feynman-coach

# 费曼学习法知识教练 (Feynman Coach) ## 核心理念 费曼学习法由诺贝尔物理学奖得主理查德·费曼提出，核心原则是：**如果你不能用简单的语言解释某件事，那你并没有真正理解它**。 本 Skill 将 AI 作为你的"虚拟学生"和"个人教练"，通过四个步骤帮助你实现深度学习和长期记忆： 1. **选择概念** - 从笔记中选择要回顾的知识点 2. **讲解教学** - 向 AI 学生解释这个概念 3. **识别差距** - AI 指出理解盲点和薄弱环节 4. **复习巩固** - 针对性强化，生成复习材料 ## 何时使用此 Skill **触发场景**： - 学习新知识后需要巩固理解 - 准备考试或演讲前复习 - 发现学过的知识容易遗忘 - 想要检验自己对某个概念的真正理解程度 - 需要整理知识体系，发现知识盲点 - **每日自动回顾**（需配置定时任务） **关键词触发**： - "帮我回顾一下..." - "用费曼技巧学习..." - "测试一下我对...的理解" - "每天提醒我复习..." - "知识教练" - "费曼学习" ## 工作流程 ### 模式 1：主动知识回顾（默认） 当你想要回顾某个知识点时使用： ``` 用户：用费曼技巧帮我回顾一下[[机器学习中的过拟合]] ``` **执行流程**： 1. **读取知识源** - 从你的笔记中读取相关内容 2. **模拟教学** - 你向 AI 学生解释概念 3. **提问挑战** - AI 提出基础到深入的问题 4. **诊断分析** - AI 分析你的理解盲点 5. **生成建议** - 提供个性化学习建议和复习材料 ### 模式 2：薄弱点专项训练 针对已识别的薄弱环节进行强化： ``` 用户：针对昨天的薄弱点进行专项训练 ``` **执行流程**： 1. **读取历史记录** - 查看之前的诊断结果 2. **针对性提问** - 重点针对薄弱环节提问 3. **深度解析** - 提供详细的解释和示例 4. **生成练习** - 创建针对性练习题 ### 模式 3：知识体系梳理 帮助你建立知识间的联系： ``` 用户：帮我梳理一下深度学习的知识体系 ``` **执行流程**： 1. **搜索相关笔记** - 找到所有相关知识点 2. **构建知识图谱** - 分析概念间的关系 3. **识别缺失环节** - 发现知识体系中的空白 4. **生成学习路径** - 提供系统化的学习建议 ## 使用方法 ### 基本用法 **步骤 1：选择要回顾的知识** ``` 用户：费曼教练，帮我回顾[[决策树算法]] ``` **步骤 2：开始讲解** AI 会扮演一个好奇但完全不懂的学生，你需要用简单的语言向它解释。 **步骤 3：回答问题** AI 会提出各种问题，从基础到深入： - "什么是决策树？" - "信息增益是什么意思？" - "决策树和随机森林有什么区别？" - "过拟合怎么解决？" **步骤 4：查看诊断报告** 讲解结束后，AI 会生成诊断报告： - ✅ 理解良好的部分 - ⚠️ 需要加强的部分 - ❌ 理解有误的部分 - 📚 推荐的学习资源 ### 高级用法 **配置每日自动回顾** 在 `.opencode/config.toml` 中添加： ```toml [feynman-coach] enabled = true review_time = "09:00" # 每天上午9点触发 days_between_reviews = 1 # 每隔1天回顾一次 review_scope = "recent_notes" # 可选：recent_notes, random, tagged review_tags = ["#学习", "#重要"] # 如果 review_scope = "tagged" max_daily_concepts = 3 # 每天最多回顾3个概念 ``` **手动触发每日回顾** ``` 用户：/feynman daily-review ``` **查看学习统计** ``` 用户：/feynman stats ``` **导出复习卡片** ``` 用户：/feynman export-cards [[决策树算法]] ``` ## 输出格式 ### 诊断报告示例 ```markdown # 费曼学习诊断报告 ## 回顾主题：决策树算法 ### 📊 理解度评估 **总体评分：75/100** #### ✅ 理解良好的部分 (40%) - 决策树的基本概念和结构 - 分类和回归的区别 - 树的构建过程 #### ⚠️ 需要加强的部分 (45%) - **信息增益的计算原理** - 建议：复习熵和信息增益的数学公式 - 资源：[[信息论基础]] - **剪枝策略的选择** - 建议：理解预剪枝和后剪枝的适用场景 - 资源：[[模型正则化方法]] #### ❌ 理解有误的部分 (15%) - **基尼指数 vs 信息增益** - 误区：认为两者计算结果相同 - 纠正：基尼指数偏向多分类，信息增益更通用 - 建议：对比两者的数学定义和适用场景 ### 🎯 个性化学习建议 1. **立即行动** - 阅读 [[信息论基础]] 第3章 - 完成下方的针对性练习 2. **本周目标** - 理解信息增益的数学推导 - 能够手动计算简单数据集的信息增益 3. **长期规划** - 将决策树与其他模型对比（SVM、神经网络） - 学习集成方法（随机森林、XGBoost） ### 📝 针对性练习题 **练习 1：计算题** 给定数据集... 请计算属性 A 的信息增益。 **练习 2：应用题** 在以下场景中，你会选择哪种剪枝策略？为什么？ ... **练习 3：对比分析** 比较决策树和逻辑回归在以下方面的异同：... ### 🔗 相关知识链接 - [[信息论基础]] - [[模型评估指标]] - [[集成学习方法]] - [[特征工程技巧]] ### 📅 下次回顾建议 **建议时间**：3天后 **重点内容**：信息增益计算、剪枝策略 **预计时长**：20分钟 ``` ### 复习卡片格式 ```markdown # 决策树算法 - 复习卡片 ## 卡片 1：基础概念 **正面**：什么是决策树？ **背面**：决策树是一种... ## 卡片 2：核心算法 **正面**：ID3、C4.5、CART 的区别？ **背面**：... ## 卡片 3：常见问题 **正面**：决策树容易过拟合，如何解决？ **背面**：... ``` ## 自动触发机制 ### 配置说明 本 Skill 支持通过以下方式实现每日自动触发： #### 方式 1：使用系统定时任务（推荐） **Windows (PowerShell)**： ```powershell # 创建每日任务 $action = New-ScheduledTaskAction -Execute "opencode" -Argument "run /feynman daily-review" $trigger = New-ScheduledTaskTrigger -Daily -At 9am Register-ScheduledTask -Action $action -Trigger $trigger -TaskName "FeynmanDailyReview" -Description "每日费曼学习回顾" ``` **macOS/Linux (cron)**： ```bash # 编辑 crontab crontab -e # 添加每日9点执行 0 9 * * * cd /path/to/your/project && opencode run /feynman daily-review ``` #### 方式 2：使用 Obsidian 插件 如果你使用 Obsidian，可以安装 **Templater** 或 **Dataview** 插件，结合本 Skill 实现： 1. 创建每日笔记模板 2. 在模板中添加费曼回顾按钮 3. 点击按钮触发 Skill #### 方式 3：使用 GitHub Actions 如果你将笔记放在 GitHub 上，可以配置 GitHub Actions： ```yaml # .github/workflows/feynman-review.yml name: Daily Feynman Review on: schedule: - cron: '0 9 * * *' # 每天 UTC 9点 jobs: review: runs-on: ubuntu-latest steps: - uses: actions/checkout@v2 - name: Run Feynman Coach run: | opencode run /feynman daily-review ``` ### 触发时行为 当自动触发时，费曼教练会： 1. **选择回顾内容** - 根据配置选择最近学习的笔记 - 或随机选择标记为 #复习 的笔记 - 或选择之前诊断出有薄弱点的笔记 2. **生成回顾任务** - 创建 Todo 列表 - 发送到 Obsidian 每日笔记 - 或显示通知提醒 3. **执行回顾流程** - 读取笔记内容 - 生成针对性问题 - 等待用户回答（交互式） - 或生成自测卡片（非交互式） ## 最佳实践 ### 学习节奏建议 - **新学知识**：学习当天进行第一次费曼回顾 - **短期巩固**：3天后进行第二次回顾 - **长期记忆**：1周后、1个月后分别回顾 - **定期梳理**：每月进行一次知识体系梳理 ### 提问技巧 **好的解释应该**： - 使用类比和生活化例子 - 避免专业术语，或解释术语 - 从简单到复杂，循序渐进 - 包含具体的例子和应用场景 **如果卡住了**： - 承认自己不懂的地方 - 回到原始材料重新学习 - 用更简单的方式重新解释 - 请求 AI 提供提示和引导 ### 知识管理建议 1. **标记重要概念** - 使用 `#费曼回顾` 标签 - 添加 `NextReview: 2025-02-20` 元数据 2. **建立知识链接** - 在笔记中添加 `RelatedNotes:` - 使用 Obsidian 的图谱视图 3. **记录学习历程** - 保存每次诊断报告 - 追踪理解度变化 - 记录常见误区 ## 故障排除 ### 常见问题 **Q: 自动触发没有工作？** A: 检查以下几点： - 定时任务是否正确配置 - opencode 是否在系统 PATH 中 - 项目路径是否正确 **Q: AI 提出的问题太简单/太难？** A: 可以在提问时说明你的水平： ``` 我是初学者，请从基础开始提问 ``` 或 ``` 我已经掌握基础，请深入提问 ``` **Q: 如何跳过某个知识点？** A: 在诊断报告中会提供跳过选项，或手动编辑笔记添加 `#跳过回顾` 标签。 **Q: 回顾历史记录保存在哪里？** A: 默认保存在 `Z_Utils/feynman-coach/history/` 目录下，按日期组织。 ## 进阶配置 ### 自定义评分标准 在 `SKILL.md` 同级目录创建 `config.json`： ```json { "scoring": { "clarity_weight": 0.3, "accuracy_weight": 0.4, "depth_weight": 0.2, "examples_weight": 0.1 }, "difficulty_levels": { "beginner": {"depth": "basic", "questions": 3}, "intermediate": {"depth": "medium", "questions": 5}, "advanced": {"depth": "deep", "questions": 7} } } ``` ### 集成其他工具 **与 Anki 集成**： ```bash # 导出复习卡片到 Anki opencode run /feynman export-anki [[决策树算法]] ``` **与 Notion 集成**： ```bash # 同步学习记录到 Notion opencode run /feynman sync-notion ``` ## 参考资源 - [费曼学习法原文](https://fs.blog/feyman-technique/) - [Obsidian 间隔重复插件](https://github.com/st3v3nmw/obsidian-spaced-repetition) - [Anki 记忆卡片软件](https://apps.ankiweb.net/) ## 版本历史 - v1.0 (2025-02-13) - 初始版本，支持基础费曼学习流程 - v1.1 (计划中) - 添加自动触发机制 - v1.2 (计划中) - 添加学习统计和可视化 - v1.3 (计划中) - 添加 Anki/Notion 集成 --- **提示**：本 Skill 需要配合 Obsidian 或其他笔记软件使用，确保你的知识库有良好的结构和链接关系，这样费曼教练才能发挥最大效果。