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：

[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

# 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

# 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)：

# 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)：

# 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：

# .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：

{
  "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：

# 导出复习卡片到 Anki
opencode run /feynman export-anki [[决策树算法]]

与 Notion 集成：

# 同步学习记录到 Notion
opencode run /feynman sync-notion

参考资源

• 费曼学习法原文
• Obsidian 间隔重复插件
• Anki 记忆卡片软件

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。