AI 学习辅导助手 V4.0

一个 Agent Skill 系统，搭载到 Claude Code + GLM-5.1 后，AI 自动识别你的学习意图，按结构化流程辅导，并帮你记住学过的内容。

核心特性

• 自动意图识别：识别概念讲解 / 公式推导 / 代码实现 / 模块总结 / 论文检索 / 复习检测，精准匹配
• 全学科覆盖：不限于 AI/ML，所有学科都支持
• 知识关联：自动关联已学知识，前后串联，防止学完就忘
• 知识类型感知：自动识别直觉型/数学型/对比型/流程型知识，匹配最优展示方式
• 自适应深度：首次接触走完整流程，有印象精简版，复习直接出题
• 模块规模控制：每模块不超过 4 个概念，模块结束输出知识地图
• 结构化复习：按遗忘曲线复习，出题→评估→针对性补充→更新掌握度
• 公式卡片：逻辑拆解 + 可读符号 + 一句话直觉，不依赖 LaTeX 渲染
• ASCII 框图：推导和算法逻辑必须用框图展示因果关系
• 多源论文检索：arXiv（预印本）+ Semantic Scholar（Nature, Science, ICML, NeurIPS 等顶刊）
• 艾宾浩斯复习：按遗忘曲线自动安排复习，priority 分级调度
• 学习路径追踪：概念依赖图（59 个 AI 全栈概念），检查前置知识，推荐下一步
• 丰富归档：每条记录含关键词/前置/后续/易混淆字段，支持语义搜索和去重
• 检测题分层：L1 识别 + L2 理解 + L3 应用，三级递进
• 迷思概念追踪（V4.0）：识别反复出现的概念性错误，精准纠正
• priority 分级复习（V4.0）：core/elective/curiosity 三档间隔，核心知识不降级
• 类比偏好接入（V4.0）：追踪用户对类比类别的反馈，自动选择最佳类比
• 学习路径推荐（V4.0）：推荐学习顺序，检查前置深度，个性化建议
• 公共规范抽离（V4.0）：公式/框图/符号规范统一到 COMMON_规范.md

使用方式

在 Claude Code + GLM-5.1 中使用（主要方式）

1. 把 SKILL.md 的内容加到 Claude Code 的 Agent Skill 配置中
2. 直接向 GLM-5.1 提问，AI 会自动：
   • 检查学习路径和前置知识
   • 判断熟悉程度选择讲解深度
   • 识别知识类型匹配展示方式
   • 按对应 Skill 流程回答
   • 归档问题并安排复习
   • 在后续对话中关联已学知识

辅助脚本

# 多源论文检索
python scripts/paper_search.py "attention mechanism"
python scripts/paper_search.py "transformer" --sources semantic_scholar --max 5
python scripts/paper_search.py "PPO" --export results.json

# 问题归档（V4.0 增强版）
python scripts/archive.py add "什么是注意力机制" "深度学习" "概念讲解" --priority core
python scripts/archive.py add "SVM原理" "ML" "概念讲解" --keywords "间隔,核技巧" --prerequisites "线性回归" --downstream "Kernel PCA" --confusions "逻辑回归"
python scripts/archive.py search "注意力"           # 支持语义扩展搜索
python scripts/archive.py list --topic "深度学习"
python scripts/archive.py backfill                  # 检查缺失的元数据

# 复习调度（V4.0 priority 分级）
python scripts/review_scheduler.py add "什么是注意力机制" "深度学习" --priority core
python scripts/review_scheduler.py due
python scripts/review_scheduler.py due --priority core
python scripts/review_scheduler.py review 1 --correct
python scripts/review_scheduler.py review 1 --wrong --misconception "把softmax当sigmoid"
python scripts/review_scheduler.py stats

Gradio 界面（可选）

pip install gradio
python app.py

项目结构

ai-study-tutor/
├── SKILL.md                          # 主控 Skill V4.0（意图识别+流程编排+迷思追踪+路径推荐）
├── skills/
│   ├── COMMON_规范.md                # V4.0 公共规范（公式卡片/框图/符号/自适应深度/知识类型/检测分层）
│   ├── SKILL_概念讲解.md              # V4.0（类比偏好接入+前置检查+L1/L2/L3检测）
│   ├── SKILL_公式推导.md              # V4.0（自适应深度+前置检查+L1/L2/L3检测）
│   ├── SKILL_代码实现.md              # V4.0（自适应深度+前置检查+L1/L2/L3检测）
│   └── SKILL_复习检测.md              # V4.0（迷思概念追踪+priority分级+数据同步）
├── scripts/
│   ├── paper_search.py               # 多源论文检索（arXiv + Semantic Scholar）
│   ├── arxiv_search.py               # arXiv 单源检索
│   ├── review_scheduler.py           # V4.0 priority分级复习调度 + 迷思概念追踪
│   └── archive.py                    # V4.0 归档（去重+语义搜索+回填+priority）
├── data/
│   ├── question_archive.md           # 问题归档文件
│   ├── review_schedule.json          # 复习计划文件（含priority+misconceptions）
│   ├── learning_path.json            # V4.0 AI全栈概念依赖图（59概念+推荐学习顺序）
│   ├── user_profile.json             # V4.0 用户画像（目标/偏好/迷思模式）
│   └── analogy_preferences.json      # 类比偏好追踪
├── tests/
│   └── test_all.py                   # V4.0 测试套件
├── app.py                            # Gradio 界面（可选）
├── tutor.py                          # API 调用逻辑（可选）
└── requirements.txt

