步：输出学习路径 + 颗粒度 从入门点出发、沿父子关系排一条有效路径。颗粒度按需自由切换（领域图 → 细分学科图）。"学到哪算够"= 覆盖到能解决第一步那个目的的节点即可，不必学满。 ### 第五步：交接 - 拿不准某节点是不是缺前置知识 → 这正是图谱的强项，已在图上标出。 - 找到入门点要动手 → 转 `learn-prototype`（在图上找"最垃圾原型"的起点）。 ## 注意 > ⚠️ **铁律·只用确证的已会知识**：判断用户「已经会什么」只能用他**确证学过**的知识（亲口确认或可靠背景）；**严禁**把「正在讲的材料 / 文章作者背景 / 对话里别人的知识」当成用户会的。拿不准 → 直接问「⚠️ 你学过 ___ 吗？」，绝不替他假设。 - 强调"自己建"：多用提问让用户参与，别炫一张完美的图。 - 同族 skill：`learn-occam`(该不该学) `learn-crossover`(已会什么) `learn-prototype`(动手) `learn-feynman`(自查)。
Use when 用户想以一对一苏格拉底导师的方式系统学习一个课题——开一门新课、推进课题的下一篇、提交学习反馈或说「我读完了」、或整理/查看学习日志。基于 Bloom 2 Sigma 的交互式学习系统。触发词：开个文件夹学X、我想学X、帮我学X、继续、下一篇、我读完了、整理学习、查看学习日志、interactive Socratic tutoring、Bloom 2 sigma learning。
当用户学习或接触一个新概念/新技术/新算法/新领域时使用（尤其感到陌生或有点难时）。用「跨界原则」拿用户已掌握的知识快速撬动新知识——指出他其实已经学过的同一个东西（换了名字）、结构同构的旧知识、能解释新知识的已有知识，并点出新概念体现的跨领域元知识模式。让「学新东西」变成「发现你已经会了一半」。触发场景：学 X、接触 X、这个好难、X 是什么、帮我理解 X。
用户学任何新概念/新技术/新理论的默认深度入口——一次性用五个视角把概念讲透并帮他选深入方向：crossover 用已会的撬动、occam 框定该学多深、graph 建知识地图、prototype 最小原型迭代、feynman 拷问检验。触发场景：我想学 X、理解 X、X 是什么、讲讲 X、搞懂 X、学一下 X、深入 X、给我讲讲 X。除非用户明确只要某一个视角（那时改用对应的单个 learn-* skill）。
当用户学完一个东西想自查是否真懂、或觉得「好像懂了」但不确定时使用。用「费曼学习法」让他用自己的话把概念讲出来，你扮好奇学生专挑他含糊/跳过的地方追问，把「讲不顺的模糊处」揪出来作为没真懂的漏洞，定位是缺前置知识还是没想透，判断理解是否闭环。触发场景：我学完了考考我、自查一下、我好像懂了、我讲讲你看对不对、检验我的理解、这个我真懂了吗。
当用户纠结要不要学某个东西、学到什么程度，或在做时间/精力/项目取舍时使用。用「简易策略」先逼问要解决的既定问题，检验现有知识能否搞定，评估知识贬值速度与 ROI，用「探索 vs 应用」判断该学新的还是用现有的，给出「学 / 不学 / 只学最小够用」的结论，避免囤积会贬值的知识。触发场景：要不要学 X、值不值得深入、学到什么程度够、时间不够该学啥、该深挖还是够用就行。
当用户要做/研究一个东西、想提升某个技能、或觉得某个产出不够好想改进时使用。用「改良主义」先逼出一个最垃圾但能跑的原型，再引导他自己洞察缺陷、提出问题，提改良假说→实践检验→迭代，信奉「洞察缺陷 > 如何优化 > 最终答案」，并把每次改进的方法本身沉淀成方法论。触发场景：要做 X、研究 X、提升 X、X 做得不好想改进、怎么优化 X、不知从哪下手做。