AI 时代还需要买课吗？我用 Skills + Markdown + HTML 搭了一套自学系统
每一次对话都很有启发，但学习状态很难持续。
今天问了 RAG，明天问了 Agent，后天又让 AI 解释 LangGraph。每次 session 都像一次临时辅导，但长期看，课程目标、学习进度、复盘记录、掌握度评分都散落在不同对话里。
所以我开始做一套自己的 AI 自学系统：
仓库地址：
https://github.com/huajiexiewenfeng/learning-companion-skills
它不是一个复杂 App，也不是一个 Prompt 模板集合。
我更愿意把它理解成：
text
Skills = 学习流程执行层
Markdown = 本地学习数据层
Static HTML = 学习状态展示层
GitHub = 可选同步和资产沉淀层这篇文章不是单纯介绍一个工具，而是分享我最近尝试的一种 AI 自学方式：让 AI 不只回答问题，而是长期维护你的学习系统。
1. 我为什么要做这套 AI 自学系统
AI 时代，资料其实不缺。
真正缺的是一套能持续运行的学习系统。
长期学习至少需要回答这些问题：
- 我的最终目标是什么？
- 这门课为什么这样安排？
- 今天应该学什么？
- 今天最低完成标准是什么？
- 学完以后怎么验证？
- 我是"看过了"，还是"真的掌握了"？
- 下次应该继续、复习，还是降低任务难度？
- 学习记录能不能沉淀下来，而不是丢在聊天记录里？
普通 AI 对话很擅长解释知识点，但它不是天然的学习状态数据库。
所以我把系统拆成两段：
| 阶段 | Skill | 作用 |
|---|---|---|
| 课程设计 | course-designer |
确认 North Star，把目标变成可执行课程 |
| 长期学习 | learning-companion |
导入课程、跟踪进度、每日提醒、复盘打分、刷新看板 |
一句话概括：
course-designer负责把目标编译成课程，learning-companion负责让课程长期跑起来。
2. 整体效果：从一句目标到一个本地学习看板
最终我希望达到的效果很简单：
用户不是每次都重新问 AI："我今天该学什么？"
而是可以有一套稳定流程：
text
1. 说出自己的学习目标
2. AI 引导确认 North Star
3. AI 设计个性化课程
4. 用户确认后导入 learning-companion
5. 自动生成本地 Markdown 学习数据
6. 自动生成 learning-console.html 学习看板
7. 每天回复 1 开始学习
8. 学完回复 下课，进入复盘和打分
9. dashboard / log / map / HTML 看板自动更新这个系统目前已经能跑通最小闭环。
它不需要数据库，不需要后端服务，也不需要安装复杂软件。学习数据就在本地项目目录里。
典型结构如下：
text
learning-companion/
index.md
learning-console.html
plans/
<plan-id>/
dashboard.md
map.md
log.md其中：
| 文件 | 作用 |
|---|---|
index.md |
多个学习计划的索引 |
dashboard.md |
当前学习状态 |
map.md |
完整课程路线 |
log.md |
每次学习后的复盘日志 |
learning-console.html |
本地静态学习看板 |
【截图 ：生成后的 learning-companion/ 目录结构】
【截图 ：learning-console.html 静态学习看板， 五个模块】
3. 第一步：用 course-designer 确认 North Star
我不太喜欢从"知识点清单"开始设计课程。
比如：
- 学 RAG
- 学 LangChain
- 学 Java
- 学英语
- 学数学
这些说法都太散。
真正有效的课程应该先问：
学完以后，你到底要形成什么能力？
这就是 North Star。
比如我自己的技术学习目标不是简单"学 RAG"，而是：
打通企业 AI 转型的一条完整架构线路：RAG / Knowledge Runtime -> Role Agent Copilot -> Agentic Workflow 工程化 -> AI Native App 产品化重构 -> Autonomous Operation 受控自治。
这个目标比"学一个框架"更大，也更接近真实工作里的能力要求。
course-designer 的作用，就是把这样的目标拆成课程包。
它会引导确认：
- North Star
- 学习者背景
- 时间节奏
- 约束条件
- 阶段划分
- 每个阶段的可见产出
- 第一天从哪里开始
- 如何导入
learning-companion
【截图 ：用户输入学习目标，AI 引导确认 North Star】
确认 North Star
【截图 ：course-designer 输出课程包 / 阶段地图 / 导入预览】
4. 第二步：导入 learning-companion，课程变成本地状态
课程设计好以后，不能停留在聊天里。
用户确认导入后，learning-companion 会把课程转换成本地文件：
text
learning-companion/
index.md
learning-console.html
plans/
<plan-id>/
dashboard.md
map.md
log.md这里有一个最近升级的新能力：
导入计划后，默认生成