技术栈

• GLM-5.1（通过 Claude Code Anthropic 兼容接口）
• Agent Skills（SKILL.md 定义行为）
• Python 3（辅助脚本，纯标准库）

测试

python -m unittest tests.test_all -v

版本迭代日志

V1.0 — 初始版本

项目创立，建立 Agent Skill 系统的基本框架和教学流程。

新增文件：

• SKILL.md — 主控 Skill，定义意图识别和流程编排
• skills/SKILL_概念讲解.md — 概念讲解流程（直觉→定义→要点→关联→检测）
• skills/SKILL_公式推导.md — 公式推导流程（公式卡片 + ASCII 框图）
• skills/SKILL_代码实现.md — 代码实现流程（算法框图 + 代码模板）
• scripts/archive.py — 问题归档脚本（add/search/list）
• scripts/review_scheduler.py — 艾宾浩斯遗忘曲线复习调度
• scripts/paper_search.py — 多源论文检索（arXiv + Semantic Scholar）
• scripts/arxiv_search.py — arXiv 单源检索
• data/question_archive.md — 问题归档文件
• data/review_schedule.json — 复习计划文件
• app.py — Gradio 界面
• tutor.py — API 调用逻辑
• tests/test_all.py — 测试套件（38 tests）

核心能力：

• 六步概念讲解流程（直觉引入→正式定义→为什么需要→关键要点→知识关联→检测理解）
• 公式卡片格式（一句话直觉 + 精确写法 + 符号含义）
• ASCII 算法框图
• 可读符号规则（禁止裸 LaTeX，用 Unicode 可读符号）
• 艾宾浩斯遗忘曲线复习（1→2→4→7→15→30 天间隔）
• 多源论文检索（arXiv 预印本 + Semantic Scholar 顶刊）
• 基础意图识别（概念讲解 / 公式推导 / 代码实现 / 论文检索）

已知局限（V1.0 遗留问题）：

• 所有概念一律走完整六步流程，无法区分初学/复习
• 不区分知识类型（直觉型/数学型/对比型/流程型），展示方式一刀切
• 检测题只有单层选择题，无难度分层
• 没有模块概念，连续讲解多个概念时缺乏整体总结
• 归档记录只有主题和类型，缺少关联元数据
• 公式卡片缺少逻辑拆解步骤，直接给精确写法，理解门槛高
• 没有学习路径追踪，不检查前置知识

---

V2.0 — CLAUDE.md 集成与公式规范增强

将 Skill 系统与 Claude Code 的 CLAUDE.md 原生工具工作流深度集成，强化公式展示规范。

新增文件：

• CLAUDE.md（项目根目录）— Agent 行为配置，定义 Skill 调用流程和公式规范

核心变更：

变更	说明
CLAUDE.md 集成	定义 Agent 读取 SKILL.md → 识别意图 → 调用子 Skill 的完整工作流
原生工具优先	使用 Claude Code 的 Read/Edit 工具操作数据文件，替代脚本调用
公式规范统一	CLAUDE.md 中统一规定公式卡片格式 + 可读符号规则，三种子 Skill 保持一致
Karpathy 编码准则	代码实现 Skill 引入 Karpathy 风格编码指导（简洁、自解释、无过度抽象）
测试扩展	测试套件从 38 tests 扩展到 47 tests

已知局限（V2.0 遗留问题）：

• 三个子 Skill（概念/公式/代码）的公式规范有细微不一致
• 概念 Skill 中公式卡片的位置和必要性的规则模糊
• 不区分知识类型，所有概念用同一种展示方式
• 没有自适应深度控制
• 缺少模块级总结和知识地图

---

V3.0 — 知识类型感知与自适应深度

基于实际教学体验的全面反思和优化，解决 V1/V2 中暴露的深层问题。

新增文件：

• skills/SKILL_复习检测.md — 结构化复习流程（出题→评估→补充→更新掌握度）
• data/learning_path.json — 概念依赖图 + 掌握度追踪（16 个 ML 概念预置）
• data/analogy_preferences.json — 类比偏好追踪

