• 1. 第一性原理 → 往死里问「为什么」
• 2. 分类学拆解 → 结构化
• 3. 费曼 technique → 输出验证
• 4. 递归追问 → 追踪 Aha Moment

目录

开篇寄语

你们有没有过这种经历？书读了一半，回头忘了前面的；课程听完了，关掉视频大脑一片空白；收藏夹里存了上百个「mark 以后看」，结果再也没打开过。我有段时间特别困惑——明明很努力啊，为什么知识就是不进脑子？直到我把自己「怎么学习的」这件事本身，当成一个课题来研究。然后… 发现了一个挺有意思的方法。今天想跟你们聊聊这个，RootCraft Learning System，我给它起了个中文名叫「格物致知学习系统」。不是啥高大上的理论，就是一套实打实让我从「学了就忘」变成「学了就懂」的操作流程。

前情提要

说起学习方法，市面上的书可太多了：《如何阅读一本书》《刻意练习》《学习之道》… 每本都说得有道理，但真到用起来——

道理都懂，就是落地难。

我自己也踩过不少坑：

• 列了超详细的学习计划 → 然并卵
• 用康奈尔笔记法 → 坚持三天放弃
• 疯狂刷 MOOC → 刷完就忘

直到我开始思考一个本质问题：学习到底是咋回事？

然后，我就捣鼓出了这套 RootCraft Learning System。

项目地址

• 已经发布到 Clawhub，只需要对你的 OpenClaw 说，请安装 RootCraft Learning System 技能就可以了
• 适用场景：技术学习、考证备考、知识体系构建

内容详情

如何使用 ？

安装完成后，你可以问你的 OpenClaw 如何使用 RootCraft Learning System。

它会回答如下：

🎓 欢迎使用格物本质赋能学习法！

这是一个高效学习系统，帮你从"学了就忘"变成"学了就懂"。

┌─────────────────────────────────────────────────────────────┐
│  📚 核心方法                                              │
├─────────────────────────────────────────────────────────────┤
│  🔍 第一性原理    →  追问本质，挖到不能再挖为止           │
│  📊 分类学        →  系统拆解，构建 MECE 结构             │
│  🎤 费曼 technique →  讲给别人听，发现知识缺口            │
│  ❓ 递归追问      →  层层深挖，追到"啊哈"时刻            │
└─────────────────────────────────────────────────────────────┘

📋 9 步学习流程：
1. 设定目标 & 评估标准
2. 应用第一性原理
3. 分类学拆解
4. 费曼 + 递归追问（核心）
5. 多视角学习
6. 实践应用
7. 反馈与迭代
8. 持续复习
9. 思维导图与笔记

🚀 快速开始：
• 直接说"我想学习【主题】"
• 或说"帮我用格物本质赋能学习法学习【内容】"
• 说"我想制定学习计划"让我帮你规划

💡 特色产出：
• Aha Moment 记录本（追踪每个"啊哈"时刻）
• 知识分类树（系统化拆解）
• ⭐ 新增：说"帮我生成关于【主题】的追问链"用 AI 自动生成追问链
• 递归追问链（问题链条）

接着你可以直接说，我要学习什么，他就可以生成对应的内容，如下图所示。

而对应的文件，已经生成到你的文件夹下了，择取其中的一部分，如下图所示：

一、这套系统到底在解决什么问题？

在说具体步骤之前，我想先抛出一个问题——

你有没有想过，为啥有些知识你看完就懂了，而有些知识看一百遍还是糊的？

我自己总结了一个公式：

真懂 = 第一性原理 + 分类结构 + 输出验证 + 递归追问

翻译成人话就是：

• 你得知道这件事最底层的「为什么」
• 你得能把知识拆解成你能理解的形状
• 你得能把它讲给别人听
• 你得不停追问，追到「啊哈！」那一刻

RootCraft Learning System 就是围绕这四个核心，设计了一套 9 步流程。

二、4 大核心组件

1. 第一性原理 → 往死里问「为什么」

别背概念，往下挖。

扩散模型本质是啥？ → 逐步加噪声 + 学习去噪声 为什么要逐步加噪声？ → 为了创造一个可逆的路径 为什么要可逆？ → 因为生成 = 从噪声走回数据

问到最后，你会发现——「哦！原来是这样！」 那个瞬间，就是我要说的「Aha Moment」。

2. 分类学拆解 → 结构化

把一个大 Topic 拆成 MECE（不重复、不遗漏）的小块。

比如扩散模型可以拆成：

• Forward Process（噪声是怎么加的）
• Reverse Process（噪声是怎么去掉的）
• Training Objective（训练目标到底是啥）
• Sampling（怎么生成图片）

结构化才是记忆的朋友。

3. 费曼 technique → 输出验证

能讲出来 = 真懂了

• 选一个概念
• 用最简单的话讲给 10 岁小孩听
• 讲不通的地方 = 知识缺口

4. 递归追问 → 追踪 Aha Moment

对每个不清楚的概念，层层深挖：

Q：啥是梯度下降？ A：一种找最小值的方法 Q：为啥要最小化损失？ A：为了让预测更准 Q：损失到底是啥？ A：…是衡量「差多远」的标尺

💡 AHA！ 原来损失函数就是一个「指南针」，指向更好的答案。

三、9 步学习流程

四、我的真实使用感受

说出来你们可能不信，我现在学任何一个新东西，都会先过一遍这 9 步。

最大的改变：以前看完一本书，感觉「嗯，我懂了」；现在看完，我会问我自己：

• 这东西的第一性原理是啥？
• 我能把它拆成几个部分？
• 我能讲给一个 10 岁小孩听吗？
• 我有没有产生某个「啊哈！」的时刻？

一个深刻的 Aha Moment，胜过十遍浅层的记忆。

这是我最大的感悟。

五、适合谁？

不太适合：只想快速查个东西的人（这个方法需要投入时间）

篇后寄语

好了，今天的分享就到这里。

如果你也在为「学了就忘」而烦恼，不妨试试这个方法。可能不会立竿见影，但坚持下去，你会发现——

知识真的可以「长」在自己身上。

对了，文章里提到的 Aha Moment 记录本，是我最推荐你们去建立的东西。每次问到「啊哈！」那一刻，就记下来。

以后回头看，会超级有成就感。

有问题欢迎留言，你们都用过什么学习方法？踩过哪些坑？评论区聊聊。