我用 TraeWork 做了一套 7 阶段学习闭环 Skill，让 AI 按学习科学的方法带我学完一个主题
我是谁 & 遇到什么问题
我是一名对学习效率有追求的用户。平时需要快速掌握一个新领域或备考，但发现直接让 AI 给我讲知识，效果并不好——看完觉得懂了，过两天又忘光了。
问题出在方法上。传统 AI 教学是"你问我答"，但认知科学早就证明，真正有效的学习需要主动回忆、间隔重复、费曼技巧这些策略。我不想每次学习都自己设计流程，也不想每次手写一堆提示词。
我想解决的问题：能不能让 TraeWork 按学习科学的原理，自动走完"诊断→规划→采集→消化→练习→纠错→输出"的完整闭环？
我用了 TraeWork 解决了这件事
模式：
Work Code ☐ Design
我做了一个叫 learning-loop 的 Skill。它不是简单的"帮我学一下 X"，而是一套完整的 7 阶段学习流水线，深度集成了 TraeWork 的 brainstorming、research-guide、doc-writing-guide、html-report 四个内置技能的工作流。
怎么安装
learning-loop.zip(直接下载即可） (69.5 KB)
装完后不需要额外配置，说"我想学 X"就会自动触发。
整体流程一览
Phase 1 Phase 2 Phase 3 Phase 4 Phase 5 Phase 6 Phase 7
诊断 → 规划 → 采集 → 消化 → 练习 → 纠错 → 输出
│ │ │ │ │ │ │
brainstorming brainstorming research- doc-writing 主动回忆 错误分析 html-report
步骤1-3 步骤4-9 guide -guide 测试效应 元认知 Plan/Write/
迭代证据循环 +费曼技巧 Cite/Build
↓ ↓ ↓ ↓ ↓ ↓ ↓
诊断报告 learning- 采集素材 知识卡片 练习记录 错题卡 HTML成果集
plan.md
实际使用：一步步走完整个闭环
下面用一个真实例子说明——假设我想学"线性代数中的矩阵乘法"。
第 0 步：启动
在 TraeWork 对话框里输入：
我想学习线性代数中的矩阵乘法，目标是能手算矩阵乘法并理解它在几何变换中的含义。
我的先验知识是知道矩阵是什么，但没实际算过。
Skill 自动触发后，会做两件事：
- 创建 TodoWrite 学习契约：左侧任务面板立刻出现 7 个阶段的任务清单，Phase 1 标记为进行中
- 弹出模式选择：通过 AskUserQuestion 问我选"标准模式"还是"Socratic 模式"（后面细说）
启动后，TodoWrite 面板显示 7 阶段任务清单，Phase 1 诊断阶段标记为 in_progress
第 1 步：诊断（Phase 1）
AI 不会上来就讲，而是先搞清楚我现在知道什么、不知道什么。它会通过 AskUserQuestion 问我几个问题：
- “你了解矩阵的基本运算（加法、数乘）吗？”
- “你知道矩阵乘法的几何意义是什么吗？”
- “你学矩阵乘法是为了考试、编程应用、还是理解理论？”
根据我的回答，AI 会生成一份诊断报告，标注出我的知识起点和学习目标之间的差距。
Phase 1 诊断完成，AI 根据我的回答生成了诊断报告，标注了知识起点和目标差距
第 2 步：规划（Phase 2）
诊断完成后，AI 嵌入 brainstorming 的步骤 4-9，制定一份学习计划并写入 cards/linear-algebra/learning-plan.md。计划包括：
- 知识结构分解：把"矩阵乘法"拆成子概念（定义、计算规则、几何意义、性质、应用）
- 学习深度目标：每个子概念需要掌握到什么程度（了解/理解/应用）
- 学习顺序：哪些概念是前置知识，哪些可以并行
计划生成后会通过 AskUserQuestion 让我审核。我可以调整顺序、增减子概念、修改深度目标。批准后才会进入下一步。
Phase 2 规划完成，左侧 TodoWrite 显示 Phase 1-2 已完成，Phase 3 采集阶段开始
阶段转换：TodoWrite 面板实时更新，已完成阶段标记为 completed
第 3 步：采集素材（Phase 3）
这一步嵌入 research-guide 的迭代证据循环。AI 会：
- 带着 Phase 2 规划好的问题去联网搜索（不是漫无目的地搜）
