费曼学习法

为什么需要它

读完一本技术书或一篇论文，你常常产生一种"懂了"的错觉：术语都认识，公式都见过。但如果让你向一个完全不懂这个领域的朋友讲清楚，你会卡在中间——能复述定义，却说不出它为什么成立、在什么场景下会失效。问题不在记忆力，而在理解的深度：你拿到的是术语的外壳，不是概念的骨架。

费曼学习法 要解决的就是这件事。它的目标不是帮你背诵定义，而是产出一段你能直接转述给别人的解释，让人听完说出"哦，原来是这个"。

它是怎么工作的

核心思路是类比先行：把概念拆成最小零件集，再从日常生活中找一个结构匹配的场景，沿着类比一步步走过去。整个流程固定为六步：

1. 识别与拆解：找出概念中"去掉就不成立"的 2-4 个核心组件，组件数量直接决定讲解深度。
2. 选择类比：从 references/analogy_patterns.md 的 11 个领域（厨房、交通、购物、建筑、社交等）里挑。优先级是结构匹配 > 熟悉度 > 可延展 > 记忆度。
3. 通过类比讲解：按组件数自动判定篇幅——2 个组件 300-600 字，3 个 600-1000 字，4 个以上 1000-1500 字。
4. 难度适配检查：防止简单概念注水、复杂概念漏件。
5. 自检清单：逐项核对组件全覆盖、术语零裸奔、类比边界成立、直觉检验四项。
6. 输出与交付：文本是主体，图示只是锦上添花。

写作上有几条硬约束：零术语债，任何专业名词出现时必须当场用类比拆开；多用感官细节让读者"看见"画面；概念名首次出现加粗。它刻意不添加"理解检验"或"现在你来复述"环节，因为解释本身就是交付物。

适用边界

它不是万能的。当概念高度抽象、尝试至少 2 个领域后核心组件仍无法全部映射时，硬套类比会失真，此时降级为拆解 + 举例模式：用 2-3 个带数字、带因果的真实例子说明每个组件如何运作，并在开头明确告知用户。类比的尽头是边界——如果一追问就散架，要么换类比，要么在"边界洞察"里主动说明局限。

另外，它交付的是直觉理解，不承担数学推导、代码实现或考试解题的职责。如果你需要严格的形式化证明，它帮不上忙。