# 三个系统培训资料三天学习与报告产出方案 ## 改写后的需求 我有 3 个系统的 Markdown 培训资料，分别放在 3 个目录中，目录下可能有多级子目录。我希望用 Trae 这类编码 AI 工具，在 3 天内快速完成资料梳理、知识库搭建、学习路线图生成和学习报告输出。请给我一个可执行方案，包括目录结构、AI 提示词、每日计划、产出物和验证标准。 我主要把原需求里的“学习完”“建立知识库”“学习路线图”等抽象目标，改成了可交付成果：资料索引、分层摘要、知识库、学习路线图、学习报告、验证问题集。 ## 结论 不要先“认真读完”，要先让 AI 帮你做“结构化压缩”。执行时建议全程使用 Trae 的 Builder 模式，而不是普通 Chat 模式，让它能读取本地工作区、运行终端命令、写入 Markdown 文件。 三天内最有效的做法是： 1. 第 1 天：把所有 Markdown 文档变成可导航知识库。 2. 第 2 天：基于知识库生成学习路线图、重点概念、问答题。 3. 第 3 天：按路线图快速学习，并产出学习报告。 核心不是让 Trae 替你“看一遍”，而是让它帮你完成： - 文档盘点 - 内容去重 - 系统模块拆解 - 重点概念提取 - 学习路径排序 - 交叉对比 - 报告生成 - 自测题生成 ## 一、推荐目录结构 假设你有三个系统目录： ```text training-materials/ ├── system-a/ │ ├── README.md │ └── xxx.md ├── system-b/ │ └── ... └── system-c/ └── ... ``` 建议让 Trae 帮你生成一个学习工作区： ```text learning-workspace/ ├── source/ │ ├── system-a/ │ ├── system-b/ │ └── system-c/ ├── output/ │ ├── 00-document-inventory.md │ ├── 01-system-overview.md │ ├── 02-knowledge-base/ │ │ ├── system-a.md │ │ ├── system-b.md │ │ ├── system-c.md │ │ ├── shared-concepts.md │ │ └── glossary.md │ ├── 03-learning-roadmap.md │ ├── 04-qa-bank.md │ ├── 05-risk-and-unknowns.md │ └── 06-learning-report.md └── scripts/ ├── scan_markdown.py ├── split_markdown.py └── build_index.py ``` 如果资料量不是特别大，甚至可以不用复杂 RAG，先做静态 Markdown 知识库就够了。 ## 二、让 Trae 先做文档盘点 最快方式有两种： - 优先方案：在 Trae Builder 中直接让它使用终端命令扫描目录，例如 `find`、`tree`、`wc`。 - 稳定方案：让 Trae 生成一个 Python 脚本，后续可重复运行。 如果只是一次性学习，优先用 Builder 直接扫描；如果资料后续会持续更新，再写脚本。 ### Prompt 1A：用 Builder 直接扫描资料目录 ```text 请在 Trae Builder 模式下处理当前工作区。 请使用终端命令扫描 ./source/ 目录，要求： 1. 递归列出所有 .md 文件； 2. 统计每个文件的字数或字符数； 3. 按 system-a、system-b、system-c 三个系统分组； 4. 生成目录树； 5. 估算每个系统的阅读时间，按每分钟 500 中文字估算； 6. 将结果写入 output/00-document-inventory.md。 注意：只扫描和统计，不要总结正文内容。 ``` ### Prompt 1B：生成可重复运行的扫描脚本 ```text 你是一个资深技术文档分析助手。 我有三个系统的培训资料，都是 Markdown 文件，目录如下： - ./source/system-a/ - ./source/system-b/ - ./source/system-c/ 请帮我写一个 Python 脚本 scripts/scan_markdown.py，要求： 1. 递归扫描三个目录下所有 .md 文件； 2. 输出每个文件的： - 系统名 - 相对路径 - 一级标题 - 二级标题列表 - 字数 - 预估阅读时间，按每分钟 500 中文字估算； 3. 