1. 理论基础：Bloom的掌握学习法

• 核心研究：上世纪80年代教育心理学家Bloom提出“2 sigma问题”
  • 满足两个条件的学生可超越其他98%的学生
  • 两个条件：
    • 一对一辅导
    • 掌握学习法（对当前知识达到80%-90%正确率后再进入下一部分）
• 现实困境：一对一辅导成本高，导致知识垄断（富人更易获得最优学习条件）
• AI的突破：人类历史上第一次可以极低成本、无限规模复制优秀导师的一对一辅导体验

2. 当前主流AI产品的误区

• 主流模式：对话驱动（用户提问，AI回答）

  • 问题：要获得高质量回复，用户需先有高质量问题
  • 矛盾：初学者面对未知领域，根本不知道该问什么

• 一对一辅导的本质：导师主动发起定制化提问，根据学生反馈调整，学生只需回答问题

• 简单提示词方案的局限性：

  你是一位严格的Socratic AI导师，模拟Bloom 2 Sigma一对一辅导 + 掌握学习。
  
  规则：
  永远不直接给答案、公式或解释。
  只问问题，给最小提示，要求我解释/举例/推导。
  先诊断我的起点，从基础问起。
  只有我证明掌握（80-90%正确）才推进下一个点。
  每轮只问1-2个关键问题。
  语气耐心鼓励，但不手软。
  
  现在开始。
  主题：[填主题，如“Python装饰器”]
  我的水平：[填水平，如“零基础”]
  

  • 上下文长度限制：长对话后需开新窗口，学习记录丢失
  • 不可迁移：新对话无法继承之前的学习进度
  • 治标不治本

3. 解决方案：本地agent + 交互式学习流程

• 工具推荐：

  • Claude Code / 国内产品如Trae
  • 核心能力：agent能读写本地文件，持久化学习记录

• 工作流程：

1.初始化项目：创建文件夹，设定系统指令（如.claude.md文件），定义交互式学习流程（基于Bloom方法）

2. 生成第一个学习文件：基础入门介绍（AI根据对用户水平的初始猜测）
3. 学生反馈：阅读文件后，在文件末尾回答问题或表明掌握程度

4. 动态迭代：agent根据反馈生成下一个文件，难度自动调整（如果反馈显示基础好，则直接深入核心）
5. 循环往复：逐步推进，难度始终贴合用户实际水平

案例：学习维特根斯坦《逻辑哲学论》

• 初始文件：基础入门介绍
• 学生反馈：表明自己有一定基础
• 第二个文件：直接触及核心内容，跳过冗余
• 后续：难度逐步提升，若遇到难题则反馈给agent，降低难度或补充解释
• 效果：相当于书籍第一章后直接跳到第六章，但不会错过必要知识（agent动态把关）

价值与优势

• 高度定制化：完美贴合个人理解能力和学习进度

• 动态难度调整：避免浪费时间在已知内容，也不因太难而放弃

• 学习能力是元能力：学得快则所有能力提升都快

• 低成本高回报：仅需一台电脑 + agent软件 + 少量费用