核心变更：

变更	说明
知识类型感知	自动识别直觉型/数学型/对比型/流程型，匹配展示策略（类比/公式/对比表/流程图）
自适应深度	首次接触走完整六步；有印象（掌握度<3）走精简版；复习（≥3）直接出题评估
模块规模控制	每模块 ≤4 个概念，超出必须拆分；模块末尾输出知识地图 + 速查表 + 易混淆辨析
检测题分层	L1 识别（选概念）+ L2 理解（解释为什么）+ L3 应用（新场景判断），三级递进
结构化复习	新增 SKILL_复习检测.md，完整流程：获取到期→根据类型出题→评估→针对性补充→记录
丰富归档元数据	archive.py 支持 --keywords/--prerequisites/--downstream/--confusions，前后知识自动关联
学习路径追踪	learning_path.json 维护概念依赖图和 0-5 级掌握度，检查前置知识，推荐下一步
公式卡片增强	新增"逻辑拆解"步骤放在精确写法之前，先理解意图再看符号
模块总结意图	新增意图检测："总结""对比""知识地图"触发模块级总结
类比偏好	analogy_preferences.json 追踪用户对各类比类别的反馈，优化后续类比选择
SKILL.md 主控增强	模块总结意图识别、学习路径引用、主动复习提醒策略
CLAUDE.md V3.0	新增讲解前检查流程、模块规模控制规则、公式逻辑拆解规范
测试套件扩展	从 47 tests → 93 tests → 139 tests，覆盖所有 V3.0 新增功能

修复的问题：

• 公式不直观的根因：三种子 Skill 公式规范不一致 → 统一为"逻辑拆解→精确写法"格式
• 概念一刀切展示：不区分知识类型 → 四种知识类型各自匹配最优展示方式
• 重复讲解浪费：所有概念都走六步 → 自适应深度三档
• 连续学习碎片化：缺少模块总结 → ≤4 概念/模块 + 知识地图
• 归档关联弱：只有主题和类型 → 支持关键词/前置/后续/易混淆

---

V4.0 — 死件修复与数据闭环

解决 V3.0 中 16 个"写了但没接上"的死件、数据脱节、教学体验断点问题。

新增文件：

• skills/COMMON_规范.md — 公共规范文件，抽取公式卡片/框图/符号/自适应深度/知识类型/检测分层规范

核心变更：

变更	说明
user_profile.json V4.0	新增 learning_style、study_preferences、misconception_patterns 字段
learning_path.json 扩展	从 17 个 ML 概念扩展到 59 个 AI 全栈概念（DL+NLP+CV+RL+推荐+部署+特征工程），新增 recommended_order
review_scheduler.py V4.0	支持 priority 分级调度（core/elective/curiosity 各有不同间隔），支持 misconception 追踪
archive.py V4.0	新增去重检查、语义搜索（同义词扩展映射表）、priority 字段、backfill 命令
COMMON_规范.md	抽取三个子 Skill 重复定义的公式/框图/符号规范，维护时改一处即可
SKILL_概念讲解.md V4.0	新增类比偏好读写（讲解前读取 analogy_preferences，讲解后写回反馈）、前置知识检查
SKILL_公式推导.md V4.0	新增自适应深度、前置知识检查、L1/L2/L3 检测题（替代原来的 1 道练习）
SKILL_代码实现.md V4.0	新增自适应深度、前置知识检查、L1/L2/L3 检测题（替代原来的 1 道练习）
SKILL_复习检测.md V4.0	新增迷思概念识别和追踪、priority 分级复习、learning_path mastery 同步、user_profile 同步
SKILL.md V4.0	新增迷思概念追踪流程、学习路径推荐引擎、用户画像集成、6 步回答完毕后数据同步
CLAUDE.md V4.0	新增 analogy_preferences 读取、COMMON_规范引用、迷思概念追踪、学习路径推荐

修复的死件（V3.0 写了但没接上的功能）：

• user_profile.json → V4.0 实际接入讲解前检查和回答后更新流程
• analogy_preferences.json → V4.0 在概念讲解前读取、讲解后写回
• review_scheduler.py → V4.0 支持 priority 分级间隔（core/elective/curiosity 各不同）
• archive.py 元数据 → V4.0 新增 backfill 命令检查缺失，所有新记录强制含 priority

修复的数据脱节问题：

• 归档↔掌握度↔复习 三份数据互不同步 → V4.0 回答完毕后统一更新 6 个数据文件
• 归档无去重 → V4.0 add 时自动检测重复并提醒
• 搜索只支持子串匹配 → V4.0 语义搜索，20+ 同义词映射