一種認知腳手架技能，透過將複雜概念的底層結構映射到你已經掌握的心智模型，從而加速對這些概念的學習。
安裝與下載
1. ClawHub CLI
從來源直接安裝技能的最快方式。
npx clawhub@latest install learn-crossover
2. 手動安裝
將技能資料夾複製到以下位置之一
~/.openclaw/skills/ <project>/skills/ 優先級：工作區 > 本地 > 內建
3. 提示詞安裝
將此提示詞複製到 OpenClaw 即可自動安裝。
請幫我使用 Clawhub 安裝 learn-crossover。如果尚未安裝 Clawhub，請先安裝（npm i -g clawhub）。
想要直接下載？
取得包含原生技能檔案的ZIP壓縮檔。
什麼是 學習交叉映射 (Learn Crossover)？
Learn Crossover 是一個旨在快速獲取知識的認知優化框架。透過利用結構同構，該技能證明了你其實已經在不同的名稱或背景下理解了它們的底層架構，從而揭開了陌生概念、演算法和技術的神秘面紗。它不是將新資訊視為孤島，而是系統地在你既有的專業知識與陌生領域之間架起橋樑，將學習的畏難情緒轉化為直觀的映射練習。
作為 Openclaw Skills 生態系統的一部分，這種方法徹底顛覆了傳統的學習曲線。它用清晰的直接類比和精確的領域級映射表取代了學術術語，確保你只需將認知精力投入到掌握目標學科中真正新穎的部分。
學習交叉映射 (Learn Crossover) 應用場景
- 當遇到令人感到棘手的極其複雜的程式設計範式、數學演算法或系統架構時。
- 當轉型進入一個新的技術領域（例如從前端 Web 開發轉型到機器學習）並需要結構化思維導圖時。
- 當需要在緊迫的截止日期前快速理解技術文件、學術論文或 API 規格時。
- 當開發者或學生說「這太難了」或詢問「幫我理解 X」時。
學習交叉映射 (Learn Crossover) 運作原理
- 提取核心結構：剝離令人畏懼的術語，識別目標概念 X 的基本功能機制。
- 建立使用者知識基準：進行主動、結構化的詢問，盤點你確認的背景、專案和熟悉的工具（在沒有明確驗證的情況下絕不假設已知知識）。
- 制定三個交叉假設：透過直接同義詞（例如：導數到梯度）、結構對結構的欄位映射以及使用既有心智模型的解釋路徑來映射概念。
- 錨定元模式：將該概念與計算機科學或科學原型聯繫起來，如狀態機、負回饋迴路或分治策略。
- **定義淨新增差異 (Net-New Delta)**：以明確的界限作為結論，突出顯示你已經知道的概念部分，並隔離出需要實際學習的最小差異。
學習交叉映射 (Learn Crossover) 設定指南
要在你的基於終端的 AI 助理或代理工作流中啟用此學習框架，請在你的本地 Openclaw Skills 儲存庫中進行配置：
# 如果尚未複製，請複製 Openclaw Skills 儲存庫
git clone https://github.com/openclaw/skills.git
cd skills
# 將 learn-crossover 技能註冊到你的代理配置中
openclaw-cli skill register ./skills/learn-crossover
# 驗證啟用的學習技能
openclaw-cli skill list --category self-improvement
配置完成後，只需透過向代理發送類似以下語句的提示即可觸發該技能：「利用我對 Docker 和虛擬機的了解，幫我理解 Kubernetes 架構。」
學習交叉映射 (Learn Crossover) 資料結構與分類體系
Learn Crossover 執行結構利用清晰的、基於分類法的映射模型來組織傳入的概念參數，並將它們與你的使用者設定檔對齊：
| 屬性 | 類型 | 描述 | 範例 |
|---|---|---|---|
target_concept |
String | 要學習的新技術、演算法或概念。 | Gradient Descent |
user_context |
Array | 使用者已知的框架、工具或概念列表。 | ["hill climbing", "derivatives"] |
structural_isomorphism |
Map | 已知概念與目標概念之間的欄位級映射。 | { "step_size": "learning_rate" } |
underlying_meta_pattern |
String | 永恆的底層架構或邏輯範式。 | Optimization/Iterative Approximation |
learning_delta |
String | 需要直接學習的最小的、淨新增的技術細節。 | Vector calculus implementation in ML |
學習交叉映射 (Learn Crossover) 進階特性
- 同構欄位映射：產生新領域與你現有知識庫之間精確的 1:1 表格映射，而不是模糊的類比。
- 嚴格驗證保障：透過嚴格依賴使用者確認的技能來避免認知稀釋，防止代理錯誤地歸因背景知識。
- 多代理協同：與配套的 Openclaw Skills 無縫銜接，例如用於初步可行性分析的 learn-occam，用於系統視覺化的 learn-graph，以及用於理解驗證的 learn-feynman。
SKILL.md
加載中
Openclaw 相關技能
Thunder Download Core
Thunder Core 透過 COM 介面實現對 Windows Thunder (迅雷) 下載客戶端的程式化控制，以自動化和管理複雜的下載工作流。
learn-deep
一種高階學習技能，透過編排 crossover、occam、graph、prototype 和 feynman 五種認知視角，快速而深入地拆解任何概念。
精選*
