我是谁 & 遇到什么问题
我是自由职业者，需要持续跟进 AI 知识与进展。平时碎片化阅读带来的结果是，信息量大、体系感弱。
过去在学习新知识时通常容易卡在概念和工程细节之间，读的时候觉得"懂了"，合上书本又说不清一个概念的核心逻辑。没有人追问、没有人把抽象概念拆解成可理解的逻辑链，也缺乏一套机制把知识点持续沉淀下来。为了解决这些问题，所以现在我使用了另一种新的学习方法。
我用了 TraeWork 解决了这件事
模式：Work
我把教材、自己的学习目标一起喂给 TraeWork，让它扮演三位不同身份的导师：陈知行是前 Agent 架构师，负责讲清概念框架和设计思路；林知言是 AI 知识博主，负责用通俗类比把技术概念讲明白，补充学习视角和常见误区；周工程是一线 Agent 工程师，负责用真实事故说明工程现实。三个人会互相补充，也会围绕一个方案争论。
这个方法有三个核心设计：
第一个，苏格拉底式教学法。
AI 老师不直接给你讲知识点，而是一个问题接一个问题地追问你，让你自己推理出结论。你答完之后，AI 再补充、追问、纠正。全程你在动脑子，AI 负责引导你完成思考。
第二个，虚拟角色陪伴。
设定三个性格完全不同的角色当自己的老师。上课的时候他们会轮流发言、互相吐槽，下课以后还会在微信群里聊你刚学的内容。这样，就把学习变成了一种社交，你想见他们，就得学习。
第三，项目终点牵引。
用一个虚构的目标，比如考试、答辩、竞赛，来拉着你往前走，不让你漫无目的地学。
每节课开始前，我只需要说一句指令：
我准备开始学习了，请先读取 study-system/system.md、study-system/system_detail.md 和我的角色文档，然后我们开始上课。
TraeWork 会读取系统总纲、学习进度、上节课笔记和未读消息，然后按苏格拉底四段问题链推进：先激活我已有的知识储备，再引导我推理出核心结论，接着暴露常见误区，最后把概念迁移到自己的知识框架中。课后它还会自动更新 session_notes.md、progress.md 和 HTML 学习摘要。
下面是是其中一节课的学习情况：
第 1 节课讨论 Agent 的核心公式时，陈知行问我 Cursor、Manus、Deep Research 和 ChatGPT 的体验差异。我回答它们能处理复杂任务、有记忆、能调用外部工具。接着他让我把 Agent 拆成"大脑、眼睛、手脚"，我推出了 LLM 是大脑、上下文是眼睛、工具和 Skill 是手脚。林知言立刻补了一句：“Agent 和传统自动回复机器人的差别，不在于有没有工具，而在于能不能在一次任务里根据反馈不断调整策略，这个区分点很多初学者都会忽略。”
我做出了什么
这套流程跑完，我得到了一套可复用的学习系统资产。
TraeWork 在我的项目目录下自动生成了一套学习档案：system.md 记录学习总纲和目标，learner_profile.md 记录我的背景和偏好，三位导师各有独立角色文档，progress.md 跟踪每章进度，session_notes.md 记录课堂问答，reports/session_summary.html 则是每节课的可视化摘要。
当第 1 章学完时，我已经能用自己的话讲清楚：LLM 是 Agent 的大脑、上下文是眼睛、工具和 Skill 是手脚。学习方式也从"读完了记不住"变成了"学一章、沉淀一章"。
效果展示
第一节学完后的小节。
群聊记录：
自动生成的可视化学习报告：
经验 & 技巧总结：
1、把学习目标写进系统，是让每章知识都有落点的关键。我在 system.md 里就定义了「掌握 AI Agent 核心概念并建立知识框架」这个目标，所以每节课的迁移应用问题都会回到这个场景，不会学完就忘。
2、给 AI 设定具体角色，回答会自带多视角结构。三位导师不是装饰，而是各自承担固定的教学职责。陈知行追问"为什么这样设计"，林知言补充"用通俗类比怎么理解"，周工程追问"现实落地会出什么问题"。这种结构让我在思考问题时会下意识站到原理、理解和工程三个角度去审视。
3、每节课必须产出文件。session_notes.md、progress.md 这些文件的存在，把"学了"变成了"留下了"。跨会话时 TraeWork 读取这些文件就能恢复上下文，不用我每次重新解释我是谁、我要学什么。