生成 output/00-document-inventory.md； 4. 不引入第三方依赖，只使用 Python 标准库； 5. 代码需要有类型注解； 6. 脚本运行命令为： python scripts/scan_markdown.py 请直接生成完整代码。 ``` 先用这个脚本知道资料规模。 你需要看到类似结果： ```text 系统 A：23 篇，约 8.5 万字，预计阅读 170 分钟 系统 B：15 篇，约 5.1 万字，预计阅读 102 分钟 系统 C：31 篇，约 12.3 万字，预计阅读 246 分钟 总计：69 篇，约 25.9 万字，预计阅读 518 分钟 ``` 这一步很关键，因为它决定你后面是“通读”还是“压缩学习”。 ## 三、让 Trae 建立知识库，不要直接让它写报告 不要一上来就说“帮我写学习报告”。那样容易得到空泛总结。 正确顺序是： ```text 文档清单 → 单文档摘要 → 系统级摘要 → 跨系统对比 → 学习路线图 → 自测题 → 学习报告 ``` ## 四、知识库生成 Prompt ### Prompt 2：生成系统级知识库 ```text 你是企业培训资料分析助手。 请基于 ./source/system-a/ 下的 Markdown 文档，生成 output/02-knowledge-base/system-a.md。 重要限制：不要一次性读取整个系统目录后直接生成最终文档。请分批次处理： 1. 先读取 README、目录说明、概览类文档，生成系统大纲； 2. 再按子目录逐批读取文档，提取模块、流程、操作步骤、风险点； 3. 每批处理后先更新中间笔记； 4. 全部批次完成后，再按下面模板生成最终 system-a.md； 5. 如果某个系统超过 5 万字，必须按子目录分批处理，不要强行压缩。 要求： 1. 不要逐篇堆砌摘要，要按知识结构重新组织； 2. 输出结构如下： # System A 知识库 ## 1. 系统定位 说明这个系统解决什么问题，面向什么用户或业务场景。 ## 2. 核心模块 按模块列出： - 模块名 - 作用 - 输入 - 输出 - 关键流程 - 涉及文档路径 ## 3. 核心业务流程 用步骤描述主要流程。 ## 4. 关键概念 以术语表形式列出： - 概念 - 解释 - 出现在哪些文档 ## 5. 操作步骤 / 使用方法 整理所有可执行操作流程。 ## 6. 常见问题 整理文档中出现的问题、限制、注意事项。 ## 7. 学习优先级 按 P0/P1/P2 分类： - P0：必须先掌握 - P1：正常掌握 - P2：了解即可 ## 8. 未明确或需要人工确认的问题 列出文档中表达不清、互相矛盾、缺少上下文的地方。 要求： - 每个重要结论都标注文档来源路径； - 不要编造文档中没有的信息； - 如果资料不足，明确写“资料未说明”； - 如果内容过长，请分步骤写入文件，不要为了单次输出而压缩关键细节； - 生成后抽样选择 1 篇 P0 原文，与知识库对应段落比对，检查是否遗漏关键参数、边界条件或操作步骤。 ``` 分别对三个系统执行： ```text system-a.md system-b.md system-c.md ``` ## 五、生成跨系统对比 ### Prompt 3：三个系统横向对比 ```text 请基于以下三个知识库文件： - output/02-knowledge-base/system-a.md - output/02-knowledge-base/system-b.md - output/02-knowledge-base/system-c.md 生成 output/02-knowledge-base/shared-concepts.md。 要求输出： # 三个系统横向对比 ## 1. 三个系统分别解决什么问题 ## 2. 三个系统的共同概念 例如：用户、权限、任务、流程、配置、数据同步、审批、告警等。 ## 3. 三个系统的差异点 从以下角度对比： - 业务目标 - 使用角色 - 核心流程 - 数据对象 - 操作方式 - 风险点 ## 4. 三个系统之间可能的上下游关系 如果文档未明确说明，请标记为“推测”，不要当成事实。 ## 5. 最适合的学习顺序 说明为什么先学哪个，再学哪个。 ## 6. 学习时最容易混淆的概念 用列表说明。 ``` ## 六、生成三天学习路线图 ### Prompt 4：学习路线图 ```text 请基于 output/02-knowledge-base/ 下的知识库文档，生成 output/03-learning-roadmap.md。 