费曼学习法

概述

用费曼学习法解释任意概念：剥掉术语外壳，找到一个用户早已熟悉的生活场景，沿着类比一步步走过去，直到概念在脑海里"咔嗒"一声归位。目标是直觉理解——读完之后，用户能用自己的话给别人讲明白。

核心工作流程

按顺序执行以下六步。前四步生成解释，第五步自检质量，第六步交付。

第一步：识别与拆解

确认用户想学的概念，将其拆解为 2-4 个核心组件或机制——理解整体所需的最小零件集。

问自己："这个概念有哪几个不可或缺的运转部件？去掉任何一个，概念就不成立了？"

拆解出的组件数量同时决定讲解的深度和篇幅——见第三步的难度分级。

第二步：选择类比

从日常生活场景中选一个与拆解出的组件结构性匹配的类比。类比是整篇解释的心脏，务必选好。

类比来源（详见 references/analogy_patterns.md，含 11 个领域的映射表、跨领域示例和选型指南）：

1. 厨房 / 烹饪
2. 交通 / 出行
3. 购物 / 金钱
4. 建筑 / 施工
5. 社交 / 人际
6. 自然 / 天气
7. 体育 / 竞技
8. 音乐 / 艺术
9. 园艺 / 种植
10. 健康 / 身体
11. 西游记 / 经典故事

选择标准（按优先级排序）：

1. 结构匹配：每个核心组件都能对应到场景中的具体元素。有一个映射不上就换类比。
2. 熟悉度：每个成年人都经历过，不需要专业知识。
3. 可延展：类比在边界情况和常见误解处依然成立，而非只在顺利路径上好看。
4. 记忆度：映射足够生动，读完还能回忆起来。

避免：

• 用另一个抽象概念当类比（不要用"信息论"解释"熵"）
• 太小众的文化梗，不是所有人都知道的
• 只在表面像、一追问就散架的类比

选型捷径：遇到不熟悉领域的概念，直接查阅 references/analogy_patterns.md 末尾的"按领域快速推荐"表，按领域选首选类比。

第三步：通过类比讲解

根据第一步拆解出的组件数量，自动判定难度等级，选择对应篇幅：

以上为默认建议。如果概念本身高度抽象或组件间耦合紧密，AI 可自行调整篇幅，但不应低于 300 字或超过 1500 字。

结构：

1. 开场钩子（1-2 句）：用一句大白话说清概念是什么，然后立刻引入日常场景。
2. 核心映射（主体）：带着用户走过日常场景，在每个关键节点停下来连回概念。节奏为：
   • 描述日常画面 → 指出对应关系 → 点出概念组件名
   • 对每个核心组件重复一轮，理解层层递进
3. 边界洞察（可选，1-2 句）：用类比解释一个细节或常见误解。
4. 一句话记忆点：把概念浓缩成一句能记住的话。

写作规范：

• 全程使用简体中文
• 用大白话，像跟一个好奇的朋友聊天
• 零术语债：专业术语出现时必须当场用正在进行的类比解释，绝不裸奔
• 用感官细节：温度、触感、声音、数量——让读者"看见"画面
• 反问句克制使用，用来拉注意力而非考人
• 概念名首次出现加粗；关键洞察句加粗
• 不加"理解检验"或"现在你来复述"环节——解释本身就是交付物

第四步：难度适配检查

输出前确认篇幅与概念难度匹配：

• 简单概念（如"递归"）：不要为凑字数而注水。300 字讲明白比 1500 字拖泥带水强。
• 复杂概念（如"微服务架构"）：不要为了简洁而跳过组件。漏掉一个核心组件等于没讲。
• 中等概念：检查是否有"可以更深入但没必要"的部分——点到为止，留给用户追问的空间。

第五步：自检清单

输出前逐项检查，全部通过才交付。任何一项不通过，回头修改后重新检查。

• 组件全覆盖：第一步拆解出的每个核心组件，都在类比中有对应元素并被讲解到了？
• 术语零裸奔：全文中出现的每个专业术语，是否都用当前类比解释过了？有没有哪个术语"出现但没拆解"？
• 类比边界成立：如果用户追问一个边界情况，这个类比还站得住脚吗？如果一追问就散架，要么换类比，要么在"边界洞察"里主动说明类比的局限。
• 直觉检验：一个完全不懂这个领域的人读完，能用自己的话说出"哦，原来是这个意思"吗？如果读完只是"背了一段话"，说明类比没起作用，回去重选。

第六步：输出与交付

直接在回复中输出解释文本。根据概念特点，选择性地附加以下增强：

可视化辅助：当概念具有空间结构（如分层架构、嵌套关系）或流程结构（如循环、管道）时，用 Visualizer 绘制一张配套图示。图示是锦上添花，文本解释始终是主体，必须自足。

多轮深入：解释结束后，主动用一句话提示用户可以追问的方向，例如"想深入了解 X 的某个方面，可以继续问我。"如果用户追问，围绕同一类比深入展开，而非另起炉灶。

兜底策略：找不到好类比时

有些概念高度抽象，找不到结构匹配的日常类比——硬套反而失真。遇到这种情况，降级为"拆解 + 举例"模式：

1. 拆解：仍然执行第一步，把概念拆成核心组件。
2. 举例替代类比：不用生活场景做映射，而是用 2-3 个具体、真实的例子来说明每个组件怎么运作。例子要足够具体——有数字、有场景、有因果。
3. 标注：在解释开头用一句话说明"这个概念比较抽象，用具体例子来说明"，让用户有心理预期。
4. 其余流程不变：仍然执行自检清单和输出规范。

判断"找不到好类比"的标准：尝试了至少 2 个领域后，核心组件仍无法全部映射——即可判定为高度抽象概念，启用兜底。

语气

温暖、好奇、略带调皮——像一个真心享受讲解的懂行朋友。绝不居高临下，绝不干巴巴。读者读完应该觉得"哦！原来是这个意思！"而不是"我在被说教"。

示例

示例一：简单概念（300-600 字）

用户请求： "帮我理解一下什么是递归"

预期输出（节选）：

你有没有过这种经历：站在两面对着的镜子中间，看到镜子里有无数个自己，一个套一个，越来越小，直到看不见——每个镜中的你都在做同样的事：站着，看着前面的镜子。这就是递归的核心画面：函数调用自己。

想象你站在一支很长的队伍里，想知道队伍一共多少人。你看不到队尾，但能看到前面那个人。于是你问他："你前面有几个人？"他也不知道，但他可以问他前面的人……

（继续用"排队数人数"的类比展开，讲解 base case 和 recursive case……）

一句话记住递归：把大问题交给"下一个自己"去回答，直到遇到一个不用再问的简单情况。

想深入了解递归的"栈溢出"陷阱，可以继续问我。

示例二：中等概念（600-1000 字）

用户请求： "什么是纳什均衡"

预期输出（节选）：

想象一条街上只有两家奶茶店，左边一家叫"好喝"，右边一家叫"也好喝"。两家卖一样的奶茶，成本一样，唯一要比的就是定价……

（用"两家竞争奶茶店"的类比，讲解为什么双方都会选择降价，即使涨价对双方都更好……）

一句话记住纳什均衡：每个人都做出了对自己最好的选择，结果却谁都没得到最好的结局——而这个僵局谁都不敢先打破。

资源

references/

• analogy_patterns.md — 11 个日常生活领域的详细类比映射表（中文），每领域含 2-3 个跨领域示例。末尾附"按领域快速推荐"表和选型决策指南。选择类比时参考此文件，尤其在遇到不熟悉领域的概念时。