---

name: learn locale: wenyan-lite source_locale: en source_commit: 82c77053 fence_basis_commit: 82c77053 translator: "Julius Brussee homage — caveman" translation_date: "2026-04-24" description: > AI systematic knowledge acquisition from unfamiliar territory — deliberate model-building with feedback loops. Maps spaced repetition principles to AI reasoning: survey the territory, hypothesize structure, explore with probes, integrate findings, verify understanding, and consolidate for future retrieval. Use when encountering an unfamiliar codebase or domain, when a user asks about a topic requiring genuine investigation rather than recall, when multiple conflicting sources require building a coherent model, or when preparing to teach a topic and deep understanding is required first. license: MIT allowed-tools: Read Grep Glob WebFetch WebSearch metadata: author: Philipp Thoss version: "1.0" domain: esoteric complexity: intermediate language: natural tags: esoteric, learning, knowledge-acquisition, meta-cognition, model-building

學習

進行結構化之知識獲取會話——勘察陌生之域，建立初始模型，以刻意探索驗之，整合所得為連貫理解，最終固化以便持久檢索。

適用時機

• 遇陌生代碼庫、框架或領域，毫無先前上下文
• 用戶詢及當前工作知識之外之主題，答案需真實探究，非僅回憶
• 多源或多模式相悖，須從零建立連貫心智模型
• remote-viewing 呈現直覺線索後需系統驗證
• 備 teach 之時——AI 須先深解方能釋之

輸入

• 必要：學習目標——主題、代碼庫區、API、域概念或待解之技術
• 選擇性：範圍邊界——深至何處（表面勘察 vs. 深度專精）
• 選擇性：用戶之目的——何以需此知識（指引優先面向）
• 選擇性：已知起點——已熟悉之文件、文檔或概念

步驟

步驟一：勘察——繪領土

試解之前，先繪地景以識別存在者。

Learning Modality Selection:
┌──────────────────┬──────────────────────────┬──────────────────────────┐
│ Territory Type   │ Primary Modality         │ Tool Pattern             │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ Codebase         │ Structural mapping —     │ Glob for file tree,      │
│                  │ find entry points, core  │ Grep for exports/imports,│
│                  │ modules, boundaries      │ Read for key files       │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ API / Library    │ Interface mapping —      │ WebFetch for docs,       │
│                  │ find public surface,     │ Read for examples,       │
│                  │ types, configuration     │ Grep for usage patterns  │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ Domain concept   │ Ontology mapping —       │ WebSearch for overviews,  │
│                  │ find core terms,         │ WebFetch for definitions,│
│                  │ relationships, debates   │ Read for local notes     │
├──────────────────┼──────────────────────────┼──────────────────────────┤
│ User's context   │ Conversational mapping   │ Read conversation,       │
│                  │ — find stated goals,     │ Read MEMORY.md,          │
│                  │ preferences, constraints │ Read CLAUDE.md           │
└──────────────────┴──────────────────────────┴──────────────────────────┘

1. 識別領土類型，擇主要模式
2. 作廣掃——非深讀，乃識別地標（關鍵文件、入口、核心概念）
3. 記邊界：何在範內，何毗鄰，何在範外
4. 識別缺口：表面重要而不透明之域
5. 繪粗圖：列主要組件及其表面關係

預期： 領土骨架圖，有 5-15 地標。對何處自表可明、何處需深探有所感。尚無理解——僅圖而已。

失敗時： 若領土太廣難勘，立即收窄範圍。問：「為滿足用戶目的，所需最少理解為何？」若無明顯入口，自輸出起（此系統產何？）逆向追溯。

步驟二：假設——建初始模型

自勘察構建系統運作之初始假設。

1. 擬 2-3 假設關於領土之結構或行為
2. 明陳每假設：「我信 X，因觀 Y」
3. 對每假設，識別何證據可驗之，何證據可否之
4. 以信心排序：何最受支持，何最搖擺
5. 識別最高價值之假設以先驗（若驗成，最能解鎖理解者）