目标：让我在 3 天内快速掌握三个系统，并能写出学习报告。 要求： 1. 每天安排上午、下午、晚上三个阶段； 2. 每个阶段明确： - 学习目标 - 需要阅读的知识库章节 - 需要回看哪些原始文档 - 输出物 - 自测问题 3. 不要平均分配时间，要按重要性排序； 4. 优先学习： - 系统定位 - 核心流程 - 操作步骤 - 关键概念 - 风险点 5. 输出最后要包含： - 三天后应该掌握什么 - 哪些内容可以暂时跳过 - 哪些问题需要向业务或系统负责人确认 ``` ## 七、三天实际执行计划 ### Day 1：建立全局地图 目标：不是深入学习，而是知道“有哪些内容、系统怎么分层”。 产出： - `00-document-inventory.md` - `01-system-overview.md` - `system-a.md` - `system-b.md` - `system-c.md` 你当天应该完成： 1. 扫描所有 Markdown 文件； 2. 让 Trae 生成三个系统的知识库； 3. 人工快速检查： - 有没有漏文件； - AI 是否乱编； - 核心模块是否合理； - 重要结论是否带原文路径； 4. 抽样校验：每个系统至少挑 1 篇 P0 长文，对照 AI 知识库，确认没有漏掉关键参数、边界条件、字段定义、操作步骤； 5. 标出 P0 内容。 Day 1 验收标准： ```text 我能用 5 分钟说清楚： - 三个系统分别是什么； - 每个系统的核心模块是什么； - 哪些文档必须读； - 哪些文档可以后读。 ``` ### Day 2：按路线图学习核心内容 目标：掌握主流程、关键概念和操作方法。 产出： - `03-learning-roadmap.md` - `04-qa-bank.md` - `05-risk-and-unknowns.md` Day 2 做法： 1. 按 P0 内容学习； 2. 每学完一个系统，让 Trae 生成 10 个自测题； 3. 自己先答，再让 Trae 对照知识库批改； 4. 对不懂的内容回到原始 Markdown； 5. 把不明确的地方放进 `05-risk-and-unknowns.md`。 ### Prompt 5：生成自测题 ```text 请基于 output/02-knowledge-base/system-a.md 生成 10 道自测题。 要求： 1. 包含： - 3 道概念题 - 3 道流程题 - 2 道场景题 - 2 道风险/注意事项题 2. 每道题给出标准答案； 3. 答案必须引用知识库中的章节或原始文档路径； 4. 不要出文档中没有依据的问题。 ``` Day 2 验收标准： ```text 我能不看原文回答： - 每个系统的核心流程； - 每个系统的关键术语； - 常见操作步骤； - 哪些地方容易出错。 ``` ### Day 3：输出学习报告 目标：不是复述文档，而是形成“我已经理解了什么、还能怎么用”。 产出： - `06-learning-report.md` 报告建议结构： ```markdown # 三个系统培训资料学习报告 ## 1. 学习背景 ## 2. 学习资料范围 - 系统 A - 系统 B - 系统 C - 文档数量 - 总体阅读范围 ## 3. 三个系统总体认识 ## 4. 系统 A 学习总结 ### 4.1 系统定位 ### 4.2 核心模块 ### 4.3 核心流程 ### 4.4 关键操作 ### 4.5 风险点和注意事项 ## 5. 系统 B 学习总结 ## 6. 系统 C 学习总结 ## 7. 三个系统横向对比 ## 8. 我已经掌握的内容 ## 9. 仍需确认的问题 ## 10. 后续学习计划 ``` ### Prompt 6：生成最终学习报告 ```text 请基于以下文件生成 output/06-learning-report.md： - output/00-document-inventory.md - output/02-knowledge-base/system-a.md - output/02-knowledge-base/system-b.md - output/02-knowledge-base/system-c.md - output/02-knowledge-base/shared-concepts.md - output/03-learning-roadmap.md - output/04-qa-bank.md - output/05-risk-and-unknowns.md 要求： 1. 