Bootstrap Learning 是一个领域无关的知识获取技能，目标是通过渐进式对话，把完全陌生的领域转化为结构化、相互连接的知识，并最终沉淀为技能文件。它针对“不知道自己不知道什么”的入门困境，提供一套系统化方法。
学习分为五个阶段。第一阶段 Discovery：先摸清领域轮廓，通过边界映射、术语扫描、权威识别和相邻领域对比，明确范围、入口、可信来源与上下文；完成标准是能用一句话描述该领域并列出 5 到 10 个关键术语。第二阶段 Foundation：抓住 3 到 5 个核心概念，要求用最简解释、具体例子，并用自己的话复述；若解释仍依赖同领域术语，说明尚未理解到位。第三阶段 Elaboration：通过正常路径、边界情况、反模式和权衡取舍加深理解，目标是能判断何时该用、何时不该用。第四阶段 Connection：把新知识与已有知识连接，寻找类比、矛盾与协同，并在 synapses.json 中建立连接。第五阶段 Consolidation：把所学按类型存入合适位置，如 SKILL.md、.instructions.md、.prompt.md、GK-* 或 GI-*。
技能还给出缺口识别模式：不知道问什么属于词汇缺口，回到第一阶段；懂词不懂概念属于基础缺口，回到第二阶段；懂但不会用属于细化缺口，回到第三阶段；知识孤立属于连接缺口，进入第四阶段；反复重学属于巩固缺口，进入第五阶段。提问策略强调逐层深入，依次问 What、Why、How、When、When not，并用费曼检查法验证是否真正理解。
输出质量要求包括：包含大模型通常不具备的领域知识、给出具体例子而非类别标签、用真实数据表格呈现阈值与权衡、避免“能力清单”式写法，并让每一节都能被简单解释。具体安装与使用命令资料中暂未提供。