2. 录入即分析：在录入过程中，强制自己完成“错误归因”和“方法提炼”，这本身就是一次深度的、主动的知识加工和内化，比单纯抄写答案价值高得多。

        3. 关联与反刍：录入新题时，必须执行“相关题链接”步骤，主动在已有知识网络中为其定位。这能强化新旧知识的联系，促进“认知资本”（CC）的网状构建。

        第三步：“指数化收益”的产生机制与验证

        古民所设想的“指数化收益”，并非指分数本身呈指数增长（那不可能），而是指单位时间投入带来的“能力增量”或“解题效率提升”随时间呈现加速趋势。其机制在于：

        1. 知识网络的复利效应：每新增一道题，不仅增加了“一道题”的库存，更通过“相关题链接”和“标签系统”，增强了整个知识网络的连通性和强度。未来遇到新题时，能更快、更准地通过多个路径（知识点、方法、题型）激活相关的解题网络，提高“触类旁通”的概率。这种网络效应带来的解题能力提升是非线性的。

        2. 方法模型的杠杆效应：通过对“核心方法/模型”的不断提炼和专题化，将解决一类问题的能力，打包压缩成一个可快速调用的“思维模块”。掌握一个模块，就能解决数十上百道同类题。这种“掌握一个，解决一片”的效应，使得后期学习新题、难题的边际成本大大降低，效率呈加速提升。

        3. 复习的规模经济：传统的错题本，复习是线性的、耗时的。在他的系统中，利用标签和专题，可以一键调出所有“构造函数”的题目、或所有“解析几何中的定点定值问题”，进行高强度、对比性的集中复习。这种复习的深度和效率，远高于泛泛地翻看笔记本。随着系统内题目和标签的积累，这种高效复习的“规模经济”效应越明显。

        4. 从“纠错”到“预测”：当系统积累足够多的高考真题、模拟题，并打上精细的标签（考点、难度、方法、年份）后，他可以利用简单的统计分析（如用Excel或Pandas），找出高频考点、自己的薄弱环节分布、不同题型的解题用时。这使他的复习从“被动纠错”转向“主动预测和精准打击”，将有限精力投向“产出”最高的领域，实现“精力投资”的复利。

        第四步：执行、记录与初步效果

        古民用一周时间搭建了系统框架，并开始严格执行。他坚持每天花20-30分钟进行错题的录入、归因和关联。每周日花1-2小时进行专题整理和系统复习。

        四周后，他观察到了初步效果：

  The content is not finished, continue reading on the next page