这是正式学习报告，不是简单摘要； 2. 语气专业、简洁； 3. 报告要体现我已经完成了系统性学习； 4. 每个系统都要包含： - 系统定位 - 核心模块 - 核心流程 - 关键操作 - 风险点 5. 必须包含“三个系统横向对比”； 6. 必须包含“仍需确认的问题”； 7. 不要编造资料中没有的信息； 8. 对资料未说明的内容明确写“文档未说明”； 9. 输出 Markdown 格式。 ``` ## 八、Trae 使用策略 你应该把 Trae 当成“文档处理流水线生成器”，而不是单纯聊天工具。 推荐用法： ### 1. 先让 Trae 写脚本 让它帮你： - 扫描 Markdown - 提取标题 - 统计字数 - 拆分大文件 - 生成文档索引 - 检查断链 - 合并摘要 ### 2. 再让 Trae 基于文件生成知识库 不要一次性塞所有文档，让它按系统处理。 ### 3. 所有 AI 输出必须带来源路径 否则学习报告容易虚。 要求它统一使用： ```text 来源：source/system-a/xxx/yyy.md ``` ### 4. 所有“不确定内容”单独沉淀 不要让 AI 把推测写成事实。 统一放入： ```text output/05-risk-and-unknowns.md ``` ### 5. 使用 Builder 模式而非普通 Chat 模式 请全程在 Trae 的 Builder 模式下操作，并允许它读取和写入当前工作区文件。Builder 可以直接执行终端命令、扫描目录、读取 Markdown、生成输出文件，比单纯聊天更适合这个任务。 ### 6. 防输入截断：按目录分批处理 当某个系统的资料超过 5 万字，或者 Markdown 文件超过 20 个时，不要一次性要求 Trae “读取全部文件并总结”。改用递进式提示词： ```text 现在开始处理系统 A。请先读取 source/system-a/核心架构/ 下的文档并总结备用，完成后写入 output/tmp/system-a-核心架构-notes.md。不要生成最终知识库。 ``` 然后逐个子目录处理，最后再让 Trae 基于 `output/tmp/` 的中间笔记生成 `system-a.md`。 ### 7. 防输出截断：要求分步写入文件 执行大模块生成时，例如 `system-a.md` 或 `06-learning-report.md`，在 Prompt 末尾追加： ```text 如果内容过长，请分步骤写入目标 Markdown 文件。不要为了单次输出完整而压缩关键细节。每完成一部分，请说明已写入哪些章节和下一步继续写哪些章节。 ``` ### 8. 快速纠偏：先审一个样本再批量生成 不要等三个系统知识库都生成完才检查。每个系统先选一个 P0 文档做样本，让 Trae 生成局部摘要，然后人工检查： - 是否保留了关键字段、参数、限制条件； - 是否引用了原文路径； - 是否把推测当成事实； - 是否遗漏操作步骤。 样本通过后，再批量处理该系统的其他目录。 ## 九、最小可行方案：如果时间很紧 如果只有三天，别做复杂系统。 最低限度只做 6 个文件： ```text output/ ├── 00-document-inventory.md ├── system-a-summary.md ├── system-b-summary.md ├── system-c-summary.md ├── 03-learning-roadmap.md └── 06-learning-report.md ``` 流程： ```text 扫描文档 → 三个系统摘要 → 路线图 → 自测题 → 报告 ``` 不要一开始就搞： - 向量数据库 - Web UI - 复杂 RAG - 多 Agent 自动化 - 知识图谱 - 数据库检索系统 三天目标是“快速掌握并形成报告”，不是建设长期知识平台。 ## 十、最终验收标准 三天结束时，你至少应该有这些成果： ```text 必须有： - 文档清单 - 三个系统知识库 - 三天学习路线图 - 自测题库 - 学习报告 最好有： - 术语表 - 横向对比 - 待确认问题清单 - 原文引用路径 ``` 真正要达到的能力是： ```text 1. 能说清三个系统分别干什么； 2. 能说清每个系统的核心模块和主流程； 3. 能完成基础操作说明； 4. 能识别关键风险点； 5. 能写出结构化学习报告； 6. 能列出还需要向负责人确认的问题。 ``` 建议：第一天不要读细节，先用 Trae 把资料压缩成结构化知识库；第二天按 P0/P1 学；第三天写报告和查缺补漏。