搜索能找到信息，AI 能给你答案，笔记能帮你记录。
但没有一个工具告诉你：怎么从「知道」走到「真正理解」。
❌ 不知道全局长什么样
→ 环式学习补全景
❌ A 和 B 好像都行
→ 比较学习见取舍
❌ 知道名词，讲不出原理
→ 链式学习深到底
❌ 一被追问就露馅
→ Teach 验证真懂了
每种方法解决一个层次的问题。像剥洋葱一样，层层深入。
核心问题：我只懂自己那一小块，看不到整个系统怎么运转。
环式学习法从一个完整闭环出发——比如一个用户从进入页面到完成下单、一个 AI 产品从输入到输出。它不要求你成为每一环的专家，而是帮你建立全景理解和跨角色协作意识。
「我是后端，想理解前端、产品、AI、数据这些角色在一个产品里怎么协作的。」
Prompt: 帮我用环式学习法梳理【AI 产品】的完整业务闭环...
核心问题：只学一个东西，容易停留在「记定义」，分不清该选谁。
把 2-3 个同类主题放在一起对照——比如 MySQL / PostgreSQL / MongoDB。比较它们的差异、适用场景、设计取舍。真正的理解不只是知道「它是什么」，还包括知道「它不是什么」。
「MySQL、PostgreSQL、MongoDB 都能存数据，到底什么情况下该选谁？」
Prompt: 按比较学习法，帮我对比【MySQL】【PostgreSQL】【MongoDB】的适用场景和取舍...
核心问题：每个点我都知道名字，但串不起来，讲不清「为什么」。
围绕一个主题，从基础概念 → 核心机制 → 关键模块 → 常见问题 → 实战优化 → 边界条件，一层层往下钻。不是「知道很多名词」，而是对一条知识链的连续理解。
「我用 MySQL 只会增删改查，想从索引 → 事务 → 锁 → 日志 → 性能优化一路学透。」
Prompt: 按链式学习法，帮我把【MySQL】拆成一条由浅入深的知识链...
核心问题：我以为我懂，但一被追问就讲不清楚。
通过「教别人」来反向检验理解。系统要求你用自己的话讲给小白听，然后从正确性、完整性、清晰度、迁移能力四个维度评估，精准指出你的理解漏洞。输出是最好的理解检验器。
「学完 RAG 了，但面试被追问就露馅。我到底哪里没搞清楚？」
Prompt: 我要用 Teach 学习法讲清楚【RAG】，请像严格的老师一样追问我...
你选方法，AI 帮你拆解、生成路径、追问验证。
不替代你思考，而是帮你思考得更结构化。
告诉 AI 你想学什么、当前水平、目标深度。系统根据你选择的学习方法（环式/比较/链式/Teach），自动生成结构化学习路径。
每学完一个节点，系统要求你用自己的话讲出来。AI 从正确性、完整性、清晰度、迁移能力四个维度评分，指出模糊点，追问更深层问题。
请向一个完全不懂 AI 的朋友解释：环式学习法和链式学习法有什么区别？
环式学习就像看地图，先知道整个城市长什么样。链式学习就像走一条街，从头走到尾，每个路口都搞清楚...
完成学习后自动生成复习计划。在 3/7/14/30 天安排回练任务，优先复习薄弱节点。每次只需 5 分钟。
任何需要快速、系统、深入理解一个主题的人。
「团队要引入 Kafka，两天内我要搞懂核心概念，在评审会上讲清楚为什么选它。」
「RAG、Agent、Fine-tuning 这些概念都碰过，但面试被追问一层就露馅。」
「下周要和工程师讨论 OAuth 2.0，我需要快速理解全链路，能问出好问题。」
「做了 3 年后端，想转 AI 方向。需要快速补全 AI 产品的完整闭环认知。」
不同套餐对应设备数、AI 调用额度、Notebook 分析和学习面板能力。插件自动同步当前 policy，不需要用户配置底层模型服务。
单设备基础授权
多设备授权 + 深度 AI 能力
账号授权 · 设备同步 · 离线缓存
Learning OS 的 AI 能力由后端统一提供，插件登录后自动同步当前套餐、设备上限和用量策略。订单、License、试用和手工授权都会先进入权益层，再由服务端计算最终 policy。
在 Obsidian 中安装 Learning OS 插件，登录账号或激活 License。
插件会自动同步设备与权限，再选择当前笔记或 notebook 开始结构化分析。
## 一句话总结
AI 产品的闭环从用户需求出发，经过产品定义 → 数据准备 → 模型训练 → 工程部署 → 用户反馈，每一环都有不同角色协作...
不作为核心使用路径。新的 Learning OS 插件会通过账号同步服务端 policy，AI 能力由后端统一提供，用户不需要在插件里维护 provider、baseURL 或底层密钥。
账号用于确认你是谁，License 是权益来源之一。激活 License 后，服务端会把它转成 entitlement，再计算最终可用的 Runtime Policy。
设备数由当前套餐决定。Free 适合单设备体验，Pro 支持更多设备。设备达到上限时，插件会提示你去账户中心撤销旧设备或升级套餐。
AI 调用、配额和设备状态需要服务端校验。离线时插件可以读取本地缓存和已有分析结果，但不能发起新的云端 AI 请求。
默认不会。Learning OS 以导入和分析当前笔记为主，分析结果会以 sidecar 或独立记录承载，避免直接改写你的原文。
Frontmatter 适合少量稳定元数据；sidecar 更适合保存学习路径、AI 分析、追问记录和评分等结构化结果。这样可以减少对原始 Markdown 的侵入。
额度由服务端按账号、日期和能力类型累计，例如 AI 调用、Notebook 分析和上传容量。达限后会返回明确的 quota_exceeded 提示。
服务端会重新计算你的 policy，云端高级能力会降级，但本地笔记和已生成的学习数据仍保留在你的 Obsidian Vault 中。