---
name: li-evan/learn-graph
source: https://app.decimal.ai/s/li-evan-learn-graph@1/SKILL.md
source_sha256: 0f3cd0c91470
---

# 知识图谱学习法（learn-graph）

> 核心信条：**自己一步步建图谱的过程，本身就是最有效的学习——不要直接套用别人给的图谱。** 绝大部分知识，都有一个从常识就能入门的点。

## 何时用

用户要系统进入一个新领域，或焦虑"学得不够系统 / 不知何时算够"。

## 流程（关键：和用户一起建，不是直接灌一张完整图）

### 第一步：锁定目标领域 X 和目的

用户为什么学 X？（接 `learn-occam` 的"既定问题"）目的决定图谱画到多细。

### 第二步：构建图谱——只抓三件事

**概念/名称 · 用途 · 上下文关系（父子节点）**：

- 子节点 = X 依托 / 基于什么；父节点 = X 服务于什么目标。
- **以提问引导用户一起填**（自己建图才学得到），别一次性灌完。先给骨架，留节点让他补。

### 第三步：标注两个关键

- **复用价值**：哪些节点父节点多（像 Python）→ 优先学，回报最高。
- **入门点**：哪个节点"从常识就能入门"→ 学习路径的起点。

### 第四步：输出学习路径 + 颗粒度

从入门点出发、沿父子关系排一条有效路径。颗粒度按需自由切换（领域图 → 细分学科图）。"学到哪算够"= 覆盖到能解决第一步那个目的的节点即可，不必学满。

### 第五步：交接

- 拿不准某节点是不是缺前置知识 → 这正是图谱的强项，已在图上标出。
- 找到入门点要动手 → 转 `learn-prototype`（在图上找"最垃圾原型"的起点）。

## 注意

> ⚠️ **铁律·只用确证的已会知识**：判断用户「已经会什么」只能用他**确证学过**的知识（亲口确认或可靠背景）；**严禁**把「正在讲的材料 / 文章作者背景 / 对话里别人的知识」当成用户会的。拿不准 → 直接问「⚠️ 你学过 ___ 吗？」，绝不替他假设。

- 强调"自己建"：多用提问让用户参与，别炫一张完美的图。
- 同族 skill：`learn-occam`(该不该学) `learn-crossover`(已会什么) `learn-prototype`(动手) `learn-feynman`(自查)。