学习一个新概念 | Codex 使用场景

概览

使用 Codex 学习研究论文或课程等材料，将阅读任务拆分给子代理，收集上下文，并生成带有图表的 Markdown 报告。

适合场景

想要学习陌生概念的个人
适合通过并行阅读、上下文收集、图表和书面综合来理解的高密度源材料
将一次性的阅读过程转化为可复用的 Markdown 报告，并附带引用和术语表

分析一篇研究论文并教会我这个概念

我想从这篇研究论文中学习一个新概念：[paper path or URL]。

请将其作为子代理工作流运行：
- 启动一个子代理来梳理论文的问题陈述、贡献、方法、实验和局限性。
- 启动一个子代理来收集前置背景，并解释我需要了解的背景术语。
- 启动一个子代理来检查图、表、符号表示，以及任何需要谨慎核实的论断。
- 等待所有子代理完成，协调其中的分歧，并避免做出超出源材料范围的过度结论。

最终输出：
- 创建 `notes/[concept-name]-report.md`
- 包含执行摘要、术语表、论文导读、概念图、方法图、证据表、注意事项和开放问题
- 在图表有帮助时，使用 Markdown 原生 Mermaid 图
- 当 Markdown 原生图不够用时，使用 imagegen 生成用于说明的、非精确的视觉素材
- 尽可能引用论文的章节、页码、图或表

约束：
- 如果证据薄弱，不要将论文视为事实依据
- 区分论文的主张与你的解读
- 指出缺失的背景、假设和后续阅读建议

简介

从一篇高密度论文或课程中学习一个新概念，不只是做摘要这么简单。目标是建立一个可运作的心智模型：它要解决什么问题、方法实际上做了什么、有哪些证据支持它、它依赖哪些假设，以及哪些部分你仍需要继续研究。

Codex 在这里很有用，因为它可以自动收集上下文，还能把复杂概念转化为有帮助的图表或插图。这个用例也非常适合使用子代理：一个线程负责阅读论文结构，另一个收集前置背景，另一个检查图表和符号表示，而主线程可以将这些结果整合成一份你之后可复查的报告。

对于这个用例，最终产物应该是你可以轻松复查的内容：例如一个 Markdown 文件，如 notes/concept-report.md，或者其他格式的文档。它应当包含摘要、术语表、导读、图表、证据表、局限性和开放问题，而不是停留在一次性的聊天回答上。

明确学习目标

先说明概念名称以及你想要的输出。相比宽泛的总结，一个聚焦的问题会让报告更有用。

例如：

> 我想理解这篇研究论文中的核心思想、方法如何运作、为什么实验支持或不支持它的主张，以及我下一步应该读什么。

这样的范围为 Codex 提供了一个明确任务。它应该教会你这个概念，但也应保留不确定性，标明主张来源，并区分论文本身的主张和它自己的解读。

运行示例：研究论文分析

假设你想学习一篇关于陌生模型架构的论文。你希望得到一份报告，让你不用通读整篇论文，也能快速理解这个概念。

一个好的结果可能是这样的：

notes/paper-report.md，用于主要说明。
notes/figures/method-flow.mmd 或用于展示方法的内联 Mermaid 图。
notes/figures/concept-map.mmd 或一个小型 SVG，用于展示前置思想之间的关系。
一张证据表，将各项主张映射到论文章节、页码、图或表。
一份后续阅读清单和未解决问题列表。

重点是让学习过程更系统化，并留下一个持久可用的产物。

将工作拆分给子代理

当每个子代理都有明确边界的任务和清晰的返回格式时，子代理效果最好。明确要求 Codex 启动它们；并不是每个阅读任务都必须用子代理，但当论文篇幅很长或概念密集时，并行探索会很有帮助。

对于研究论文，一个实用的拆分方式是：

论文地图： 提取问题陈述、贡献、方法、实验、局限性和声称的结果。
前置背景： 解释背景术语、相关概念，以及论文默认你已经了解的前人工作。
符号与图表： 逐步讲解公式、算法、图示、图表和表格。
怀疑型审稿人： 检查证据是否支持主张，列出注意事项，并识别缺失的基线或不明确的假设。

主代理应等待这些子代理完成，比较它们的答案，并解决矛盾。然后 Codex 会将结果综合成一份连贯的报告。

有意识地收集额外上下文

当论文假设你具备尚未掌握的背景知识时，让 Codex 从已批准的来源中收集上下文。这可能包括本地笔记、参考文献文件夹、链接论文、启用的网页搜索，或已连接的知识库。

如果你学习的是内部概念，可以通过插件连接多个来源来构建知识库。

把这一步限制在合理范围内。告诉 Codex 什么样的来源算可靠来源，以及最终报告应如何处理外部上下文：

在术语表中定义前置术语。
添加一个简短的“你首先需要了解的背景”部分。
将后续阅读与论文自身的主张分开列出。
标记出来自论文之外的主张。

为报告生成图表

图表通常是检验你是否真正理解一个概念的最快方式。对于 Markdown 报告，要求 Codex 生成尽量贴近源材料、且易于修改的图表。

好的默认选项包括：

一张概念图，展示前置思想以及它们如何连接。
一张方法流程图，追踪输入、变换、模型组件和输出。
一张实验图，连接数据集、指标、基线和报告中的主张。
一张局限性图，将假设、失效模式和开放问题区分开来。

对于以 Markdown 为主的报告，如果目标环境支持 Mermaid，就要求使用 Mermaid；如果不支持，则使用小型、已纳入版本控制的 SVG/PNG 资源。仅当你需要用于说明的、非精确的视觉内容，或需要表达不适合 Markdown 原生图的内容时，才让 Codex 使用默认随附的 imagegen 系统技能。

编写 Markdown 报告

要求 Codex 让报告足够自包含，以便你之后还能回头查看。一个实用的结构是：

执行摘要。
阅读前需要了解的内容。
关键术语和符号表示。
论文导读。
方法图。
证据表。
论文未能证明的内容。
开放问题和后续阅读。

报告应尽可能包含来源引用。对于 PDF，可要求提供页码、章节、图或表引用。如果 Codex 无法提取精确页码，它应明确说明，并改用章节或标题引用。

将报告用作学习闭环

第一版报告只是起点。读完后，继续提出后续问题，并让 Codex 修订这个产物。

有用的后续问题包括：

这个方法的哪一部分是我最应该先理解的？
哪个最简单的玩具示例可以展示核心思想？
论文论证中，哪张图承担了最多解释工作？
哪项主张最薄弱或支持最不足？
如果我想实现这个方法，下一步应该读什么？

当这个概念需要实验时，让 Codex 添加一个小型 notebook 或脚本，重现这个想法的玩具版本。把这些草稿工作从 Markdown 报告中链接出来，这样解释和实验就能保持在一起。

示例提示词：

可考虑使用的技能

仅在技能与想要的产物匹配时使用：

$jupyter-notebook：用于可运行的玩具示例、图表或轻量级复现。
$imagegen：用于不需要精确技术图示的说明性视觉素材。
$slides：当你想在学习完成后把报告转成演示文稿时使用。

对于大多数论文分析报告，Markdown 原生图表或简单的 SVG 文件通常比生成的位图更适合作为默认选项。随着你的理解发生变化，它们更容易比较差异、审查和更新。

建议提示词

先创建报告大纲

为该概念构建图表

将报告转化为学习计划