Daily Learning — Agent 统一学习框架

所有 agent 遵循相同的学习流程，笔记结构统一，知识沉淀到共享知识库（可选）。

学习流程

Step 0: 当日素材投递（先于学习）

在开始每日学习之前，检查今天的探索产出是否需要投递到 knowledge base inbox (optional)。

检查范围（只看当天）：

• /candidates/daily/YYYY-MM-DD.md（今天的探索素材）
• /reports/daily/daily-explore-YYYY-MM-DD.md（今天的探索报告）

筛选标准：

投递条件（必须全部满足）：

1. 有实质内容（有分析、数据、案例，不只是链接/标题）
2. 有学习价值（其他人看了能学到东西）
3. 非已有词条重复（对照 knowledge base index）

投递方法：

cat > <your-knowledge-base-path>/YYYY-MM-DD_<topic>_<agent-id>.md << 'EOF'
---
title: <descriptive title>
source_type: exploration | report | note
contributor: <agent-id>
submitted: YYYY-MM-DD
tags: [<domain tags>]
---

<整理后的素材内容，包含四层信息：结论、依据、例子、边界>
EOF

素材质量不够（只有链接/标题）→ 跳过，不投。

素材跨越多主题 → 拆分投递。

存量素材不在本步骤处理。如果发现工作目录有大量历史素材未投递，通知知识管家一次性批量处理，不要在增量流程中回扫。

Step 1: 读进度 + 检查外部需求

读取 /learning/LEARNING.md 查看当前进度和下一个待学主题。

如果文件不存在，用 references/learning-template.md 初始化。

⚠️ 新增：检查外部学习需求

同时读取 /learning/LEARNING-REQUESTS.md（如存在）。这个文件记录来自用户、合伙人、或其他 agent 的学习需求。格式：

# 学习需求队列

## 🔴 紧急（用户明确要求）
- [ ] 需求描述 | 提出者 | 日期

## 🟡 近期（合伙人/agent 建议）
- [ ] 需求描述 | 提出者 | 日期

## 🟢 按计划
（LEARNING.md 中的原有学习计划）

优先级规则：

• 🔴 紧急需求 > 原有学习计划，立刻学
• 🟡 近期需求：每 3 天穿插一个，与原计划交替
• 🟢 按计划：无外部需求时继续原计划

Step 2: 深度学习

选题优先级：

1. 先看 LEARNING-REQUESTS.md 有无 🔴 紧急需求
2. 再看是否该穿插 🟡 近期需求（每 3 天一次）
3. 最后按 LEARNING.md 原计划

选定主题后，用 smart-search skill 进行搜索调研（DDGS brave 英文 / bing 中文，Jina Reader 提取全文）。

每次只学一个主题，学深不学广。

Step 3: 写本地笔记

保存到 /learning/notes/YYYY-MM-DD.md。笔记模板见 references/learning-template.md。

必须包含：今日主题、核心要点、详细内容、实际应用、来源链接。

⚠️ 笔记质量最低标准（2026-05-27 新增）

问题背景：高度抽象的结论式笔记无法支撑人类学习。学习者需要推理过程和证据链，而非仅结论。

每个知识点必须包含以下四层信息：

判断标准：如果一条知识去掉依据和例子后和原来一样，说明缺少这两层。

依据层的反面（不合格——只有人名没有实验）：

> Dunning-Kruger 效应：越不擅长的人越不能准确评估自己的水平。

依据层的正面（合格——有实验设计有数据）：

> Dunning & Kruger (1999) 让 Cornell 学生完成语法测试和幽默测试，然后自评百分位。底部四分位的参与者平均自评在第 62 百分位，实际在第 12 百分位——高估自己 50 个百分点。核心机制：缺乏能力的人同时缺乏评估能力的元认知技能。

完整反面例子（不合格）：

> 间隔重复优于集中学习。建议使用 Anki。

完整正面例子（合格）：

> 间隔重复优于集中学习。Ebbinghaus 1885 年用自己当实验对象，记了 2300 个无意义音节，发现 24h 内遗忘最快。Rohrer et al. 发现交错学习比块状学习长期优势高 76%。但前提是学习者要有一定基础，纯新手先块状学习再转交错。工具推荐 Anki。

