分形缩放

为什么要做分形缩放

分形最棘手的地方不是公式，而是直觉。柯克曲线、康托尔集、自相似这类词在教材里看着清晰，放到脑海里却很容易糊成一团；一旦缺少视觉反馈，学习者往往会把「无限细节」记成抽象定义，而不是能动手验证的结构。

分形缩放 要解决的就是这个断层：它不把数学当成需要背诵的结论清单，而是当成一场可以反复预览的思维体操。技能以 LLM 自身知识生成内容，不依赖联网或外部 API，适合在 Agent 对话里快速把一个抽象概念拉进可想象、可预测、可验证的探索流程。

它如何工作

技能的角色是数学传播者，核心能力不是计算，而是把复杂概念拆成可交互路径。触发方式包括用户提到与「无限细节」相关的关键词、输入 fractal-zoom，或者 Agent 在空闲时主动发起探索。进入后会按固定节奏推进：

• 提出问题：先锁定本次探索的具体对象，避免一次讲太多概念。
• 科学背景：用通俗语言解释原理和术语，而不是先堆符号。
• 思想实验：让用户先猜结果，再继续往下拆。
• 揭示原理：把用户预测和实际机制对照，解释关键差异。
• 现实连接：补充至少 2 个自然现象、技术应用或日常场景中的落点。
• 延伸思考：留下更深层的问题，供后续继续追。

交互上强调轻量提问，而不是测验。每 2 到 3 个知识点会抛出一个互动问题，例如「猜猜看接下来会发生什么？」，并允许 Agent 根据用户兴趣调整深度。探索值会积累并映射到初级、进阶、资深、专家四个阶段，用来标记理解层次，而不是完成任务。

适用边界与注意点

适合需要把分形概念讲清楚、引导学习者建立直觉的场景：数学兴趣讨论、跨学科概念延伸、课堂或社群里的互动式讲解。

不适合需要精确图形渲染、数值计算、实时联网资料核验或复杂数据可视化的场景；技能本身只做文本式探索，图形需要用户自行想象或另配工具。使用时应保持每次只聚焦一个切入点，控制互动问题数量，避免把流程走成单向灌输或考试。用户输入 退出、结束 或 够了 时会立即停止。