Learning Notes Automation

学习笔记自动化

核心价值

被动学习 → 主动记忆：看视频 ≠ 学会，生成闪卡 = 记住

输入源

| 输入类型 | 工具 | 输出格式 | |----------|------|----------| | YouTube 视频 | youtube-transcribe | 转录文本 | | B站视频 | bilibili-transcribe | 转录文本 | | 播客 | podcast-transcribe | 转录文本 | | 抖音 | douyin-transcribe | 转录文本 | | 公众号文章 | wechat-article-ingest | Markdown |

工作流程

Phase 1: 内容转录

复用本仓库的转录 skill（相对路径，按需替换为你的安装位置）：

# YouTube（自动翻译）
python3 ../youtube-transcribe/scripts/transcribe.py "https://youtube.com/watch?v=xxx" -o ./

# B站
python3 ../bilibili-transcribe/scripts/transcribe.py "https://bilibili.com/video/xxx" ./

# 播客
python3 ../podcast-transcribe/scripts/transcribe.py "https://xiaoyuzhoufm.com/episode/xxx" ./

输出是一份转录 Markdown，作为 Phase 2 的输入。

Phase 2 + 3: 知识点提取 + 闪卡生成（一步到位）

把转录稿交给 make_notes.py，自动提取知识点并生成 Anki 兼容闪卡：

export DEEPSEEK_API_KEY=***
python3 scripts/make_notes.py 转录稿.md --output ./notes --max-cards 20
# 产出：-学习笔记.md（核心要点+闪卡+关联知识） 和 -闪卡.csv（直接导入 Anki）

> 脚本用 DeepSeek 输出结构化 JSON，再渲染成下面约定的笔记与闪卡格式。 > 下面是各维度的设计说明，供理解和手动微调时参考。

提取维度：

1. 核心概念（必须掌握）

• 定义
• 原理
• 应用场景

1. 关键事实（需要记忆）

• 数据
• 时间线
• 人物/公司

1. 方法论（可以复用）

• 步骤
• 框架
• 最佳实践

1. 金句/洞察（值得引用）

• 精辟总结
• 独特观点

Phase 3: 闪卡生成

闪卡格式（Anki 兼容）：

## 闪卡类型

### 1. 概念卡（Cloze Deletion）
Q: {{c1::Transformer}} 架构的核心机制是 {{c2::自注意力（Self-Attention）}}
A: Transformer, 自注意力（Self-Attention）

### 2. 问答卡（Basic）
Q: 什么是 RAG？
A: Retrieval-Augmented Generation，检索增强生成。通过检索外部知识库来增强 LLM 的回答能力，解决幻觉问题。

### 3. 对比卡（Comparison）
Q: Fine-tuning vs RAG 的区别？
A: 
| 维度 | Fine-tuning | RAG |
|------|-------------|-----|
| 成本 | 高（需要训练） | 低（只检索） |
| 更新 | 需要重新训练 | 实时更新 |
| 适用 | 特定任务 | 知识问答 |

### 4. 步骤卡（Process）
Q: 如何构建一个 RAG 系统？
A: 
1. 文档分块（Chunking）
2. 向量化（Embedding）
3. 存入向量数据库
4. 检索相关片段
5. 拼接 Prompt
6. LLM 生成回答

Phase 4: 知识图谱更新

实体提取：

• 人物（Who）
• 概念（What）
• 工具/产品（Tool）
• 方法论（How）
• 时间（When）

关系映射：

• 发明了：人物 → 概念/工具
• 属于：概念 → 领域
• 替代了：新工具 → 旧工具
• 依赖于：概念 → 概念

输出到知识库：

---
title: [概念名]
type: knowledge-card
tags: [学习, AI, ...]
source: [[视频/播客链接]]
created: YYYY-MM-DD
---

# [概念名]

## 定义
一句话定义

## 核心要点
1. ...
2. ...
3. ...

## 关联概念
- [[概念A]]：关系说明
- [[概念B]]：关系说明

## 应用场景
- 场景1：...
- 场景2：...

## 闪卡
（Anki 格式的闪卡内容）

输出格式

1. Anki 闪卡文件

# 符号分隔格式，可直接导入 Anki
"问题","答案","标签"
"什么是 Transformer?","一种基于自注意力机制的深度学习架构，广泛用于 NLP 任务","AI,深度学习"

2. 学习笔记 Markdown

# [视频标题] - 学习笔记

**来源**：[链接]
**日期**：YYYY-MM-DD
**时长**：XX 分钟
**领域**：AI / 半导体 / ...

---

## 📝 核心要点

### 要点 1：[标题]
- 摘要：...
- 重要性：⭐⭐⭐⭐⭐

### 要点 2：[标题]
- 摘要：...
- 重要性：⭐⭐⭐⭐

---

## 🃏 闪卡（XX 张）

### 概念卡
1. Q: ... A: ...
2. Q: ... A: ...

### 问答卡
1. Q: ... A: ...

---

## 🔗 关联知识

- [[概念A]]：...
- [[概念B]]：...

---

## 💡 个人思考

（基于内容的个人见解和应用想法）

3. 知识库条目

存入：wiki/📖 行业研究/[领域]/[概念名].md

Cron 配置（可选）

# 每周日整理本周学习内容
schedule: "0 20 * * 0"
prompt: "整理本周的所有学习笔记，生成周学习报告"

使用示例

用户：帮我把这个视频做成学习笔记
https://youtube.com/watch?v=xxx

Agent：
1. 转录视频
2. 提取 15 个知识点
3. 生成 20 张闪卡
4. 更新知识图谱
5. 输出 Anki 文件 + Markdown 笔记

反模式

• ❌ 不要只提取不消化，必须有个人思考
• ❌ 不要生成太多闪卡，质量 > 数量（单视频 15-30 张）
• ❌ 不要忽略知识关联，孤立的知识容易遗忘
• ✅ 闪卡必须可独立理解（不依赖上下文）
• ✅ 每张闪卡只有一个知识点（原子性）
• ✅ 优先生成「为什么」和「怎么做」的卡，而非「是什么」

Source & license

This open-source skill is cataloged on AgentStack and links to its original source — we do not rehost the code.

• Author: chubbyguan
• Source: chubbyguan/chubbyskills
• License: MIT

Install and usage instructions live in the source repository linked above.