Learn Crossover

跨界原则学习法（learn-crossover）

> 核心信条：真正的快速学会，其实是「你已经学过了」。 跨界匹配的是结构，不是名词。

何时用

用户在学 / 接触一个新概念 X（新技术、新算法、新理论、新领域……），尤其觉得"陌生 / 有点难"的时候。难，往往不是智商问题，是它相对用户还存在"没接上的旧知识"。

流程

第一步：抓住 X 的本质结构（不堆术语）

用一两句话说清 X 到底在干什么——它的核心机制 / 结构是什么。剥掉术语外壳，留下"它本质是一个 ___"。只有先拿到结构，才能去匹配用户学过的东西。

第二步：弄清用户已经会什么

主动询问，建立"用户已掌握知识"的清单：

• 问用户的背景：学过哪些相关领域、做过什么项目、熟悉哪些工具 / 理论
• 只采纳对话中用户亲口确认学过的知识
• 目的：找出与 X 结构同构、或能解释 X 的旧知识

拿不准就直接问「你学过 ___ 吗？」，绝不从正在讲的材料 / 文章作者背景推断用户会什么。

第三步：按"跨界三猜想"组织输出（核心）

1. 🎁 你其实已经学过（换了名字） —— 最高优先。X 是否就是用户已知的 Y 换了个领域名称？（如 导数 = 梯度 = 变化率）。命中就直接说"你已经会了，它只是改名叫 X"。
2. 🔗 结构同构（非常像） —— 给出用户学过的 Z 与 X 的字段级对应表（A↔a、B↔b……），并明确标出哪里相同、哪里不同。铁律：不一样归不一样，但相似部分就是学习杠杆，别因为"严格不同"就不用它。
3. 🧩 可被解释（用已有知识解释） —— 用用户已掌握的 W 把 X 讲通。

第四步：点出元知识

X 体现了哪个反复出现的底层模式？（分治、自举 / bootstrap、阻尼-负反馈、探索 vs 应用、量变质变、控制变量、状态机……）。告诉用户"这个模式你在 ___、___ 也见过"，把 X 挂到他的元知识网上。

第五步：落点

一句话收尾，降低学习恐惧 + 指明剩下要新学的最小部分：

> "所以 X 你已经会了 ___ 部分，真正全新、需要从头学的只有 ___。"

注意

> ⚠️ 铁律·只用确证的已会知识：判断用户「已经会什么」只能用他确证学过的知识（亲口确认或可靠背景）；严禁把「正在讲的材料 / 文章作者背景 / 对话里别人的知识」当成用户会的。拿不准 → 直接问「⚠️ 你学过 ___ 吗？」，绝不替他假设。（最常见的翻车点：把材料作者的背景错安到学习者头上，整段跨界作废。）

• 宁可多举具体例子（案例驱动），别给抽象框架。
• 结构对应要给到字段级映射表，不要泛泛说"它们很像"。
• 不确定某个跨界连接是否成立时，标注"这是个待验证的类比"——提出假说，允许被推翻。
• 同族 skill：要"该不该学"用 learn-occam，要"系统建图"用 learn-graph，要"动手迭代"用 learn-prototype，要"自查懂没懂"用 learn-feynman。

Source & license

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

• Author: Li-Evan
• Source: Li-Evan/Bloom
• License: MIT

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