先把学习环境准备好
工具不是学习目标，但稳定的版本管理、AI 工作台、远程仓库和网络条件，是后续知识沉淀与工程实践能够持续发生的前提。
思维底座
先理解思维如何从经验、确定性模型走向统计与不确定性管理，才能理解为什么 AI 工程需要数据、验证和持续迭代。
先选择抽象层次，再从静态组成与动态过程认识事物，最后用多种思维模型交叉验证并接受反馈。
02→思维的升级意识追问规律；符号跨越时空；科学把怀疑与验证变成循环；统计思维面对无法完整建模的世界。
03→27 张认知图谱建模、活动、抽象、认知、动静分析与工具六组，完整映射认知系统。
学习方法
把抽象方法变成可照做的学习路径。新手先走通闭环，再回到证据中理解每个工程决策。
需求、设计、实现、质检与修复，模拟人类专业分工。高质量沟通在于说清意图、角色、流程、边界和验收标准。
02→写作本身就在思考工作记忆容量有限。把思维轨迹外化为文字，相当于给大脑增加可回溯的缓存，腾出精力反思并生成新思想。
03→案例拆解从目标、纠偏、归档到部署的小白化全链路。
知识实践
知识管理理论解决「为什么管理、管理什么」，大模型知识库解决「如何低成本地持续摄入、组织、检索与维护」。
让大模型维护 Wiki，人类负责方向
传统知识管理包含获取、筛选、提炼、组织与应用。LLM Wiki 将其编排为三层架构：原始资料保持不可变，模型增量生成相互链接的 Wiki，用 Schema 约束结构。
证据系统
按知识类型检索原始交付物。它们不是并列文章，而是工程主线中不同阶段留下的可追溯证据。
技能升级 PRD
从历史对话沉淀产品目标、用例和第一版升级需求。
技能升级需求 v2
把 PRD 压实为功能需求、安全矩阵、状态机和测试矩阵。
技能升级技术方案 v2
分层架构、兼容策略、错误码、工作包与回滚方案。
B-02 修复记录
阻断项的根因、修复、生产路径证据和判定。
第 5 轮修复记录
最后一轮质检、参数验证与残余边界处理。
最终验收签署报告
签署口径、阻断项关闭、验证结果与交付清单。
协作如何变成教学案例
把目标、纠偏、归档、部署和小白化拆成步骤。
用户如何驱动 AI 交付
按回合展示提示、AI 行动和产出结果。
信息卡生成技能
长文提炼、视觉选择、HTML 生成、截图与校验的完整流程。
用写作推进思考
备忘、缓存、反思、交流与语言生成构成的思考循环。
构建认知系统
27 张图重排为建模、活动、抽象、认知、动静分析与工具六组。
结构化思维
从数据、信息、知识到智慧，再落到学习框架与输出习惯。