Learning — 全 repo 學習地圖

把散落的學習從點串成線、連成面。這份是跨主題總覽。

方法論看 CLAUDE.md 與 heptabase-design-research.md。 這份只回答：到目前為止學了哪些東西、怎麼歸類、成熟到哪一層。

最後更新：2026-05-30

我之後怎麼用（日常節奏）

寫——全部透過 Claude Code（手機/桌面），你不用碰 git：

• 學到東西 → 說「把這次學的 X 寫成筆記」→ 寫進 notes/X.md 並當天 merge 進 main
• 某主題讀熟、有可重用判斷 → 說「把 X 升級成卡片」→ 反推成 topics/X/
• 想看全貌 → 說「掃一下 repo 給我看地圖」→ 更新這份 README

讀——手機 Obsidian 純讀 main：

• 從這份 README.md 看地圖，或從 topics/<主題>/_start.md 進某主題
• Graph view 看連結網，Backlinks 看誰引用了當前卡

看互動知識圖譜（固定網址）：

• https://atomchung.github.io/Learning/ — 卡片變動後自動重建，手機點開即最新
• 本機檔：docs/graph.html（離線也能開）

心法：不要在手機 Obsidian 寫（改動回不了 GitHub）。所有寫作走 Claude Code。

兩層制（怎麼讀這個 repo）

知識照成熟度分兩層：

1. 筆記層 notes/ — 扁平筆記，學完就進 main。大多數學習在這。
2. 卡片層 topics/ — 值得跨脈絡重用的判斷，才升級成原子卡。

外加 archive/：已棄置的工具實驗（腳本版、app 版）的指路說明。

卡片層：已升級的主題

• topics/coding-agents/ — coding agent 的設計權衡（13 張卡 + 2 篇 journey）。核心命題：harness 比模型更決定體驗。
• topics/msft-openai-super-app/ — 投資視角看 Codex super app（起步）。
• topics/ai-industry-reading/ — 用什麼信號判讀 AI 產業（4 張卡 + 1 篇 journey）。隱藏主線：讀信號，不讀表面數字。

長文產物：compare-coding-agents.md。

四條主題線（筆記層）

線一：Agent 與編程工具的本質

• agent-context-best-practices — agent context 最佳實踐、/handoff、SessionStart hook
• ai-agents-ecosystem-integration — MCP / A2A / agent 互操作
• karpathy-autoresearch-grader-analysis — Karpathy AutoResearch 與 grader 設計
• skills-workflow-best-practices — skills 工作流

線二：學習系統怎麼設計（元主題）

• heptabase-design-research.md（根目錄）— 這套卡片系統的方法論源頭
• ai-education-research — Alpha School AI 教育研究
• personal-os-from-trading-journal — 從交易日誌長出個人 OS
• personal-os-research — 個人 OS 研究

線三：AI 產業與投資判讀

已升級成卡片層 topics/ai-industry-reading/（源頭筆記仍留 notes/）。

• model-progress-roadmap — 模型進展 + app/基建市場衝擊
• hugging-face-exploration — Hugging Face 2026 + 投資框架
• agent-os-market-analysis / agent-os-how-to-build — Agent OS 市場與建法
• ai-daily-brief-7-episodes — AI Daily Brief 7 集摘要
• anthropic-blog-teaching-notes / learning-roadmap — Anthropic 部落格教學 + 路線圖
• AI power-user 系列：roadmap、summary、user-stories、work-companion

線四：應用實驗（做出來的東西，留在分支）

• 台北 AI 活動行事曆（claude/research-token-usage 分支）
• video-prompt-optimization — AI 影片 prompt 技巧
• 細節見 archive/README.md

從點到面：這個 repo 的隱藏主題

這個 repo 真正在學的，是「如何設計一個能把點長成面的學習系統」——而它用自己正在學的東西（agent、harness、skills、投資判斷）來建造自己。

線二是元主題，線一三四是餵給系統的素材。2026-05 的調整（兩層制、降門檻 merge、收斂工具層）就是為了讓這個系統真的開始複利。

下一步

• 線三已起步卡片化（ai-industry-reading）；可續拆 recall / headless / 中國開源等累積中判斷
• 線一（agent 工具）筆記也夠厚，是下一個可升級對象
• 持續維持「學完就進 notes/、當天 merge」的低門檻節奏

---

點是事實，線是理解，面是能在新脈絡中重新召喚的判斷。