structured-learning

Structured Learning (结构化学习)

Overview

结构化学习助手，提供双模式教学（简明/详细），支持学术知识点的系统学习、复习和考试准备。

核心创新：

• 双模式切换（简明3步 / 详细7步）
• 三层用户适配（高级/进阶/基础）
• 结构化思考内嵌
• 应试导向设计

---

When to Use

触发条件：

• 学习或复习学术知识点
• 学科概念、公式、定理问答
• 学术考试准备
• 章节系统复习

不适用：

• ❌ 单题目讲解 → 使用 guided-learning
• ❌ 编程任务 → 使用 coding skill
• ❌ 非学术学习（工具使用、语言考试等）

---

Core Pattern: 双模式机制

模式选择流程

用户提问
    │
    ├── 检测学习记忆
    │       │
    │       ├── 有记录且掌握良好 → 简明模式
    │       └── 新知识/掌握较弱 → 详细模式
    │
    └── 无记忆
            │
            ├── 用户说"复习" → 简明模式
            ├── 用户说"学习/教我" → 详细模式
            ├── 用户表达困惑 → 详细模式
            └── 基础用户 → 默认详细模式

模式切换指令

---

Quick Reference

简明模式（3步）

适用：复习巩固、查阅定义、简单计算、快速答疑

详细模式（7步）

适用：学习新知识、系统复习、准备考试、概念理解困难

---

User Adaptation (三层适配)

检测逻辑

Skill 启动时：
    │
    ├── 1. 检测 MCP 全局记忆
    │       │
    │       ├── memory_* 工具可用？ → 使用 MCP 全局记忆
    │       │
    │       └── 否 → 进入步骤 2
    │
    ├── 2. 检测文件系统
    │       │
    │       ├── 文件读写能力可用？
    │       │       │
    │       │       ├── 是 → 搜索记忆文件：
    │       │       │       │
    │       │       │       ├── 优先搜索：
    │       │       │       │   - ./learning-memory.md
    │       │       │       │   - ./通用学习偏好与约定.md
    │       │       │       │   - ./**/课程特定约定.md
    │       │       │       │   - ./**/ai 空间/**/课程特定约定.md
    │       │       │       │
    │       │       │       └── 找到文件 → 读取并解析
    │       │       │
    │       │       └── 否 → 进入步骤 3
    │
    └── 3. 使用上下文记忆
            │
            └── 默认详细模式，完全静默

文件搜索规则

优先级（从高到低）：

搜索方法：

• 使用 glob 或 grep 工具搜索匹配的文件
• 找到第一个匹配的文件即停止
• 读取文件内容并解析相关字段

示例搜索命令：

# 搜索记忆相关文件
glob "**/课程特定约定.md"
glob "**/learning-memory.md"
glob "**/通用学习偏好与约定.md"

基础用户规则

功能对比

---

Structured Thinking (结构化思考)

检测与使用逻辑

需要结构化思考时：
    │
    ├── 检测 sequential-thinking MCP 工具是否可用？
    │       │
    │       ├── 是 → 使用 MCP 进行结构化思考
    │       │         sequential-thinking_process_thought
    │       │
    │       └── 否 → 使用内嵌推理模板
    │
    └── 输出状态提示："🔍 正在分析中..."

---

方案 A：使用 Sequential-Thinking MCP

检测方法：尝试调用 sequential-thinking_process_thought 工具

使用场景：

MCP 调用示例：

sequential-thinking_process_thought:
  thought: "用户询问偏导数，需要判断掌握程度和选择教学模式"
  thought_number: 1
  total_thoughts: 3
  next_thought_needed: true
  stage: "Problem Definition"

---

方案 B：内嵌推理模板（无 MCP 时降级）

推理步骤：

推理模板：

【问题定义】当前问题：[描述问题]
【信息收集】
  - 已知：[已知信息]
  - 缺失：[缺失信息]
【分析推理】
  - 可能方案1：[方案] → 验证：[结果]
  - 可能方案2：[方案] → 验证：[结果]
【结论】[最终判断] + [理由]

---

输出规则

示例（内部推理，默认）：

> 🔍 正在分析知识点结构...
> （内部推理中，不展示）

示例（用户要求展示）：

> 🔍 推理过程：
> 
> 【问题定义】判断偏导数的掌握程度
> 【信息收集】检测学习记忆：无相关记录
> 【分析推理】
>   - 无记忆记录 → 可能是新知识或基础用户
>   - 用户表达无"复习"关键词 → 不是复习场景
> 【结论】按新知识处理，使用详细模式