- 抓取网页内容，按优先级（P0 核心教材 → P3 补充阅读）整理来源
- 如果搜索结果少于 3 条，会通过 AskUserQuestion 问我是否有补充材料
采集完成后，所有素材按子概念分组存储，每条素材标注来源 URL 和优先级。
第 4 步：消化成知识卡片（Phase 4）
这是整个闭环的核心。AI 不是简单搬运素材，而是对每个子概念按费曼技巧四步法创建一张知识卡片。
每张知识卡片包含以下字段：
| 字段 | 说明 | 对应的学习科学原理 |
|---|---|---|
| 通俗解释 | 用初学者能听懂的语言解释 | 费曼技巧 |
| 核心要点 | 3-5 个关键点 | 主动回忆（后续练习的检索线索） |
| 为什么这是对的 | 追问每个要点的原理 | 精细化审问（d≈0.59） |
| 关键术语 | 术语表 | 建立 vocabulary |
| 具体示例与类比 | 至少 2 个不同角度的示例 | 具体示例策略 |
| 视觉表征 | Mermaid 图或图解描述 | 双重编码 |
| 知识盲区 | 解释不清楚的地方 | 费曼技巧（识别知识缺口） |
| 关联卡片 | 与其他卡片的依赖关系 | 知识网络 |
| 来源 | 带优先级的 URL 列表 | 来源可追溯 |
卡片写入 cards/linear-algebra/{concept-slug}.md，每张卡片 frontmatter 包含状态字段（status: new、review_count: 0、next_review: +1d）。
创建完每张卡片后，AI 会自动调用 Schedule 安排第一次复习（+1 天）。
Phase 4 消化阶段：AI 正在为"电磁力"创建知识卡片，可以看到卡片包含通俗解释、核心要点、视觉表征等字段
第 5 步：主动回忆练习（Phase 5）
知识卡片创建完后，不是直接看成果集，而是进入练习环节。这一步的设计完全基于认知科学的测试效应——强制回忆比重读有效得多。
练习流程：
- 步骤 0：挑战尝试（有效失败策略）——AI 先给一道超出当前水平的题，让我尝试解决。即使答错也没关系，"先猜后学"能提升后续记忆效果
- 正式练习：AI 根据知识卡片生成练习题，题目混合不同概念和题型（交叉练习），相邻题目不来自同一张卡片
- 作答前预测：每道题作答前，AI 会问我"你觉得自己能答对吗？"（元认知校准）——作答后对比预测和实际结果
- 自我解释：答完后 AI 追问"你是怎么想到这个答案的？"，评估推理质量而非仅判对错
Phase 5 练习阶段：AI 出了一道关于电磁力的交叉练习题，我正在作答
第 6 步：错误分析与纠错（Phase 6）
答错的题不是简单标记一下就过了。AI 会：
- 分析错误类型：区分概念性错误（misconception）、计算错误（computational_error）、部分理解（partial）
- 创建错题卡：写入
cards/linear-algebra/error-{concept-slug}.md，记录错误模式、正确理解、纠正方法 - 安排额外复习：错题卡通过
Schedule额外安排 +1 天复习 - 识别错误模式：如果某主题错误率超过 60%，AI 会建议返回 Phase 4 重建知识卡片
Phase 6 纠错完成，错题卡已创建，TodoWrite 显示 Phase 5-6 已完成，进入 Phase 7 输出
第 7 步：生成 HTML 学习成果集（Phase 7）
最后，AI 把所有知识卡片、错题记录、学习反思综合为一份自包含的 HTML 成果集。这一步嵌入 html-report 的 Plan/Write/Cite/Build 四步流程。
首先通过 AskUserQuestion 让我选成果集类型：
| 类型 | 适用场景 | 内容侧重 |
|---|---|---|
| 学习总结 | 完成一轮学习后的总结 | 知识卡片综合 + 学习反思 + 掌握度雷达图 |
| 知识地图 | 建立知识体系 | 概念关系图（Mermaid mindmap）+ 层级结构 + 掌握状态 |
| 复习手册 | 备考复习 | 核心公式速查 + 易错点 + 典型例题 + 自测清单 |
| 教学演示 | 教别人（费曼终极检验） | 通俗解释 + 类比 + 具体示例 + 常见误解澄清 |
选好类型后，AI 从 templates/ 复制对应 HTML 模板，然后：
- 读取所有知识卡片，按逻辑顺序组织内容