預期： 具體、可證偽之假設——非模糊印象。各有驗證之測。諸假設共涵領土最重要之面。

失敗時： 若無假設可形，勘察過淺——返步驟一，深讀 2-3 地標。若所有假設感同不確，自最簡者起（奧卡姆剃刀）漸建。

步驟三：探索——探測並驗

系統驗每假設，以目標探究。

1. 擇最高優先級之假設
2. 設計最小探測：能驗或否之之最小探究為何？
3. 執行探測（讀文件、搜模式、測假設）
4. 記結果：已驗、已否，或已改
5. 若已否，依新證據更新假設
6. 若已驗，探更深：假設於邊緣是否仍立，抑或僅於中心？
7. 轉下一假設，重之

預期： 至少一假設已驗至結論。心智模型漸成——部分已驗，部分已修。驚奇為特有價值之數據。

失敗時： 若探測屢產模糊之果，假設恐驗錯物。退而問：「解此系統者會視何事為最重要之事實？」轉探此。

步驟四：整合——建心智模型

合所得為連貫之模型，連接諸片。

1. 回顧所有已驗與已修之假設
2. 識別中心組織原則：何為「脊柱」——萬事皆連於此？
3. 繪關係：何組件依何？何流何處？
4. 識別驚奇之發現——常含最深洞見
5. 尋跨領土不同部分重複之模式
6. 建可預測行為之心智模型：「輸入 X，我期 Y，因 Z」

預期： 連貫之心智模型能釋領土結構並預測行為。模型當可 3-5 句表達，須作具體斷言，非模糊之泛論。

失敗時： 若諸片不合為連貫模型，恐早期假設有根本誤解。識別不合之片，再驗之。另，領土或真實不連貫（劣設計之系統存在）——此亦作發現記之，勿強求連貫。

步驟五：驗證——挑戰理解

以預測驗心智模型，並查之。

1. 用模型對領土作 3 具體預測
2. 以探究驗每預測（勿假其為真）
3. 每已驗之預測，信心增
4. 每已否之預測，識別模型何處誤並修之
5. 識別邊緣情形：模型於邊界是否仍立，或崩？
6. 問：「何會使我驚？」——再查此驚是否可能

預期： 心智模型過至少 3 之 2 預測驗。其崩處，敗因已解，模型已修。模型今有已驗之強與已知之限。

失敗時： 若多預測敗，心智模型有根本缺陷。此反為有價值之信息——謂領土與所期不同。攜新證據返步驟二，自零重建假設。第二嘗試將快多，因誤模型已剔。

步驟六：固化——存以備檢索

捕學習於支未來檢索與應用之形式。

1. 以 3-5 句總結心智模型
2. 記關鍵地標——最須記之 3-5 事
3. 記任何反直覺之發現，或易忘者
4. 識別此學習所連之相關主題
5. 若學習持久（跨會話所需），更新 MEMORY.md
6. 若學習限本會話，作當前對話上下文記之
7. 陳述何仍未知——誠實缺口比虛假信心有用

預期： 簡潔、可檢索之總結，捕本質理解。未來此主題之引用可自此總結始，勿從零重學。

失敗時： 若學習抗拒總結，恐尚未完全整合——返步驟四。若學習感覺過於顯而見，值得存否可疑，思今感覺顯者於新上下文未必顯。存非顯之部分。

驗證

• 深究之前已勘察（先繪圖後潛）
• 假設已明陳並驗，非默認
• 至少一假設依證據已修（示真學習）
• 心智模型對領土作具體可驗之預測
• 已知未知與已知已知並識
• 固化之總結夠簡潔，於未來檢索有用

常見陷阱

• 略勘察：未解地景即入細節，費時於不重處，失大局
• 不可證偽之假設：「此恐複雜」不可驗。「此模塊處驗證，因其導入 crypto」可驗
• 探索中之確認偏誤：僅尋支持初假之證據而忽矛盾
• 過早固化：未驗模型即存之，致未來自信地預測誤
• 完美主義：欲學盡方用。學習乃疊代——用部分理解，再精之
• 無目的之學：無應用之志而獲知，產分散淺薄之理解

相關技能

• learn-guidance — 人類指導變體，用於陪伴人過結構化學習
• teach — 校準於學者之知識傳遞；建基於此處所構之模型
• remote-viewing — 直覺探索，呈現系統學習所驗之線索
• meditate — 入新學習領土之前清先前上下文噪音
• observe — 持續中性模式識別，以原始數據飼學習