什么是Learning System
Learning System 是一个专为 AI 领域设计的系统性学习框架，旨在将零散的资讯、调研和代码实战转化为结构化的专业知识体系。其核心理念强调‘输入不等于学习’，真正的学习需要通过加工、关联与输出三个环节完成。系统通过管理知识图谱、深度学习笔记、实战复盘记录以及构建关联网络，帮助用户建立可追踪、可迭代的个人知识资产。用户可以通过自然语言指令触发学习流程，例如‘学了什么’、‘总结一下’或‘沉淀知识’，系统会自动识别意图并进入相应模式。
该系统支持多种工作模式，包括深度研究（deep-dive）、实战复盘（recap）、每周回顾（review）和健康检查（health），每种模式都有明确的操作流程和检查清单。在深度研究模式下，用户可围绕特定技术点展开专题学习，从选题到笔记撰写再到知识图谱更新形成闭环；实战复盘则聚焦于代码变更或项目改动的经验提炼；每周回顾功能汇总一周内的学习成果，并生成结构化周报。此外，系统还提供 mastery score 计算能力，基于时间衰减、重复接触和深度权重综合评估用户对各知识点的掌握程度。
整个系统采用模块化文件结构设计，所有学习产出均保存在 notes/areas/ 目录下，包含 ai-knowledge-map.md（全局知识图谱）、deep-dives/（深度笔记集合）和 weekly-reviews/（周度回顾存档）。系统还与其他技能组件紧密集成，如作为 para-second-brain 的本地存储节点被 memory_search 索引，同时可作为 openclaw-feeds 和 news-summary 等资讯源的下游处理模块，实现从信息摄入到知识内化的完整链路。
核心功能特点
- 支持深度研究、实战复盘、每周回顾和健康检查四种核心学习模式
- 自动识别用户意图并匹配对应工作流程，无需手动指定参数
- 内置 mastery score 机制，基于时间衰减、重复次数和深度权重量化掌握水平
- 通过关联网络在笔记间建立技术联系，强化知识体系构建
- 与 PARA 知识管理系统兼容，notes/areas/ 目录自动纳入检索范围
- 提供标准化模板和检查清单，确保学习过程规范且可追溯
适用场景
当开发者刚接触 vLLM 的 PagedAttention 实现时，可通过 deep-dive 模式启动专题学习：系统首先分析近期记忆日志和 PR 记录，确定‘KV Cache 管理机制’为待深入主题，随后加载笔记模板引导查阅源码与论文，撰写理解笔记并建立与已有注意力机制的关联，最后更新知识图谱中相关节点的掌握等级。这一过程不仅帮助厘清技术细节，更通过强制输出检验是否真正内化知识。
在完成 gemini-cli 项目的 OAuth 2.1 协议适配 PR 后，适合使用 recap 模式进行实战复盘：系统要求用户确认改动中的关键知识点（如 token refresh 流程），利用复盘模板梳理异常处理逻辑，特别关注并发请求下状态一致性问题，并将新获得的 OAuth 安全实践关联至知识图谱的安全领域，避免下次遇到类似问题时重复踩坑。
每周五晚上，用户可调用 review 模式开展系统性回顾：系统自动收集过去七天的 memory 日志、新增笔记及代码提交记录，结合 knowledge-map-rules 判断哪些输入已转化为稳定知识，最终生成包含进展概览与改进建议的周度报告，并通过飞书推送提醒后续行动项，确保学习节奏持续向前推进。