AI Deep Learning Methodology

用AI系统化深度学习任意领域的方法论。通过"引文网络提纯+多AI交叉质询"构建结构化知识体系。 当用户说"想学XX领域"、"系统了解XX"、"帮我研究XX"、"构建XX知识体系"、"深度学习XX"时使用。 适用于：新领域入门、学术文献调研、构建个人知识库、准备专业讨论。

Security Scan

This is an instruction-only methodology for building a literature-backed knowledge base using citation networks, RAG (NotebookLM), and multi-AI cross‑questioning — its requirements and instructions are coherent with its stated purpose.

Purpose & Capability

Name/description (systematic domain learning via citation networks + multi-AI interrogation) match the SKILL.md. All recommended actions (finding key papers, building a NotebookLM/RAG knowledge base, running multi-AI question loops) are directly relevant. The skill requests no unrelated binaries, env vars, or config paths.

Instruction Scope

Instructions are focused on search, download, ingestion into NotebookLM (or similar), and multi‑AI interrogation; this is expected. Two points for the user to note: (1) it assumes the agent or helper agents will download full-text papers from external sources (Google Scholar, arXiv, CNKI, project sites) which may involve paywalls or copyright-sensitive content; (2) it instructs uploading documents to NotebookLM/RAG tools — that has privacy and data-sharing implications. No instructions ask the agent to read unrelated local files or system secrets.

Install Mechanism

Instruction-only skill with no install spec and no code files — lowest-risk installation footprint.

Credentials

The skill declares no environment variables, credentials, or config paths. Recommended external services (NotebookLM, Google Scholar, arXiv, CNKI) are logical for the task and do not require the skill itself to request secrets.

Persistence & Privilege

always: false and no instructions to modify agent/system-wide configs. The skill does not request persistent privileges or background presence.

Assessment

This skill is coherent and appears to do what it says, but consider these practical risks before use: (1) Privacy: uploading papers or notes to NotebookLM/RAG tools shares their contents with that service — avoid uploading confidential or proprietary documents unless permitted. (2) Copyright/paywalls: downloading full-text papers (especially from CNKI or publisher sites) may be paywalled or restricted — ensure you have lawful access. (3) Multi‑AI workflow costs/credentials: using multiple models (GPT/Claude/Gemini) requires separate accounts/API keys outside the skill; the skill does not provide or request them. (4) Verify citations: always spot-check extracted citation counts, quotes, and chains — cross-check original PDFs. If you want higher assurance, ask the author/maintainer for provenance (source/homepage) or request the skill be extended to explicitly document how it handles paywalled sources and user data uploads.

AI深度学习方法论

用"引文网络提纯 + 多AI交叉质询"的方法，系统化深度学习任意领域。

适用场景

• 系统性了解一个细分领域/概念/技术
• 构建某个领域的结构化知识体系
• 准备深度专业讨论或报告
• 需要超越"AI幻觉"的可靠知识

核心理念

顺着大师的目光看世界，是成本最低的捷径。

三个关键原则：

1. 引文网络 = 知识骨架：被反复引用的经典文献就是这个领域最核心的思想演进图
2. NotebookLM = 无幻觉知识库：只基于你投喂的资料回答，切断互联网垃圾信息
3. 多AI交叉质询 = 认知螺旋：不同AI的视角差异能帮你发现盲区和逻辑漏洞

三步工作流

第一步：顺藤摸瓜（找文献）⏱️ 15分钟

目标：找到该领域的"定海神针"级文献

操作：

1. 锁定权威人物和文献：
   • 提问："在[某领域]中，哪三位是公认的奠基人？他们最具影响力的1-3篇经典文献是什么？"
   • 可同时问多个AI（GPT/Claude/Gemini），取交集
2. 下载一阶文献（"今生"）：
   • 直接下载AI推荐的核心文献全文
3. 提炼二阶文献（"前世"）：
   • 查看核心文献的参考文献列表
   • 交叉比对，筛选被引用频率最高的Top 5
   • 这些是该领域数十年来最核心的思想源头

文献来源优先级：

• Google Scholar（scholar.google.com）
• arXiv（arxiv.org）
• 知网（cnki.net）—— 中文领域
• 项目官网/GitHub —— 技术领域

第二步：搭建知识库（喂数据）⏱️ 15分钟

目标：建立纯粹、高度聚焦的领域知识库

操作：

1. 将所有文献上传至 NotebookLM（或类似RAG工具）
2. 一个知识库建议控制在 300 篇以内
3. 按子主题分 folder（如"理论基础""技术实现""应用场景"）

为什么用 NotebookLM：

• 只基于你投喂的资料回答，不会编造
• 自动生成文献摘要和关键概念提取
• 支持追问时给出具体来源引用

第三步：多AI交叉质询（深度理解）⏱️ 1-3.5小时

目标：通过不同AI的视角差异，形成自己的结构化认知

操作流程（循环执行 3-5 轮）：

轮次 1：找锚点
├── 问通用AI → "这个领域的核心争议和底层框架是什么？"
├── 带着问题 → 回知识库验证
└── 记录新的认知和疑问

轮次 2：闭环叩问
├── 带争议问题 → 回知识库问"大师们怎么解答的？"
├── 要求 → 给出具体文献来源和推演逻辑
└── 记录核心论点和证据链

轮次 3：降维审视
├── 把知识库的严谨回答 → 扔给通用AI做批判性审视
├── 指令 → "以批判性思维审视，指出逻辑漏洞、时代局限性、盲区"
├── 追问 → "我应该继续追问哪3个更深层次的问题？"
└── 记录新的漏洞和问题

轮次 N：螺旋上升
├── 拿着新发现的漏洞 → 回知识库寻求解答
├── 重复上述循环...
└── 直到能梳理出自己的思维导图

最终验证（可选）：

• 让知识库出一套考题测试理解程度
• 尝试用自己的话向别人解释这个领域（费曼学习法）

输出模板

每轮学习后，生成结构化知识卡片：

## [领域名称] 知识体系

### 一、核心概念
- 概念1：定义 + 关键特征
- 概念2：...

### 二、发展脉络
- 时期1：关键人物 → 核心贡献 → 代表文献
- 时期2：...

### 三、核心争议
- 争议A：正方观点 vs 反方观点 → 我的判断
- 争议B：...

### 四、应用场景
- 场景1：怎么用 + 局限性
- 场景2：...

### 五、待深入问题
- [ ] 问题1
- [ ] 问题2

### 六、核心文献清单
| 文献 | 作者 | 年份 | 核心贡献 | 被引次数 |
|------|------|------|----------|----------|
| ...  | ...  | ...  | ...      | ...      |

与 AI Agent 的配合方式

当用户要求深度学习某个领域时，Agent 可以分工协作：

1. 搜索 Agent：负责搜索权威文献、下载论文、提取参考文献列表
2. 主 Agent：负责搭建知识库、执行多轮交叉质询、生成知识体系文档
3. 产出：结构化知识卡片 + 核心文献清单 + 个人知识库（可保存为笔记）

注意事项

• 这套方法论适合深度系统学习，不适合快速了解概念（后者直接问AI即可）
• 每个领域建议投入 2-5 小时，不要贪多
• 知识库要持续更新，新论文/新观点定期补充
• 多AI质询时，不同AI的强项不同：Claude强逻辑、Gemini强多模态、GPT强通用