- 将"视觉表征"字段转化为 Mermaid 图或 ECharts 图表
- 整理 Phase 3 采集的来源 URL 为引用列表
- 生成自包含 HTML（含 CSS 变量、响应式布局、本地 JS 库引用）
最终产出的 HTML 文件可以直接在浏览器打开，也可以分享给别人。
两种学习模式详解
启动时 AI 会问选哪种模式。除了上面演示的标准模式（AI 搜索整理素材、写卡片、出题），还有一个 Socratic 模式。
| 维度 | 标准模式 | Socratic 模式 |
|---|---|---|
| 知识来源 | AI 搜索并整理素材 | 用户通过对话自行发现 |
| 卡片内容 | AI 基于采集素材撰写 | 从用户对话原话中提取 |
| 练习方式 | AI 出题，用户作答 | AI 提问引导，用户推理 |
| 纠错方式 | AI 对比答案判定对错 | AI 通过追问暴露矛盾 |
| AI 角色 | 知识采集者和卡片作者 | 思维引导者和对话促进者 |
| 适用场景 | 时间有限、快速建立知识体系 | 追求深度理解、锻炼独立思考 |
Socratic 模式基于 Paul & Elder 六类提问框架：
| 类别 | 提问目的 | 典型问题 |
|---|---|---|
| 澄清 | 让用户明确表述 | “你说的 X 具体指什么？” |
| 假设 | 暴露未言明的前提 | “你得出这个结论的前提是什么？” |
| 证据 | 检验主张的依据 | “你怎么知道这一点？” |
| 视角 | 拓展思维广度 | “有没有其他看待这个问题的方式？” |
| 含义 | 推导后果和应用 | “如果这是对的，那会导致什么？” |
| 元认知 | 反思思维过程 | “你是怎么得出这个结论的？” |
学习模式选择：启动时通过 AskUserQuestion 弹出模式选择
Socratic 模式下，AI 在 Phase 3 不直接搜索素材给你，而是通过提问引导你自己回忆和发现。Phase 4 不帮你写卡片，而是通过对话让你自己表述理解，AI 从你的原话中提取卡片内容。每次对话都会记录在 socratic-logs/ 目录下。
标准模式运行：AI 自动搜索素材、创建知识卡片
Socratic 模式运行：AI 通过提问引导，用户自行表述理解
两种模式可以在 Phase 3-6 随时切换。比如标准模式学到一半，觉得某个概念想深入思考，可以切到 Socratic 模式让 AI 引导追问。
间隔重复系统
这是贯穿全程的复习机制。每张知识卡片创建后，AI 通过 Schedule 工具按以下间隔自动安排复习：
新卡片 →[+1天]→ 复习1 →[+3天]→ 复习2 →[+7天]→ 复习3 →[+14天]→ 复习4 →[+30天]→ 复习5 →[成功]→ 已巩固
↓失败 ↓失败
[重置+1天] [重置+1天]
每次复习时，AI 会自动触发 Phase 5-6 的练习流程。你不需要记住"今天该复习什么"，Schedule 会自动弹出。
还可以通过 AskUserQuestion 标记难度：简单 +2 天，适中保持标准，困难 -1 天。连续 5 次成功后标记为 consolidated（已巩固）。
融合的学习科学原理
这个 Skill 不是拍脑袋设计的，每个阶段都有对应的学习科学原理支撑：
| 原理 | 在闭环中的体现 |
|---|---|
| 间隔重复 | Schedule 按 1/3/7/14/30 天调度复习 |
| 主动回忆 | Phase 5 生成检索练习题，强制回忆而非重读 |
| 费曼技巧 | Phase 4 知识卡片含"通俗解释"和"知识盲区"字段 |
| SQ3R | Survey→Question→Read→Recite→Review 贯穿全流程 |
| 交叉练习 | 出题混合不同概念/题型，相邻题目不来自同一卡片 |
| 精细化审问 | 知识卡片含"为什么这是对的"字段 |
| 双重编码 | 知识卡片含"视觉表征"字段，文字+视觉双通道 |
| 具体示例 | 至少 2 个不同角度的示例 |
| 自我解释 | 作答后追问推理过程 |
| 有效失败 | 正式练习前先尝试解决超出当前水平的问题 |
| 生成效应 | 鼓励用户先生成再采集 |
| 元认知校准 | 作答前预测能否答对，对比实际结果 |
我做出了什么
一套完整的、可复用的学习闭环 Skill。文件结构如下：
learning-loop/
├── SKILL.md # 主技能定义
├── references/