learning-console.html。
也就是说，用户不需要额外再说"创建学习面板"。只要课程导入成功，系统就会同时生成 Markdown 数据和静态 HTML 看板。
这一步很关键。
因为 Markdown 适合 AI 维护，HTML 适合人查看。
text
Markdown 负责事实
HTML 负责展示
Skill 负责更新【截图 ：learning-companion 导入计划预览】
【截图 ：导入完成后自动生成 learning-console.html】
5. 静态学习看板：不是复杂 App，而是本地状态视图
这次升级里，我最满意的不是"多了一个页面"，而是明确了一个边界：
learning-console.html只是展示层，不是事实来源。
真正的数据来源仍然是：
text
dashboard.md
map.md
log.md
index.mdHTML 里只维护一个结构化数据块：
js
window.learningData = {
generatedAt: "",
workspace: "",
sourceFiles: [],
plans: [],
activePlanId: "",
dashboard: {},
today: {},
mapItems: [],
logEntries: [],
contentPreview: {},
masteryStats: {}
}刷新看板时，Skill 不需要重写整个 HTML，也不需要改 CSS 或布局，只需要更新 window.learningData。
这对 AI Agent 很友好。
因为让 AI 改一整页 HTML，风险很高；但让 AI 更新一个结构化数据对象，风险低很多。
看板目前只展示五个模块：
| 模块 | 作用 |
|---|---|
| 学习仪表盘 | 当前课程、计划进度、有效进度、最近学习 |
| 学习路线图 | 已完成、当前、未开始 |
| 学习日志 | 最近学习记录和复盘摘要 |
| 课程内容预览 | 当前内容和后续学习项 |
| 进度与掌握 | 完成天数、有效天数、掌握度趋势 |
这里我刻意删掉了一些看起来"像产品"的指标。
比如：
- 累计学习时长
- 补救次数
- 阻塞状态
- 复杂的 rescue 流程看板
原因很简单：
没有稳定数据来源的指标，不应该出现在 dashboard 里。
这也是我希望这套系统保持克制的地方。它可以慢慢演进，但不能为了看起来完整而造数据。
6. 每天怎么用：回复 1，开始学习
长期学习系统最怕每天启动成本太高。
所以 learning-companion 设计了一个低摩擦协议：
| 输入 | 含义 |
|---|---|
1 |
今天会学，先记为学习中 |
0 |
今天跳过 |
低配 |
给我 10/20/30 分钟保底任务 |
下课 |
学完了，开始收口复盘 |
当用户回复：
text
1系统会做两件事：
- 把今天的学习状态更新为 studying
- 如果
learning-console.html已存在，自动刷新window.learningData
注意，这里不会重写 HTML 布局。
它只更新数据块。
这意味着用户打开学习看板以后，可以看到当前学习状态已经变化。
7. 下课复盘：真正判断是否掌握
我认为 下课 是这套系统里最重要的设计之一。
因为很多学习系统最大的问题是：
听懂了，被当成学会了。
但真正的学习应该经过复述和验证。
当用户回复：
text
下课learning-companion 会进入 close-out review：
- 让用户用一句话说出今天学懂了什么
- 问 1-3 个验证问题
- 根据回答给 mastery score
- 更新
dashboard.md - 更新
log.md - 必要时更新
map.md / index.md - 如果
learning-console.html已存在，自动刷新window.learningData
这里有一个边界也很重要：
老师模式不会直接推进 effective progress。只有下课复盘后的评分，才会影响有效进度。
这让系统不会把"AI 讲了一遍"误判成"用户真的掌握了"。
【截图 ：用户回复 下课 后，AI 提出复盘问题】
【截图 ：复盘后 log.md 更新】
【截图 ：下课后 HTML 看板自动刷新】
8. Teacher Mode：AI 可以教，但不能替你掌握
learning-companion 不是一个纯记录工具。
当用户说：
text
继续学习
你来教我
我不明白
换个例子
老师模式它会读取当前 dashboard，围绕今天的学习项做轻量教学。
比如今天学的是 chunk 与 metadata，老师模式不会泛泛讲 RAG，而是会围绕：
- chunk 是什么
- metadata 为什么重要
- 它们如何影响召回
- 错误 metadata 会造成什么问题
- 如何用一个例子检查是否理解
老师模式的流程很短：
- 用简单语言说明核心概念
- 连接到学习者当前计划或项目
- 给一个具体例子
- 点出一个常见误区或边界
- 只问一个检查问题
但它只负责"教"。
真正的状态更新，还是要回到 下课 复盘。
9. 技术设计：为什么是 Skills + Markdown + HTML
我没有一开始就做一个完整 Web App。
原因是：这套系统的核心问题不是界面，而是流程。
如果流程不清楚，做成 App 也只是更漂亮的空壳。
所以我先选择了更轻的架构：
| 层 | 技术形态 | 作用 |
|---|---|---|
| 执行层 | Codex Skills | 负责课程设计、导入、提醒、复盘、打分 |
