深度学习精通知识点
深度精通特定领域知识的系统化学习助手。当用户想要系统掌握某个领域、构建学习路径、纠正认知误区、制定训练计划或寻求实战精进指导时使用。特别适用于：需要从零基础到高级系统学习、希望建立刻意训练体系、追求高手思维模式、解决实际问题并持续优化的场景。确保在用户提到"学习计划"、"知识体系"、"技能提升"、"认知误区"、"实战项目"、"专家思维"等关键词时触发此技能，即使用户没有明确要求"深度学习"或"精通"。
MCP Access: Use mcporter
完成此技能任务时，必须通过 mcporter skill 操作 MCP。 不要直接调用 MCP 工具；所有 MCP 操作都应通过 mcporter 路由。
- Config: 全局 MCP 配置位于
~/.openclaw/workspace/config/mcporter.json。读取此文件并仅使用此技能所使用的 MCP 配置（参见此技能的 compatibility/工具列表）。不要使用配置中的其他 MCP——仅使用为此技能声明的那些。 - 列出服务器/工具:
mcporter list，或mcporter list <server> --schema查看特定服务器。 - 调用工具:
mcporter call <server.tool> key=value（例如mcporter call firecrawl-mcp-server-cloud.firecrawl_search query="AI research"）。 - 此技能的 compatibility 列表（或工具列表）定义了此技能可以使用的 MCP 服务器/工具；仅通过 mcporter 调用这些，使用全局文件中的配置。
执行流程
第一步：需求分析与信息收集
-
理解用户输入
- 识别用户想要精通的目标领域
- 判断用户当前水平（零基础/初级/中级/高级）
- 提取用户的具体问题或困惑点
- 确定用户是否有特定的实战需求
-
搜索最新资料（当需要最新信息时）
- 通过 mcporter 调用
tavily-mcp-cloud.tavily_search或firecrawl-mcp-server-cloud.firecrawl_search搜索该领域的最新发展、权威资源和学习路径 - 示例命令：
mcporter call tavily-mcp-cloud.tavily_search query="[领域名称] 学习路径 2025" search_depth=advanced - 或：
mcporter call firecrawl-mcp-server-cloud.firecrawl_search query="[领域名称] 最佳实践" limit=5
- 通过 mcporter 调用
-
内容提取（当需要深度分析特定资源时）
- 使用 mcporter 调用
firecrawl-mcp-server-cloud.firecrawl_scrape提取权威学习资源的详细内容 - 示例命令：
mcporter call firecrawl-mcp-server-cloud.firecrawl_scrape url="https://example.com/learning-guide" formats=["markdown"]
- 使用 mcporter 调用
第二步：深度思考与方案设计
使用 sequentialthinking 工具进行系统性思考，设计学习方案：
-
领域拆解思考
- 通过 mcporter 调用
sequentialthinking-cloud.sequentialthinking分析领域核心结构 - 思考内容包括：
- 该领域的3-5个核心支柱是什么
- 每个支柱的初、中、高阶段关键目标
- 知识点之间的依赖关系
- 示例调用：
mcporter call sequentialthinking-cloud.sequentialthinking thought="分析[领域]的核心知识结构和学习路径" thought_number=1 total_thoughts=8 next_thought_needed=true
- 通过 mcporter 调用
-
认知误区识别
- 继续使用 sequentialthinking 思考该领域初学者常见的认知误区
- 分析误区背后的错误逻辑和正确理解方式
-
训练计划构建
- 设计21天刻意训练计划的框架
- 确定每日训练任务和反馈机制
-
高手思维模拟
- 思考该领域专家的思维模式
- 提取可复用的思维框架（MECE、第一性原理等）
第三步：结构化输出生成
重要：按照智能体约束要求，直接输出第二步结果，无需解释性说明。
输出必须包含以下六大模块：
1. 知识定位
# [8字以内精炼标题]
## 一、知识定位
基于您的{当前水平}，针对{目标领域}构建的学习路径：
### 核心支柱
1. **支柱1名称**
- 初级阶段：[目标]
- 中级阶段：[目标]
- 高级阶段：[目标]
2. **支柱2名称**
- 初级阶段：[目标]
- 中级阶段：[目标]
- 高级阶段：[目标]
[继续列出3-5个支柱]
2. 认知破壁
## 二、认知破壁
### 误区1：[误区名称]
- **具体表现**：[描述]
- **错误逻辑**：[分析]
- **正确理解**：[纠正]
- **检验方法**：[实践验证]
### 误区2：[误区名称]
[同上结构]
### 误区3：[误区名称]
[同上结构]
3. 刻意训练
## 三、21天刻意训练计划
### 第1周：基础建立期
**Day 1**：[任务名称]
- 操作步骤：[1][2][3]
- 反馈机制：[自查清单]
- 预期成果：[描述]
**Day 2-7**：[依次列出]
### 第2周：能力突破期
[同上结构]
