# Practice Driven Learning

> 实践驱动学习能力单元，帮助 Agent 在技术研究、方案探索、架构验证、学习路线梳理、调试排障与不确定问题推进时，把“调查问题、形成认识、设计最小行动、观察反馈、迭代修正”组织成可重复的认知与行动闭环，避免只停留在资料收集或空泛结论。关键词：实践驱动学习、学习闭环、调查、假设、行动、反馈、迭代、实验、验证。

- Skill: `qiao-925/practice-driven-learning` (Agent Skill, multi-file: 4 files)
- Install (CLI): `npx skillmds@latest add qiao-925/practice-driven-learning`
- Raw SKILL.md: https://api.skillmd.com/api/skills/qiao-925/practice-driven-learning/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: AI & ML
- Author: qiao-925 (https://skillmd.com/u/qiao-925)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/qiao-925/practice-driven-learning

---


# 实践驱动学习

> 这个 skill-unit 处理的是“如何把认知增长和实际推进连接起来”问题。它适用于存在不确定性、需要边做边学、边验证边修正的任务，不适用于只做一次性静态总结。

## Instructions

### Step 1：先判断任务是否属于“需要闭环”的问题

优先用于以下任务：

- 需要边研究边推进的技术主题、架构问题或工程方案
- 需要通过实验、实现、调研或排障逐步逼近结论的问题
- 用户不是只想“知道答案”，而是想“持续推进并验证”
- 当前结论不稳定，必须经过行动与反馈才能站稳

不优先用于以下任务：

- 单次事实查询
- 纯知识整理或纯写作任务
- 结论已经稳定，只需要规范化表达

若任务更像“把现有资料组织成内容”，优先联动 `knowledge-synthesis`。  
若任务更像“先建立某对象的宏观理解”，优先联动 `general-understanding-research`。  
若任务存在明显外部信息依赖，默认联动 `source-quality-control`。

### Step 2：从真实问题出发 —— 先调查，不先下结论

开始时先明确四件事：

1. 当前到底在解决什么问题
2. 这个问题为什么现在值得推进
3. 已知事实、未知部分、关键约束分别是什么
4. 当前阻塞到底卡在“信息不足”“理解不足”还是“验证不足”

调查阶段的目标不是把资料收满，而是建立“当前问题画像”：

- 任务目标
- 当前上下文
- 已知证据
- 主要不确定性
- 最可能的推进方向

如果调查之后连问题边界都不清楚，不要急着给方案。

### Step 3：形成认识 —— 把资料转成可检验的判断

调查完成后，必须把认知上提一层，形成当前版本的理解：

- 现在最合理的解释是什么
- 可能成立的核心假设有哪些
- 哪些结论已经足够稳
- 哪些仍然只是推断
- 哪个变量最值得优先验证

要求：

- 认识必须能被后续行动验证，而不是停留在抽象表态
- 事实、推断、假设、开放问题要明确分开
- 不要把“收集了很多信息”误当成“已经形成认识”

### Step 4：指导实践 —— 设计下一步最小有效行动

形成认识之后，不是直接扩写理论，而是转成下一步行动。

优先设计“最小有效行动”：

- 一次小范围实验
- 一个最小实现
- 一轮定向资料补查
- 一次针对性对比
- 一个可快速验证的重构或排障动作

行动设计要求：

- 能验证关键假设
- 成本可控
- 反馈周期短
- 结果可观察
- 即使失败也能增加认知

不要一上来设计大而全计划。  
先找“最能提升认知密度的下一步动作”。

### Step 5：检验修正 —— 预先定义要看什么反馈

任何行动在执行前，都应先定义反馈观测点：

- 什么结果说明当前判断被支持
- 什么结果说明当前判断被削弱或推翻
- 哪些现象属于噪声，不能过度解释
- 如果结果不理想，下一步该修哪里

反馈不是简单记录“成功/失败”，而是用来更新认识：

- 哪些假设被验证
- 哪些假设需要下调
- 哪些问题被暴露出来
- 当前理解是否要重组

没有反馈设计的行动，通常只是在忙。

### Step 6：进入下一轮 —— 把本轮结果沉淀成新的起点

本 skill 的终点不是“给出一个最终答案”，而是产出下一轮可继续推进的状态。

每一轮结束后，至少沉淀：

- 当前认知版本
- 已验证 / 未验证假设
- 本轮行动结果
- 关键反馈
- 下一轮最值得推进的方向

如果一轮结束后无法自然进入下一轮，通常意味着：

- 问题定义仍然太散
- 行动没有打中关键变量
- 反馈没有被结构化吸收

### Step 7：统一输出契约 —— 任何闭环都要能复盘

默认输出至少包含五部分：

1. 当前认知
2. 核心假设
3. 下一步最小行动
4. 反馈观测点
5. 下一轮修正方向

如果用户要求落文档、计划书、研究笔记或执行提案，仍然应保留这五部分骨架。

## Examples

### 示例 1：技术方案探索

```text
我要评估一种新的 RAG 路由方案，不确定是不是值得做。
```

默认动作：

- 先界定当前痛点和约束
- 形成几个候选解释与假设
- 设计最小验证动作，而不是直接给大改造方案
- 预先说明看哪些反馈来决定是否继续

### 示例 2：学习复杂系统

```text
我想深入理解某个工程平台，但不想只停留在资料阅读。
```

默认动作：

- 先建立当前理解框架
- 再设计一轮最小实践，例如复现、搭建、改造、对比
- 用实践反馈修正认知，而不是一直停在阅读层

## Edge Cases

### 资料极少

若外部资料不足，可降低“形成认识”的结论力度，但仍要保留“假设 -> 最小行动 -> 反馈点”的闭环。

### 风险很高，不能轻易实践

若行动成本高或风险高，应把“最小行动”换成低风险替代验证，例如：

- 小样本验证
- 沙箱实验
- 文档与案例交叉验证
- 局部 PoC

### 用户只要静态结论

若用户明确只要一次性总结，可不主导使用本 skill；此时把闭环思路降为隐性检查即可。

## 参考资料

- `references/cycle-structure.md` - 调查、认识、行动、反馈、深化五段闭环的结构与常见失真
- `references/artifact-contract.md` - 闭环类任务的统一产物契约与复盘格式
- `references/application-scenarios.md` - 技术研究、架构验证、调试排障、学习路线等典型适用场景