| 数据层 | Markdown | 保存学习状态、路线图和日志 |
| 展示层 | Static HTML | 展示当前学习状态 |
| 同步层 | GitHub | 可选，用于备份、分享和作品集沉淀 |
这套架构有几个好处：
- 用户不需要安装复杂系统
- 所有学习数据都在自己的 workspace
- Markdown 可读、可改、可版本管理
- HTML 可以直接打开
- GitHub 可以作为长期资产库
- AI Agent 更新结构化数据比维护复杂应用更稳定
换句话说：
这不是把 AI 包成一个 App，而是让 AI Skill 直接参与维护你的学习状态。
10. 我的真实学习记录
我自己用它管理过一个学习计划：
text
Agent/RAG Knowledge Runtime 转行计划当前记录：
| 指标 | 数值 |
|---|---|
| Plan progress | Day 10 / 60 |
| Effective progress | Day 10 / 60 |
| Last studied | 2026-05-23 |
| Current topic | Java RAG 服务：chunk 存储 |
部分 mastery score：
| Day | Topic | Mastery |
|---|---|---|
| Day 1 | RAG 完整链路 | 4/5 |
| Day 2 | Agent Knowledge Runtime 是什么 | 4/5 |
| Day 3 | token、context window、embedding | 3.5/5 |
| Day 4 | chunk 与 metadata | 4/5 |
| Day 5 | citation 与 hallucination 控制 | 4/5 |
| Day 6 | Spring Boot 服务骨架 | 4/5 |
| Day 7 | Markdown 文档导入 | 4/5 |
| Day 8 | Java 并发导入基础 | 4/5 |
| Day 9 | HTTP/API 设计 | 4/5 |
| Day 10 | 第一阶段复盘 | 5/5 |
这份记录最大的价值，不是证明我学了多少，而是让我知道：
- 哪些主题只是看过
- 哪些主题能解释
- 哪些主题能迁移到项目
- 哪些主题没有达到有效掌握
- 下一步应该学什么
【截图 ：真实 learning-companion log / mastery score 记录】
11. 不只适合技术学习
这套系统不是只为技术学习设计的。
因为它抽象的是"学习状态"，不是某个学科。
技术学习里，今天的任务可能是：
| 字段 | 示例 |
|---|---|
| Topic | Minor GC and Full GC |
| Minimum completion | explain in one sentence why Full GC is more disruptive |
| Verification direction | distinguish Minor GC and Full GC by trigger and impact |
孩子的一年级应用题课程里，今天的任务可能是：
| 字段 | 示例 |
|---|---|
| Topic | 加法应用题：又来了、合起来、一共 |
| Minimum completion | 做 5 道题，每道说出"题目问什么、变多还是变少、为什么用加法" |
| Verification direction | 至少 3 道能不用提示说出列式理由 |
一个是技术学习，一个是小孩数学。
但它们背后的学习状态模型是一样的：
- 今天学什么
- 最小完成标准是什么
- 怎么验证掌握
- 当前进度是多少
- 下次应该如何继续
【截图 ：小孩应用题课程 dashboard】
截图2
12. GitHub 化：把学习变成可积累资产
我现在还会把学习计划和笔记同步到 GitHub。
相关仓库：
learning-companion-skills：存放course-designer和learning-companionskillsenterprise-ai-transformation-runtime：存放我的企业 AI 转型学习计划、笔记和后续作品集材料
这样学习过程就不只是聊天记录，而是逐步变成可积累资产：
- 课程计划
- 学习日志
- 阶段复盘
- 架构图
- schema
- demo
- 作品集 README
【截图 ：enterprise-ai-transformation-runtime 仓库 README】
13. 总结：AI 时代，自学能力应该产品化
我越来越觉得，AI 时代真正重要的不是"会不会问问题"。
更重要的是：
能不能用 AI 给自己搭一套长期运行的学习系统。
这套系统不一定一开始就是复杂产品。
它可以很轻：
text
用 Skill 执行流程
用 Markdown 保存事实
用 HTML 展示状态
用 GitHub 沉淀资产course-designer + learning-companion 还只是早期版本，但它已经表达了一个我很认同的方向：
AI 不只是帮我们回答问题，也可以帮我们维护自己的成长系统。
以后学习不一定要从买课开始。
更好的起点可能是：
- 确认自己的 North Star
- 定制适合自己的课程
- 导入长期学习系统
- 每天完成一个小任务
- 学不会时进入老师模式
- 学完后下课复盘并打分
- 让学习记录和看板自动更新
- 把学习过程沉淀成自己的长期资产
这才是 AI 时代更值得掌握的自学能力。