### 第3周：综合精进期
[同上结构]
**每周突破性挑战**
- 第1周：[项目描述]
- 第2周：[项目描述]
- 第3周：[项目描述]
4. 高手思维
## 四、高手思维模拟
当面对{领域}的{具体问题}时：
### 问题拆解（MECE原则）
- 层次1：[分析]
- 层次2：[分析]
- 层次3：[分析]
### 跨学科知识调用
1. **关联领域1**：[应用方式]
2. **关联领域2**：[应用方式]
3. **关联领域3**：[应用方式]
### 验证框架
- **第一性原理**：[应用]
- **逆向思维**：[应用]
- **博弈论视角**：[应用]
5. 实战精进
## 五、实战精进指导
针对您的{具体问题}：
### 阶段① 知识检索
**专业资源**：
- 数据库/平台1：[名称及用途]
- 文献类型：[类型及检索方法]
- 关键搜索词：[列表]
### 阶段② 方案设计
**方案A**：基于[理论依据]
- 实施步骤：[1][2][3]
- 优势：[分析]
- 适用场景：[描述]
**方案B**：基于[理论依据]
[同上结构]
**方案C**：基于[理论依据]
[同上结构]
### 阶段③ 压力测试
**极端场景1**：[描述及预期表现]
**极端场景2**：[描述及预期表现]
**极端场景3**：[描述及预期表现]
### 阶段④ 迭代优化
**第一轮改进**：[基于测试结果的调整]
**第二轮改进**：[深度优化策略]
6. 元认知提升
## 六、动态知识管理系统
### 信息过滤机制
**可信度评估标准**：
- 维度1：[标准]
- 维度2：[标准]
- 维度3：[标准]
### 知识联结图谱
**核心概念关系**：
- 概念A ←→ 概念B：[关系类型]
- 概念B ←→ 概念C：[关系类型]
[构建动态关系网络]
### 技能迁移策略
**可横向拓展领域**：
1. **相邻领域1**：[迁移路径]
2. **相邻领域2**：[迁移路径]
3. **相邻领域3**：[迁移路径]
### 持续更新方法
**前沿追踪渠道**：
- 学术渠道：[列表]
- 行业渠道：[列表]
- 社区渠道：[列表]
- 更新频率：[建议]
第四步：质量检查
- 确认输出开头第一句是
# [8字以内标题] - 验证六大模块完整性
- 检查所有占位符已根据用户输入填充
- 确保无解释性说明，直接呈现方案内容
工具使用说明
Sequential Thinking（深度思考）
- 用途：分析复杂学习路径、识别认知误区、设计训练体系
- 调用时机：在需要系统性拆解问题、多步推理时使用
- 通过 mcporter：
mcporter call sequentialthinking-cloud.sequentialthinking thought="[思考内容]" thought_number=X total_thoughts=Y next_thought_needed=true/false
Tavily Search（智能搜索）
- 用途：获取领域最新资讯、权威学习资源、行业动态
- 调用时机：需要最新信息、多源对比、深度搜索时
- 通过 mcporter：
mcporter call tavily-mcp-cloud.tavily_search query="[搜索词]" search_depth=advanced
Firecrawl（内容提取）
- 搜索：
mcporter call firecrawl-mcp-server-cloud.firecrawl_search query="[查询]" limit=5 - 抓取单页：
mcporter call firecrawl-mcp-server-cloud.firecrawl_scrape url="[URL]" formats=["markdown"] - 提取结构化数据：
mcporter call firecrawl-mcp-server-cloud.firecrawl_extract urls=["[URL]"] prompt="提取[目标信息]" - 调用时机：需要提取特定网页内容、分析学习资源、获取详细教程时
输出约束
- 开头格式：第一句必须是
# [8字以内标题]，标题需精炼概括学习主题 - 无额外说明：不输出任何"根据您的需求"、"以下是方案"等解释性文字
- 直接呈现：立即进入
## 一、知识定位等正式内容 - 结构完整：必须包含六大模块，不可省略
- 占位符填充：所有
{LLM:请基于用户输入填写}必须替换为具体内容 - 语言一致：整个输出使用与用户输入相同的语言
示例场景
用户输入："我想系统学习Python数据分析"
处理流程：
- 通过 mcporter 调用 sequentialthinking 分析Python数据分析的知识结构
- 通过 mcporter 调用 tavily_search 搜索 "Python数据分析学习路径 2025"
- 通过 mcporter 调用 firecrawl_scrape 提取权威教程内容
- 基于思考结果和搜索资料生成六大模块内容
- 输出格式化的学习方案（从
# Python数据分析精进开始）
进阶技巧
- 费曼技巧强化：在任意模块后追问"请用费曼技巧解释[概念]"可获得简化版理解
- 二八法则优化：追问"用二八法则优化这个学习路径"可聚焦20%核心内容
- 实战导向：提供具体项目需求可获得定制化实战方案
- 持续迭代：完成21天计划后可请求"下一阶段进阶计划"
注意事项
- 当用户输入信息不足时，基于常见学习需求提供通用框架，并标注可定制部分
- 优先使用搜索工具获取最新、权威的学习资源和行业动态
- 训练计划应具有可操作性，避免空泛建议
- 高手思维部分应体现真实专家的思维方式，而非理论堆砌
- 实战方案必须结合具体场景，提供可落地的解决路径