AI Deep Learning Methodology
by @facadefish
用AI系统化深度学习任意领域的方法论。通过"引文网络提纯+多AI交叉质询"构建结构化知识体系。 当用户说"想学XX领域"、"系统了解XX"、"帮我研究XX"、"构建XX知识体系"、"深度学习XX"时使用。 适用于：新领域入门、学术文献调研、构建个人知识库、准备专业讨论。
clawhub install ai-deep-learning📖 About This Skill
name: ai-deep-learning description: | 用AI系统化深度学习任意领域的方法论。通过"引文网络提纯+多AI交叉质询"构建结构化知识体系。 当用户说"想学XX领域"、"系统了解XX"、"帮我研究XX"、"构建XX知识体系"、"深度学习XX"时使用。 适用于：新领域入门、学术文献调研、构建个人知识库、准备专业讨论。 version: 1.0.0 tags: [learning, research, knowledge, methodology]
AI深度学习方法论
用"引文网络提纯 + 多AI交叉质询"的方法，系统化深度学习任意领域。
适用场景
核心理念
> 顺着大师的目光看世界，是成本最低的捷径。
三个关键原则： 1. 引文网络 = 知识骨架：被反复引用的经典文献就是这个领域最核心的思想演进图 2. NotebookLM = 无幻觉知识库：只基于你投喂的资料回答，切断互联网垃圾信息 3. 多AI交叉质询 = 认知螺旋：不同AI的视角差异能帮你发现盲区和逻辑漏洞
三步工作流
第一步：顺藤摸瓜（找文献）⏱️ 15分钟
目标：找到该领域的"定海神针"级文献
操作： 1. 锁定权威人物和文献： - 提问："在[某领域]中，哪三位是公认的奠基人？他们最具影响力的1-3篇经典文献是什么？" - 可同时问多个AI（GPT/Claude/Gemini），取交集 2. 下载一阶文献（"今生"）： - 直接下载AI推荐的核心文献全文 3. 提炼二阶文献（"前世"）： - 查看核心文献的参考文献列表 - 交叉比对，筛选被引用频率最高的Top 5 - 这些是该领域数十年来最核心的思想源头
文献来源优先级：
第二步：搭建知识库（喂数据）⏱️ 15分钟
目标：建立纯粹、高度聚焦的领域知识库
操作： 1. 将所有文献上传至 NotebookLM（或类似RAG工具） 2. 一个知识库建议控制在 300 篇以内 3. 按子主题分 folder（如"理论基础""技术实现""应用场景"）
为什么用 NotebookLM：
第三步：多AI交叉质询（深度理解）⏱️ 1-3.5小时
目标：通过不同AI的视角差异，形成自己的结构化认知
操作流程（循环执行 3-5 轮）：
轮次 1：找锚点
├── 问通用AI → "这个领域的核心争议和底层框架是什么？"
├── 带着问题 → 回知识库验证
└── 记录新的认知和疑问轮次 2：闭环叩问
├── 带争议问题 → 回知识库问"大师们怎么解答的？"
├── 要求 → 给出具体文献来源和推演逻辑
└── 记录核心论点和证据链
轮次 3：降维审视
├── 把知识库的严谨回答 → 扔给通用AI做批判性审视
├── 指令 → "以批判性思维审视，指出逻辑漏洞、时代局限性、盲区"
├── 追问 → "我应该继续追问哪3个更深层次的问题？"
└── 记录新的漏洞和问题
轮次 N：螺旋上升
├── 拿着新发现的漏洞 → 回知识库寻求解答
├── 重复上述循环...
└── 直到能梳理出自己的思维导图
最终验证（可选）：
输出模板
每轮学习后，生成结构化知识卡片：
## [领域名称] 知识体系一、核心概念
概念1：定义 + 关键特征
概念2：... 二、发展脉络
时期1：关键人物 → 核心贡献 → 代表文献
时期2：... 三、核心争议
争议A：正方观点 vs 反方观点 → 我的判断
争议B：... 四、应用场景
场景1：怎么用 + 局限性
场景2：... 五、待深入问题
[ ] 问题1
[ ] 问题2 六、核心文献清单
| 文献 | 作者 | 年份 | 核心贡献 | 被引次数 |
|------|------|------|----------|----------|
| ... | ... | ... | ... | ... |
与 AI Agent 的配合方式
当用户要求深度学习某个领域时，Agent 可以分工协作：
1. 搜索 Agent：负责搜索权威文献、下载论文、提取参考文献列表 2. 主 Agent：负责搭建知识库、执行多轮交叉质询、生成知识体系文档 3. 产出：结构化知识卡片 + 核心文献清单 + 个人知识库（可保存为笔记）