知识点拆解学习

它解决什么问题

把一个模糊的学习需求写成文档，最常见的失败有两种：一是看到「机器学习」「数据库」这类大词就直接开写，最后产出一篇谁都看不懂的百科；二是写得很细，但知识点之间边界混乱，读者不知道先学哪个、为什么学。

@user_2b1593bf/knowledge-point-learning 把这件事拆成可复用的流程：先判断输入是否够清晰，再决定要不要拆，最后才动笔。它不是万能助教，而是一个严格限定在单篇文档范围内的写作器。

核心能力

输入澄清优先
当主题过宽、多层或混合多个概念时，先提出 1～3 个澄清问题，而不是直接生成全文。遇到 数据库、缓存、前端工程化 这类词，会先给拆分方案并等用户确认。

五类知识点分类
按概念、原理、流程、操作、对比五种主类型归类，选择最能决定文档结构的那一类。细节定义在 references/knowledge-types.md。

拆分与生成
默认拆分规模是 3～7 个子知识点，要求每个子点都能独立学习，不允许切成无法自洽的碎片。文档结构按类型模板走，语言要简单、例子要具体，必要时才加图示或生活化类比。

单轮默认，两阶段可选
大多数请求一轮完成分析、拆分与成文。只有主题非常宽、方向可能不止一个时，才采用「先输出分类与拆分方案 → 用户确认 → 再写全文」的两阶段交互。

适用边界

• 输出为 Markdown，默认只在对话里呈现，不会自动写文件；用户明确要求时才存到 outputs/ 目录。
• 不做跨会话记忆，不追踪学习进度，不管理用户画像，也不生成完整课程或教材。
• 高阶用法和版本相关内容应以官方文档为准，本技能不替代它们。
• 同一轮对话内支持调整拆分粒度、深浅、图示或类比，但定位仍是轻量交互，不是长期学习 Agent。