Learning

核心用法

该 skill 通过持续观察用户与 AI 的交互模式，自动构建用户画像数据库。系统追踪用户对不同解释风格的反馈（如简洁型 vs 详尽型、理论型 vs 案例型），并在 2 次以上一致信号确认后固化偏好。核心功能包括：

• Style 维度：识别用户吸收知识的最佳特质（如视觉型、听觉型、实践型）
• Format 维度：记录偏好的解释格式（如步骤清单、对比表格、故事叙事）
• Tools 维度：标记有效的学习工具/方法及其适用场景
• Never 维度：明确排除低效或引发负面体验的教学方式

显著优点

1. 零配置启动：无需预设问卷，从首次对话即开始隐式学习
2. 跨场景适配：覆盖学术、职场、兴趣探索等多元学习情境
3. 渐进精准化：避免单次判断失误，采用 2+ 信号确认机制提升准确性
4. 结构可扩展：通过 dimensions.md 和 criteria.md 支持自定义评估维度

潜在缺点与局限

• 冷启动期：初期 3-5 轮对话内偏好数据稀疏，输出稳定性不足
• 信号噪声干扰：用户情绪、紧急程度等外部因素可能扭曲真实偏好
• 维度边界模糊：Style/Format/Tools 分类存在重叠，人工编辑时需判断归属
• 缺乏遗忘机制：长期未更新的偏好可能过时，但系统未设计自动衰减策略

适合人群

• 终身学习者、知识工作者、教育从业者
• 对 AI 教学效果有持续优化诉求的深度用户
• 学习场景多元、难以用静态标签定义的复杂需求者

常规风险

• 过度拟合风险：过早固化偏好可能错过更优教学方式
• 隐私累积：长期行为数据沉淀需关注存储与迁移安全
• 编辑冲突：用户手动修改与自动检测结论不一致时缺乏仲裁机制

核心用法

Learning 是一款用户行为驱动的自适应学习偏好记录 Skill。其核心机制在于通过持续观察用户的知识吸收模式，自动构建个性化的学习画像。具体使用方式包括：

• Style（风格维度）：记录用户偏好的知识吸收特质，如"视觉型"、"逻辑推导优先"、"案例驱动"等
• Format（格式维度）：追踪最有效的解释形式，如"分步骤拆解"、"类比说明"、"图表结合"等
• Tools（工具维度）：记录偏好的学习辅助手段，如"思维导图"、"间隔重复"、"项目实战"等
• Never（禁忌清单）：明确记录对用户无效甚至产生反效果的方法

该 Skill 采用"信号确认"机制——同一偏好在出现 2 次以上一致反馈后才正式记录，避免过早判断。同时支持与 dimensions.md（分类体系）和 criteria.md（格式标准）联动，形成结构化的学习档案。

显著优点

1. 零侵入式观察：无需用户主动填写问卷，通过交互过程中的自然反馈即可建立画像
2. 全场景覆盖：支持学术深造、职业技能、兴趣探索等多元学习场景
3. 极简维护成本：条目采用超紧凑格式，更新门槛低，可持续迭代
4. 正向循环强化：AI 教学效果随使用时间增长而精准度提升

潜在局限

• 冷启动期依赖：初期缺乏历史数据时，适配效果有限
• 用户行为噪音：偶发性偏好可能被误读为长期模式（虽有2次确认机制）
• 格式标准化约束：严格遵循预设模板，灵活性不足
• 跨平台断层：若在不同 AI 环境使用，偏好数据无法同步

适合人群

• 终身学习者、知识工作者
• 教育从业者（用于理解学生/学员特征）
• 对 AI 教学体验有品质要求的深度用户
• 需要个性化学习方案设计的场景

常规风险

该 Skill 为纯 Markdown 文档型技能，无可执行代码、无外部依赖、无网络调用，不存在代码注入、数据泄露或供应链攻击风险。主要风险在于：

• 隐私感知风险：用户可能未意识到 AI 正在"观察"其学习偏好
• 画像固化风险：长期记录可能导致 AI 过度依赖历史模式，忽略用户潜在的变化与成长空间
• 误读反馈风险：用户的负面反馈可能指向内容质量本身，而非学习风格不适，需结合上下文判断