一个令人不安的数字
翻了一下自己过去一年的学习记录——看了 20+ 本技术书、刷了若干课程、记了一堆笔记。
然后问自己：这些学到的东西，有多少真正被应用到了工作中？
答案是一个令人不安的比例。大量的学习投入变成了"学了觉得有用→回到工作里照旧"。不是因为知识没吸收——而是因为从学习到应用之间缺一根线，缺一个提醒你"你学的 X 可以用在当前遇到的 Y 上"的机制。
这就是我设计这套系统的初衷。
核心问题
个人学习的三个结构性缺陷：
| 缺陷 | 表现 | 后果 |
|---|---|---|
| 学了不用 | applied_count = 0 | 知识衰减，投入浪费 |
| 不知道缺什么 | 项目需要的能力 vs 现有能力无对照 | 该学的不学，不急的猛学 |
| 没有节奏 | 兴奋时猛学，忙时全停 | 断断续续，形不成深度 |
传统工具（Notion 看板、读书笔记 app）解决了"记录在哪"——但没解决上面三个问题。
框架：学习作为工作台一等公民
我的解法是：把学习领域当成和项目一样重要的工作台实体来管理。
不是"某个 app 里的阅读清单"，而是：
- 有正式注册
- 有状态追踪
- 有进度督促
- 有应用回写
- 有缺口检测
三角映射模型
核心数据结构：
- 项目 → 需要什么能力 (
required_capabilities) - 学习 → 覆盖什么能力 (
covered_capabilities) - 缺口 = 项目需要 - 学习覆盖
当你接了一个新项目，系统自动计算："这个项目需要分布式系统知识 Level 3，你目前只有 Level 1，缺口严重度: high"。
不是你自己去想"我是不是该学点什么"——而是系统基于你的实际工作需求告诉你该学什么。
AI 在其中的 5 个角色
AI 不是"教你知识"的角色——而是"管理你学习过程"的角色。
1. 注册：把"想学"变成"正在学"
触发词："我开始学 X"
AI 做什么：
- 创建正式的学习实体（带 frontmatter、状态、里程碑）
- 关联到能力图谱
- 设置 freshness 阈值
为什么需要正式注册？ 因为"心里想学"和"正式开始学"是两个完全不同的状态。注册的仪式感迫使你想清楚：学什么、学到什么程度、期望多久。
2. 督促：gentle but persistent
freshness 阈值：
- ≤7 天 🟢 正常
- 7-14 天 🟠 提醒："你已经 X 天没碰这个领域了"
- 14-21 天 🔴 警告："建议暂停或重启"
-
21 天 ⚫ 建议归档
双维度督促：
- 反思维度：你多久没做学习笔记了？
- 应用维度：你学了之后用了吗？（
applied_count）
第二个维度是关键——很多人"学"得很勤，但 applied_count = 0。AI 会主动提醒："你上周学了 RAG 工程，本周有个项目正好需要——要不要试试？"
3. 反思：适度抗辩
当你写学习笔记时，AI 不只是"收到了"——它会做适度抗辩：
- "你说 X 是对的，但有没有考虑过 Y 的情况？"
- "这个理解和你两周前关于 Z 的反思一致吗？"
- "你确定这里没有混淆 A 和 B 的概念？"
注意：是"适度"——提出疑问，不直接判错。疑点标记为"待验证"，不是"你错了"。
4. 缺口识别：需求驱动学习
这是整个系统最有价值的能力。
当你的项目状态变化了（新项目启动、现有项目进入新阶段），AI 自动计算：
项目 A 需要: [分布式系统 L3, 机器学习 L2, 产品设计 L1]
你目前有: [分布式系统 L1, 机器学习 L1, 产品设计 L2]
缺口: [分布式系统 ⚠️高, 机器学习 ⚠️中]
建议: 启动"分布式系统"学习，优先级 > 机器学习
学习的优先级不再靠"我觉得应该学"——而是靠实际工作需求推导。
5. 应用闭环 (§8.3 R5)
最关键的一步：把"学"和"用"连起来。
触发词："我把 X 用到 Y 了"
AI 做什么：
- 在学习实体 log 里记录应用事件
- 在项目实体里记录"用了学到的 X"
- 双向链接，evidence anchor 互通
applied_count++
为什么双向写入很重要？
- 从学习侧看：我学的 RAG 终于用上了（正反馈循环）
- 从项目侧看：这个项目的实现依赖了什么知识（可追溯）
设计决策
| 决策 | 选择 | 理由 |
|---|---|---|
| 学习内容存哪 | 外部独立 repo | 学习内容量大，不污染工作台；保持自治 |
| 工作台层做什么 | 只做治理调度 | 注册/督促/应用回写——不写学习内容本身 |
| 能力评估谁做 | 用户自报 | AI 无法评估你的真实能力等级 |
| 督促力度 | 激进但可配置 | 默认 7 天就提醒；可调宽松 |
| 应用判定 | 宽进严出 | 用户说"我用了"就算；但不用就会被持续督促 |
效果
系统运行了约 3 周，几个观察：
- "停滞可见化" — 之前不知道自己已经两周没碰某个学习主题了；现在 AI 每天提醒
- "学用关联" — 第一次有了"学了 X → 在项目 Y 中用了 X"的正式记录
- "优先级明确" — 不再盲目选择学什么；项目缺口直接告诉你最紧急的是什么
你可以带走什么
即使不搭完整系统，这三个理念可以立刻应用：
-
给学习加 freshness 阈值 — 超过 2 周没碰的学习主题，要么重启要么正式暂停。不要让它在"半死不活"状态吊着。
-
追踪 applied_count — 学了什么不重要，用了几次才重要。哪怕只是一个手写清单："我学的 XX 用在了 YY"。
-
从项目反推学习 — 不要问"我想学什么"，要问"我当前的项目需要我会什么、我还不会什么"。
学习管理的终极目标不是"学更多"——而是让学到的东西出现在你需要它的时刻。AI 能帮你做的，是把这个"出现"从偶然变成必然。