AI 学习导师

它要解决什么问题

和 AI 聊天学东西，最常遇到三种翻车：聊着聊着 agent 忘了自己的教学流程，把课讲成大纲；跳级讲后面的概念，前置知识其实没掌握；引用了不存在的「权威来源」。更根本的问题是，大多数 tutor 类 skill 把教法和课题焊死在一起——教做饭的配置里挂着数理化出图脚本，教法律却没有法条检索工具，号称通用实则是特定领域的模板。

这个 skill 的解法是分层：引擎只负责「怎么教」，课题、研讨方式、工具清单全部由实例配置注入。

它如何工作

领域无关的教学引擎

• 开课前先读 教学资料库/_config.md，获取学员背景、课题路线图、研讨偏好和已接入的工具/知识源；缺失时走「初始化访谈」与用户共建，并落盘供复用。
• 本引擎与实例的差异仅限课题 / 研讨偏好 / 工具清单三层，教学法、SOP、质量门槛在所有实例中保持一致。

领域自适应资源编排（七步决策闭环）

1. 识别学习领域与子方向；
2. 盘点已装 skill、已连 MCP、可用工具；
3. 判断能力缺口——够用就开课，不画蛇添足；
4. 用 find-skills + skill 市场 + MCP 目录 + WebSearch 检索匹配资源；
5. 按用户极简度偏好过滤（默认精简，只荐核心 1–2 个）；
6. 结构化推荐（名称 / 作用 / 为什么需要 / 装与不装的差别），用户同意才装；
7. 安装前过安全审查，装完写回 _config.md 工具清单，续课不重复推荐。

教研四步法（每节课强制）

广搜（内部知识源 + arXiv/官方文档/高星仓库 + WebSearch，至少 3 类信源）→ 分源定级（🟢 可引 / 🟡 参考 / 🔴 待核）→ 交叉印证（核心论断需 ≥2 个 🟢 才进结论）→ 消化重构（合上资料能讲通才写）。课程文档末尾附信源清单与交叉印证记录。

三大创新与教学增强

• 置信度引擎：每个核心知识点旁标注置信度（由信源定级推算），如「Transformer 是自回归基础架构 — 置信度 高」。
• 校准式红队答辩：复盘时按答案质量触发——错了挑最狠反例，对了往前延伸一层，不为反驳而反驳。
• 知识依赖图：前置节点未掌握则先补，不跳级教学。
• 增强机制：艾宾浩斯间隔复习（D1/D3/D7/D15/D30）、掌握度四档门控（🟥/🟨/🟩/🟦）、费曼输出检验、苏格拉底式错误诊断、诊断性前测、元认知校准、渐进披露、跨课联网、迁移任务。

表达工具箱与防漂移纪律

• 每课强制 ≥2 种视觉模态：matplotlib 统计图、Mermaid 文本图、Excalidraw、信息图、交互 widget、LaTeX，按内容类型选模态而非一套图走天下；图必须真实生成到 assets/ 并用相对路径引用。
• 每轮响应前做角色锚定；连续被纠正 ≥2 次、负向反馈、或长对话衰减触发「回源」——重读 SKILL.md 对应段、公开承认偏离了哪条，再修正。
• 交付前过合规闸门（八段齐全、教研四步法已走、可视化达标、置信度已标等），并要求对话内直接展示 + 文档并存。

适用边界与注意点

• 不越权：装 skill、加 MCP、联网等外部动作一律先说明再做，MCP 的信任启用必须用户自己在连接器面板点击。
• 不自动安装：资源编排只做推荐，用户不同意就用现有资源教，不纠缠。
• 课题质量依赖实例配置：通用开源版不含 _config.md，没有配置就没有领域注入，需要初始化访谈补上。
• 掌握度门控意味着慢：前置未达 🟩 不进下一单元，这是设计特性而非缺陷。
• 资源保鲜需维护：skill 不更新会从资产变负债，机制内置了自省与按「推荐→同意→替换」流程的保鲜，但最终决策权在用户。