技能介绍

要解决的问题

背四级词汇的典型工作流是碎的：单词散落在 PDF 或扫描件里，想按单元复习得先自己切词；好不容易整理成一份表，又缺少词根脉络，背完只记住了释义，换个语境还是认不出来。想给每个词补上搭配和例句，还得另开一个词典脚本。结果就是「数据—讲解—复习」三件事各自为政，换一本书就要从头再来。

这个技能把这三件事合到一个目录里，核心思路是让词汇书本身成为结构化数据，而不是每次背词时临时解析一本书。

数据形态与核心能力

预置数据已经放在 data/ 下：index.html 是全部 48 课的导航首页，unitXlessonY总览.html 是单课背诵总览，data/raw/uXlY_raw.json 是单课结构化源数据。说「带我背 unit 3 lesson 2」，助手直接读 data/raw/u3l2_raw.json，不需要任何提取步骤。

如果手上是别的书，把每个 lesson 写成一个 JSON（schema 见 references/data_format.md），用 scripts/gen_review.py 一键生成总览 HTML。字段里 core: true 标记词族核心词，pre / suf 填明确词缀，不确定就留空，生成器会自动识别安全的长词缀。

带背 Session 按「词以群记 + 词根词缀」推进：先讲词群根义，再讲词缀如何修饰根义，每组给出单词、音标、词性、释义和记忆钩子（例如 out + come → 出来的东西 = 结果）。节奏上不一次倒 76 词，每组一轮，问「继续」再下一组；小课（≤15 词）可一次铺完。

配套本地服务 server/app.py 只用 Python 标准库，提供阅读小站的划词加入生词、/list 生词表（支持发音与移除）、/select 按 12 单元分组的 48 课导航，生词统一写在 vocab-words.md。scripts/gen_phrases.py 从免费词典 API 的真实例句里抽 2–3 个搭配写回 phrases 字段，带缓存和多线程，可断点续跑。

适用边界与注意点

扫描版、无文字层的 PDF 走内置免 OCR 流程：pypdfium2 渲染页面成 PNG → 视觉子代理按 schema 转录 → 子代理自校验通过后才落盘 → JSON 交给 gen_review.py 生成总览。关键是防损坏：字符串内的英文双引号必须转义或改用中文引号，字符串值里不放真实换行，布尔值不带引号。单个子代理读页不超过约 35 页，按单元拆分，因为一个文件损坏会中断整批生成。

几个常见坑：别把整课 76 词一次倒出来，分组和记忆钩子才是这套方法的核心；先讲词群根义再讲词缀，逻辑才成立；生成总览时用 --book 让页眉匹配用户手上的实际书，否则页眉会指向预置的那本；如果书是字母序词汇表而非主题分组，按书的真实结构来，不要强行套 core / pre / suf 模式。