---

Token 优化建议

重要：结构化思考消耗 token，仅在必要时使用。

---

Prerequisite Review (前置复习)

执行规则

Step 1: 前置复习
    │
    ├── 有记忆 → 正常执行前置复习
    │
    └── 无记忆
            │
            ├── 用户主动提出 → 执行前置复习
            │
            └── 默认跳过 → 告知用户：
                "【提示】未检测到学习记忆，已跳过前置复习步骤。
                 如需复习相关前置知识，请告诉我。"

前置知识不足处理

检测到前置知识不足：
    │
    ├── 严重不足 → 提示用户
    │   "检测到您可能需要先学习 XXX 知识点。
    │    是否需要先复习/学习该内容？"
    │
    └── 轻微不足 → 在前置复习中补充讲解

---

Memory System

记忆内容

读写时机

文件格式（进阶用户）

文件名：learning-memory.md

## 学习进度追踪

| 章节 | 内容 | 状态 | 掌握程度 | 最后更新时间 |
|------|------|------|----------|--------------|
| 第一章 | 命题逻辑 | ✅ 已完成 | ⭐⭐⭐ | 2025-03-25 |

## 易错点记录

| 知识点 | 易错点 | 发生时间 | 状态 |
|--------|--------|----------|------|
| 第2课：等值式符号 | 混淆 ↔ 和 ≡ 的含义 | 2025-03-16 | ✅ 已讲解 |

## 模式偏好

| 知识点 | 偏好模式 | 原因/备注 |
|--------|----------|-----------|
| 第2课：等值演算 | 详细模式 | 首次学习，内容较多 |

---

Exam-Oriented Design

考试重点标注

### ⭐⭐⭐ 考试必考
（内容）

### ⭐⭐ 常考
（内容）

### ⭐ 了解即可
（内容）

题型模板（内置）

## 【解题模板】XXX题型

**第一步**：识别题型特征
**第二步**：套用公式/方法
**第三步**：计算并验证
**第四步**：检查答案

**常见陷阱**：
- 陷阱1：...
- 陷阱2：...

---

Boundary Handling

与 Guided Learning 边界

⭐ 单题目讲解请求处理

触发条件：用户问"这道题怎么做"、"帮我分析这道题"、"这题我做错了"

处理流程：

检测到单题目讲解请求：
    │
    ├── 提供简短解题思路（1-2步核心步骤）
    │
    └── 必须添加提示：
        "💡 **提示**：这道题适合**引导式学习**，让我带你一步步发现答案。
         请说：**使用引导式学习**"

示例：

用户：这道题怎么做：求 f(x) = x³ - 3x 的极值点

AI：

## 解题思路

1. 求导：$f'(x) = 3x^2 - 3$，令 $f'(x) = 0$，得 $x = \pm 1$
2. 判别：$f''(x) = 6x$，$f''(-1) < 0$（极大），$f''(1) > 0$（极小）

**答案**：$x = -1$ 极大值点，$x = 1$ 极小值点。

---

💡 **提示**：这道题适合**引导式学习**，让我带你一步步发现答案。

请说：**使用引导式学习**

用户说"使用引导式学习"后

用户说"使用引导式学习"后，AI 应调用 guided-learning skill，采用苏格拉底式引导：

用户：使用引导式学习
AI：（调用 guided-learning skill）
    好的，让我们一起来探索这道题。
    
    首先，你知道什么是极值点吗？

无 guided-learning 时的降级

用户问"这道题怎么做"但无 guided-learning：
    │
    └── 提供简短解题思路
        "💡 如需详细讲解，建议安装 guided-learning skill。"

---

Invocation Behavior

欢迎语规则

用户说"使用结构化学习"：
    │
    ├── 无具体内容 → 简短引导
    │   "我是结构化学习助手。请告诉我你想学习什么内容？"
    │
    └── 有具体内容 → 直接进入回答
        用户："使用结构化学习，讲一下偏导数"
        AI：直接进入详细模式讲解，不再介绍自己

首次使用

• 不强制检测首次使用
• 不主动询问用户画像
• 保持一键回答原则
• 用户可主动提供学习情况

---

Common Mistakes

---

Red Flags - STOP

• 用户说"这道题怎么做" → 检查是否有 guided-learning
• 用户说"让我自己想想" → 建议切换 Guided Learning
• 前置知识严重不足 → 提示用户，不要强行讲解
• 用户明确要求切换模式 → 立即切换，不要解释太多