Step 4: 更新进度

更新 /learning/LEARNING.md：将主题从"待学"移到"已学"，记录日期。

Step 5: 学习计划自动扩充 + 需求对齐

检查剩余未学主题数量：

• 剩余 ≥ 3：继续下一个
• 剩余 < 3：需要扩充

扩充时的两个来源（必须都检查）：

1. 用户当前在做的事（最高优先）：
• 读取用户的 AGENTS.md / 近期对话，了解用户正在推进什么项目
• 思考"用户接下来可能需要学什么"，直接把相关主题加入学习计划
• 例子：用户在做 Build in Public → 加入"内容策略案例拆解"；用户在做 Agent 编排 → 加入"Agent 编排实战经验"

1. 本领域最新动态：
• 用 smart-search 搜索当前领域最新趋势，追加 3-5 个新主题

扩充比例：至少 1/3 的新主题应来自"用户需求侧"，而非纯"领域探索侧"。

每 2 周做一次方向审查：

• 用户最近在忙什么？我的学习方向还匹配吗？
• 有没有新的外部需求应该纳入？
• 已学的知识用户实际用上了吗？如果没有，为什么？

Step 6: 入库 Wiki（双写）

用 llm-wiki-knowledge skill 提交到共享 wiki：

cat > <your-knowledge-base-path>/YYYY-MM-DD_<topic>_<agent-id>.md << 'EOF'
---
title: <descriptive title>
source_type: note
contributor: <agent-id>
submitted: YYYY-MM-DD
tags: [<domain tags>]
---
<content>
EOF

⚠️ Wiki 提交质量要求：提交到 wiki 的内容同样必须包含四层信息（结论 + 依据 + 例子 + 边界），不能只提交结论摘要。知识管家的编译是从 raw/inbox 取材的，如果源头就只有结论，下游无法恢复。

Step 7: 验证全部产出（必须）

bash <skill-dir>/scripts/verify-daily-learning.sh YYYY-MM-DD <agent-id> <workspace> <your-knowledge-base-path>

检查：本地笔记存在、Wiki 双写存在、进度已更新。✅ 3/3 通过才能继续；有 ❌ 必须先补全。

Step 8: 学后复盘

写复盘报告到 /learning/reviews/post-learning/YYYY-MM-DD.md。模板和详细说明见 references/post-learning-template.md。

规则：没有就写"暂无"，不硬凑。不推群，安静执行。

Step 9: 优化 Skill（如适用）

如果学习发现可以改进自己的 skill 文件，按 skill-creator 规范更新。

学习模式

无论哪种模式，最后都走 Step 3-7 统一沉淀。

Cron 描述模板

为 agent 设置学习 cron 时，使用以下模板：

执行每日学习任务。

遵循 daily-learning skill 标准流程：
0. 扫描 candidates/ 和 reports/ 目录，筛选高质量素材投递到 knowledge base inbox (optional)（<your-knowledge-base-path>/）
1. 读取 learning/LEARNING.md 查看进度
2. 深入学习下一个主题（<指定学习方向>）
3. 写笔记到 learning/notes/YYYY-MM-DD.md
4. 更新 LEARNING.md 进度
5. 检查剩余未学主题，如果不足 3 个则自动搜索最新动态扩充学习计划
6. 双写到 wiki（<your-knowledge-base-path>/）

学习方向：<agent 的具体学习领域>
安静学习，不推群。

Agent 领域映射

详细模板和目录结构见 references/learning-template.md。

规则

• 每次一个主题，深入学
• 默认安静学习，有真正有价值发现才推群
• 不与其他 agent 学习领域重叠
• 笔记用于积累，不是即时输出
• 学习方向必须服务用户的实际需求：定期对齐"我在学什么"和"用户需要什么"，发现脱节就调整
• 接受外部需求注入：用户、合伙人、其他 agent 都可以往 LEARNING-REQUESTS.md 加学习需求，紧急需求优先于原计划