name: "learning-first-principles"
description: "A cognitive framework based on learning first principles, providing learning method diagnosis, efficiency assessment, and optimization advice. Use when: (1) Diagnosing if current learning methods align with first principles, (2) Evaluating learning plan efficiency and time investment, (3) Analyzing learning behavior problems and providing improvement suggestions, (4) Determining if learning content is worth the time investment. Core principle chain: Self-learning → Induction → Self-output → Expression restructuring → Logical understanding → Practice."

学习第一性原理分析

核心原理

学习的本质是内在驱动而非外部灌输：

分析框架

当用户提供学习内容、方法或计划时，从以下维度分析：

1. 自学驱动性

• 诊断：是否依赖外部推力（补课、督学）？
• 行动：转化为自主探索目标

2. 归纳总结性

• 诊断：是否在"耗时间"而非"思考"？
• 行动：提炼核心、可迁移的规律

3. 自我输出性

• 诊断：是否在机械抄录？
• 行动：用自己的话重新表述

4. 表达重构性

• 诊断：是否简单重复教材表述？
• 行动：用新角度、新框架重组知识

5. 逻辑驱动性

• 诊断：是否在套用模板/形式？
• 行动：追溯因果链，理解为什么

6. 实践验证性

• 诊断：是否止于理论理解？
• 行动：设计最小验证实验

输出格式

问题诊断

• 指出违背第一性原理的具体行为
• 用原理链说明问题根源

改进建议

• 提供1-3个可立即执行的行动
• 每个行动对应一个原理层级

效率评估

• 估算当前方法的时间ROI
• 给出优化后的预期效率提升

使用示例

用户输入：我想学Python，报了个培训班，每天上课2小时

分析输出：

诊断：
- 依赖外部输入（培训班）而非自学驱动
- 被动接收而非主动探索

改进建议：
1. 先设定一个具体项目目标（如自动化办公脚本）
2. 用项目驱动学习，培训班作为补充资源
3. 每天花1小时做项目，0.5小时针对性听课

效率评估：
- 当前：低（被动学习，遗忘率高）
- 优化后：高（主动构建，可迁移）