教育学习助手

自学与教学里缺的是什么

间隔复习、认知层次标注、难度自适应和知识依赖排序，在论文和 LMS 里都有成熟模型，但多数 Agent 场景只有「出题/总结」话术，缺少可复现的数值逻辑。本技能把 SM-2、Bloom、IRT、BKT 等常见教育技术算法写成可直接调用的 Python 实现，全部基于标准库，便于嵌入脚本或本地原型。

十项模块各自做什么

• SM-2 间隔重复：按 1→6→指数增长调度复习，并动态调整 Ease Factor。
• Bloom 分析器：六层认知（记忆/理解/应用/分析/评价/创造），带动词匹配规则引擎。
• 智能测验生成：结合知识点图谱、约束满足与难度分级，支持选择/填空/判断/简答四类题型。
• Leitner 闪卡：五盒间隔（2^(box-1) 天），含创建、复习与统计。
• 自适应难度（IRT 简化）：用 P=1/(1+exp(-(theta-b))) 估计作答概率。
• 知识图谱：Kahn 拓扑排序、关键路径 DP、BFS 分层。
• 学习曲线：指数模型 y=a*b^x+c，网格搜索 + 梯度下降最小二乘拟合。
• 复习调度：优先级 + 贪心负载均衡，平衡每日复习量。
• 掌握度追踪（BKT）：四参数贝叶斯知识追踪。
• 计划优化：0/1 背包 DP，并在拓扑序下满足依赖约束。

适用边界

这是算法与工具骨架，不包含现成题库、用户账号或 Web 界面；IRT/BKT 为教学向简化版，上线前需按你的数据规模做校验与标定。若你只需要通用聊天式辅导，不必整包引入；若要在产品里落地间隔复习、图谱排课或自适应测验，这些模块可作为起点对接你自己的存储与 UI。