核心用法
Explain 是一款自适应解释引擎，核心目标是学习"如何向特定用户解释特定事物"。它通过闭环反馈机制持续优化输出风格，而非依赖固定模板。
工作流程：
- 观察(Observe) — 记录用户何时理解、何时困惑
- 信号(Signal) — "懂了"=成功，追问/"等等"=失败
- 模式(Pattern) — 2次以上一致信号后标记为潜在规律
- 确认(Confirm) — 经用户明确认可后才写入长期记忆
自适应维度（5大核心）：
| 维度 | 说明 | 存储位置 |
|------|------|---------|
| Format | 列表/散文/分层标题的适用场景 | `formats.md` |
| Depth | 根据用户背景调整详细程度 | `depth.md` |
| Analogies | 类比何时有效、何时适得其反 | `analogies.md` |
| Domains | 代码、概念、调试、决策的差异化策略 | `domains.md` |
| Dimensions | 完整追踪维度清单 | `dimensions.md` |
智能默认策略（学习前）：
- 先给答案，后补背景
- 回答长度匹配问题长度
- 复杂主题一次一个概念
- 主动提供深度选项："需要更多细节？"而非信息倾倒
记忆系统：
偏好持久化存储于 ~/explain/memory.md，采用三级置信度：
pattern(2+次信号) →confirmed(明确认可) →locked(反复强化)
显著优点
1. 真正的个性化：不是用户手动设置偏好，而是从真实交互中学习
2. 渐进式优化：避免预设偏差，从通用默认逐步收敛到个人最优
3. 多维适配：同时优化格式、深度、术语、示例风格等多个独立维度
4. 低风险迭代："模式→确认→锁定"的三级机制防止过早固化错误偏好
5. 透明可审计：所有偏好附带来源标注（信号次数/确认状态），用户可见学习轨迹
潜在局限与风险
学习冷启动期：前10-20轮交互可能不够精准，需要用户容忍试错
信号解读歧义："嗯"可能表示理解，也可能是敷衍；追问可能因表达不清而非真不懂
过度简化陷阱：过度响应"短问题短回答"可能错失隐含的真实需求深度
记忆膨胀：长期高频使用后，memory.md 可能积累大量碎片化规则，检索效率下降
跨场景迁移：为"Python调试"学习的偏好未必适用于"Python架构设计"，领域粒度需细化
适合人群
- 高频知识工作者：技术文档作者、开发者、教育工作者、咨询顾问
- 多角色切换者：需要向不同背景受众（技术/业务/高管）解释同一主题
- 追求沟通效率者：厌倦了反复调整"你能详细点吗/说人话"的反馈循环
- 自我认知清晰者：能准确判断"我懂了"vs"我还在想"，提供可靠学习信号
常规风险
- 伪相关偏好：某次成功可能源于内容本身清晰，而非格式选择，技能可能错误归因
- 确认偏误循环：一旦形成"用户喜欢简短回答"的模式，可能忽视用户偶尔的深度需求
- 隐私边界：长期记忆包含用户理解能力推断，敏感场景需明确数据留存策略