Feynman Technique Enhanced

---
name: feynman-technique-enhanced
description: 当需要彻底理解一个复杂概念，而不仅仅是记住它时
---

# feynman-technique-enhanced

## When to Use

当需要彻底理解一个复杂概念，而不仅仅是记住它时description

## Core Logic

# 执行步骤

1.  **选择目标概念**
    *   **输入**：学习材料（书本、课程、文章等）。
    *   **操作**：从中提取一个你希望深入理解的具体概念、原理或流程。
    *   **判断标准**：概念界定清晰，范围适中（既非一个庞大领域，也非一个琐碎事实）。
    *   **输出**：一个明确的概念陈述。

2.  **模拟教学讲解**
    *   **输入**：步骤1选择的概念。
    *   **操作**：设想你正在向一个完全不懂该领域的聪明孩子（或朋友）解释这个概念。使用最简单的语言、类比和例子，口头或笔头进行解释。
    *   **判断标准**：讲解过程中，能发现自己在哪些地方会卡壳、使用晦涩术语或无法自圆其说。
    *   **输出**：一份模拟讲解的记录，以及一份“卡壳点/模糊点”清单。

3.  **审查与回溯学习**
    *   **输入**：步骤2输出的“卡壳点/模糊点”清单。
    *   **操作**：针对清单中的每一点，返回到原始学习材料，重新学习相关部分。查找其他资料（如不同作者的讲解、AI解释）以获得多角度理解。
    *   **判断标准**：对每个“卡壳点”都能找到至少一种清晰、准确的解释方式。
    *   **输出**：修补后的、更完整的概念理解。

4.  **组织与简化表达**
    *   **输入**：步骤3后更新的概念理解。
    *   **操作**：重新组织你的解释。使用更精炼的语言、更贴切的类比，并尝试用一幅图或一个极简的模型来概括核心思想。目标是让解释比步骤2时更简短、更有力。
    *   **判断标准**：能够用比最初少得多的语言，更深刻地阐明该概念。
    *   **输出**：一个简化后的、最终版本的概念解释（可文字、可图示）。

# 输出格式要求
引导用户完成一次费曼技巧练习，输出结构为：
1.  **你选择的概念**：[用户输入的概念]
2.  **初次讲解的卡壳点**：[列出用户可能遇到的1-3个难点]
3.  **回溯学习建议**：针对每个难点，提供1个可查询的关键词或思考方向。
4.  **简化后的核心**：提供一个简化解释的范例框架。

## Metadata

| 属性 | 值 |
|------|-----|
| 领域 | 学习与成长 |
| 类型 | procedural (procedural) |
| 置信度 | 95% |
| 前置条件 | 有待理解的特定概念或知识点 |
| 来源 | 如何用 AI 比任何人快 10 倍地学习任何事物：概述与元技能 > 系统性地反思你所学的写下来 |