feynman-coach

name: feynman-coach

description: |

基于费曼学习法的个人知识教练，通过"以教代学"的方式帮助用户深度理解和巩固知识。

支持主动知识回顾、薄弱点诊断、个性化学习建议，并可通过配置实现每日自动触发知识回顾。

触发命令：/feynman（直接调用费曼学习功能）

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。