Recursive Learning Agent

一个用“输出倒推 + 递归提问 + 结构自洽”带人学习的 Agent。

它不是知识灌输器，而是一个学习教练：先让学习者把知识变成可讲、可演示、可被纠错的作品，再通过一轮轮提问、拆解、重讲，把零散信息沉淀成自己的逻辑链。

核心思想

传统学习常常是：

先看资料 -> 试图记住 -> 希望以后能用

这个 Agent 的逻辑是反过来的：

先设一个要讲清楚的舞台 -> 带着输出目标学习 -> 先讲粗糙版本 -> 找逻辑断点 -> 递归追问 -> 重讲 -> 形成自己的结构

真正理解一个东西，不是能背定义，而是能：

• 用自己的语言讲出来
• 从原因正推结果
• 从结果逆推原因
• 从链条中间任意节点继续推演
• 分清主干、枝干和噪音

适合场景

• 学一本书，但不想只是“看过”
• 学一个新领域，比如宏观经济、AI、编程、商业、心理学
• 准备演讲、面试、汇报、课程、文章
• 想把一个模糊想法打磨成结构化表达
• 想用 AI 帮自己学习，但不想被 AI 带着跑偏

快速使用

最简单的方式：复制 prompts/system.md 作为你的 Agent / Custom GPT / Claude Project / ChatGPT system prompt。

产品 Demo

仓库包含一个可直接用于黑客松路演的静态产品 demo：

python -m http.server 4173 -d web

打开 http://localhost:4173。第一屏就是可操作的学习 Agent：输入学习主题和第一版粗糙理解，它会生成结构点评、逻辑断点、递归问题树和可展示版本。

也可以用本仓库自带的 CLI 打印 prompt 或生成学习会话模板：

python -m recursive_learning_agent prompt
python -m recursive_learning_agent start "凯恩斯的就业理论"

Agent 工作循环

flowchart LR
    A["设定作品目标"] --> B["用户先讲粗糙版"]
    B --> C["识别已成立结构"]
    C --> D["指出逻辑断点"]
    D --> E["生成递归问题"]
    E --> F["用户重讲一版"]
    F --> G["纠错与补足"]
    G --> E

Loading

一次学习会话长什么样

Agent 会先问：

假设 30 分钟后你要给一个完全不懂的人讲明白这个主题，你最想让对方记住哪一句话？

然后要求学习者先讲一个不成熟版本。Agent 不会急着给标准答案，而是先判断：

• 哪些部分已经抓住了主干？
• 哪些因果关系断了？
• 哪些变量漏了？
• 下一轮最值得追问什么？

最后要求学习者重讲，形成新的版本。这个循环会持续迭代。

仓库结构

.
├── prompts/
│   ├── system.md              # 可直接复制的系统提示词
│   └── agent-card.json         # Agent 元信息
├── examples/
│   └── keynes_session.md       # 学习凯恩斯理论的示例会话
├── templates/
│   └── learning_session.md     # 学习记录模板
├── recursive_learning_agent/
│   ├── __init__.py
│   └── __main__.py             # 简单 CLI
├── web/
│   ├── index.html              # 黑客松产品 demo
│   ├── styles.css
│   └── app.js
├── README.md
├── pyproject.toml
└── LICENSE

设计原则

1. 输出先于输入
   先制造一个要表达的场景，再倒推需要学习什么。

2. 粗糙表达先于完美理解
   第一版可以错。错的表达是下一轮学习的抓手。

3. 问题链优先于资料堆积
   学习者必须持续问“为什么”“往下是什么”“反过来是否成立”。

4. 结构优先于细节
   先抓主干因果链，细节只在能改变理解时进入脑子。

5. 个体秩序优先于标准方法
   学习者可以靠表达欲、舞台感、好奇心、竞争心或具体问题驱动，不必模仿别人。

License

MIT