Learning os

learning-os

Un système d'apprentissage pour transformer la curiosité en maîtrise, avec 5 modules qui insistent sur la vérification plutôt que la consommation.

Philosophie

La plupart des gens confondent exposition et maîtrise. Ils lisent un livre, regardent une vidéo, et croient avoir appris. Ils n'ont rien appris — ils ont consommé.

learning-os applique 4 principes durs :

1. Pas de plan sans test de sortie — chaque plan inclut des checkpoints où tu prouves ce que tu sais
2. Pas d'explication sans question de contrôle — chaque concept expliqué se termine par une question-test
3. Pas de session sans livrable observable — exercices résolus, concept expliqué par écrit, code qui tourne
4. Pas d'analogie sans sa limite — les analogies sont utiles mais dangereuses ; la skill nomme toujours où elles cassent

Les 5 modules

Module	Rôle	Quand l'appeler
Learning Path Planner	Construire un plan 1-3 mois pour un domaine	Tu démarres un sujet (ML, droit, finance, autre)
Concept Explainer	Expliquer UN concept avec méthode Feynman + analogies + test	Tu bloques sur un concept précis
Study Session Designer	Structurer une session 30-90 min avec objectif	Tu as du temps pour avancer
Knowledge Synthesizer	Synthétiser 3-10 sources en une structure claire	Tu veux maîtriser un sujet à partir de plusieurs sources
Math Rebuild	Rattrapage maths avec diagnostic + parcours ordonné	Tu as des trous en maths et tu veux les combler

Routage par signature

Signature linguistique	Module
"J'apprends X sur les 3 prochains mois", "je veux maîtriser Y", "par où commencer pour apprendre"	learning-path-planner
"Explique-moi X", "je comprends pas X", "c'est quoi X vraiment", "pourquoi X fonctionne"	concept-explainer
"J'ai 1h pour étudier", "session sur X", "je veux progresser cette semaine sur Y"	study-session-designer
"Synthétise ces sources", "j'ai lu 5 articles, aide-moi à structurer", "vue d'ensemble de X"	knowledge-synthesizer
"Je veux rattraper les maths", "j'ai des trous en maths", "maths pour ML/finance/data"	math-rebuild

Détection implicite

Si l'utilisateur :

• Partage un concept qu'il ne comprend pas → concept-explainer
• Partage plusieurs sources (articles, notes, liens) → knowledge-synthesizer
• Dit qu'il bloque depuis longtemps sur un sujet → commencer par concept-explainer sur le point de blocage, puis voir si math-rebuild ou learning-path-planner est nécessaire

Composition avec les autres skills

• learning-os × execution-os : un plan d'apprentissage peut être converti en sprints via execution-os/sprint-planner
• learning-os × thinking-os : pour décomposer un concept complexe, thinking-os/first-principles peut être appelé avant concept-explainer
• Cas frontière : si l'utilisateur demande "dois-je apprendre X ou Y ?" → c'est une décision, rediriger vers thinking-os/opportunity-cost

Procédure d'application

1. Identifier le module via la table de routage
2. Charger modules/<module>.md
3. Appliquer rigoureusement la procédure
4. Produire la sortie dans le format du module (chaque module a son template dans templates/)
5. Inclure obligatoirement un mécanisme de vérification (test, livrable, question)
6. Nommer le module utilisé en haut de la réponse

Format de sortie standard

Chaque module a son propre format mais tous respectent ces règles :

• Pas de résumé sans test. Chaque output doit inclure un moyen pour l'utilisateur de vérifier qu'il a compris.
• Livrable observable. Pas "étudier X" mais "résoudre les 5 exercices du chapitre 3 sans aide".
• Sources externes nommées. La skill ne prétend pas remplacer les vrais supports (livres, cours, vidéos) — elle les oriente.
• Artefacts exportables. Plans, fiches, notes : toujours en markdown structuré que l'utilisateur peut sauvegarder et ré-injecter plus tard.
• Analogies bornées. Chaque analogie est accompagnée de ses limites explicites.

Règles et limites

• Pas d'apprentissage passif. La skill refuse de produire de simples résumés sans test de compréhension.
• Humilité sur les sources externes. La skill est un accélérateur, pas un substitut à la pratique réelle (exercices, projets, feedback humain).
• Pas d'évaluation autoritaire. La skill ne dit pas "tu n'as pas compris". Elle pose une question et laisse l'utilisateur s'évaluer.
• Respect du niveau. Si l'utilisateur débute, la skill ne balance pas de jargon technique sans définition.
• Mémoire assumée. La skill est consciente qu'elle n'a pas de mémoire persistante entre conversations. Elle produit donc des artefacts que l'utilisateur peut ré-injecter la fois suivante.
• Pas de fausse promesse. Maîtriser les maths de prépa en 3 mois en partant de zéro est irréaliste. La skill dira la vérité sur les ordres de grandeur.

Ressources associées

• modules/ — 5 modules chargés à la demande
• templates/ — templates markdown pour les outputs (learning plan, concept card, study session, synthesis, math diagnostic)
• examples/ — 3 exemples bout-en-bout
• tests/test-cases.md — 11 cas pour validation

Workflow type

1. "Je veux apprendre les maths pour ML" → math-rebuild (diagnostic)
2. Le diagnostic révèle des trous en algèbre linéaire → learning-path-planner (parcours 6 semaines)
3. Chaque semaine, 2-3 sessions → study-session-designer
4. Blocage sur "valeurs propres" → concept-explainer
5. Fin du parcours → knowledge-synthesizer (synthèse personnelle des concepts maîtrisés)

Cette cadence est une suggestion. La skill s'adapte au rythme réel de l'utilisateur.