│ ├── phase-1-2-diagnose-plan.md # 诊断+规划工作流
│ ├── phase-3-collect.md # 采集工作流
│ ├── phase-4-digest.md # 消化工作流
│ ├── phase-5-6-practice-correct.md # 练习+纠错工作流
│ ├── phase-7-output.md # 输出工作流
│ └── socratic-mode.md # Socratic 模式工作流
└── templates/
├── knowledge-card.md # 知识卡片模板
├── error-card.md # 错题卡模板
├── learning-plan.md # 学习计划模板
├── socratic-dialogue-log.md # Socratic 对话日志模板
├── html-summary-template.html # 学习总结 HTML 模板
├── html-knowledge-map-template.html # 知识地图 HTML 模板
├── html-review-handbook-template.html # 复习手册 HTML 模板
├── html-teaching-demo-template.html # 教学演示 HTML 模板
└── html-assets-charts.js # ECharts 图表逻辑模板
使用时只需要说一句"我想学 X"，Skill 就会自动触发，走完整个闭环。
效果展示
以下是学习闭环各阶段的实际运行截图：
复习全链路（Phase 1→7）：
启动学习闭环后，TodoWrite 面板显示 7 阶段任务清单
Phase 1 诊断 + Phase 2 规划完成，AI 生成了诊断报告和学习计划
Phase 3 采集阶段进行中，AI 联网搜索并整理素材
阶段转换，TodoWrite 实时更新各阶段状态
Phase 4 消化阶段：AI 正在创建知识卡片，包含通俗解释、核心要点、视觉表征等
Phase 5 练习阶段：AI 出交叉练习题，我作答后 AI 追问推理过程
Phase 6 纠错完成 + Phase 7 输出阶段开始
以上是复习的全链路
学习模式对比：
启动时通过 AskUserQuestion 选择学习模式
标准模式：AI 自动搜索素材、撰写知识卡片
Socratic 模式：AI 通过提问引导，用户自行发现知识
以上是两种学习模式的实际运行对比
生成的成果集：
HTML 学习总结成果集：包含掌握度雷达图、知识卡片综合、错题分析
HTML 知识地图成果集：Mermaid 思维导图展示概念层级和掌握状态
生成的结果——自包含 HTML，可直接在浏览器打开或分享
经验 & 技巧总结
-
启动时写清楚学习目标。不要只说"学一下 Python"，而是说"我想系统学习 Python 的装饰器，目标是能自己写出实用的装饰器并解释原理"。目标越具体，Phase 2 规划越精准。
-
标准模式和 Socratic 模式可以切换。时间紧用标准模式快速建立知识体系，想深度理解就切 Socratic 模式让 AI 引导你思考。两种模式在 Phase 3-6 可以随时切换。
-
别跳过 Phase 5-6 的练习环节。很多人学完 Phase 4 就想直接看成果集，但主动回忆和纠错才是真正巩固知识的关键。错题卡会自动安排间隔复习，坚持下来效果很明显。
-
HTML 模板可以按需选。备考选"复习手册"，建立知识体系选"知识地图"，教别人选"教学演示"（费曼终极检验），综合总结选"学习总结"。
-
间隔重复是真的有效。Schedule 会自动弹出复习提醒，每次复习只需几分钟做几道检索题。坚持 30 天后，知识基本就巩固了。
提示词参考
提示词参考
启动标准模式学习闭环：
我想学习{主题}，目标是{具体目标}。
我的先验知识水平是{零基础/有一些了解/有一定基础}。
请用 learning-loop 技能带我走完学习闭环。
启动 Socratic 模式：
我想深入理解{主题}，但不想你直接讲，引导我自己想明白。
指定输出类型：
学习完成了，请帮我生成一份{学习总结/知识地图/复习手册/教学演示}的 HTML 成果集。
切换学习模式：
我想切换到 Socratic 模式，用提问的方式帮我深入理解刚才学的内容。
手动触发复习：
我想现在复习一下之前学的{主题}，帮我出一组练习题。
你需要的技能
learning-loop.zip (69.5 KB)