# 学习图生成器 **版本：** 0.03 您的任务是根据课程描述生成全面的高质量学习图表。学习图是智能教科书的基础数据结构，可以推荐学习路径。学习图就像一个概念路线图，可以帮助学生实现他们的学习目标。学习图是 DAG 概念图。每个箭头都是一个“学习依赖”关系，表明学习顺序。您生成的 Markdown 必须与 Markdown 的 mkdocs 版本兼容。确保在任何列表之前放置一个空行。仔细按照以下步骤操作： ## Markdown 生成规则 1. 始终在任何 Markdown 列表之前放置一个空行。这是 mkdocs markdown 工具所需要的。 ## Mkdocs 导航规则添加 Markdown 文件（任何扩展名为“.md”的文件）后，请确保将该文件添加到 mkdocs.yml 文件中的导航结构中。以下是学习图部分的导航部分的示例： - 学习图： - 简介：learning-graph/index.md - 课程描述评估：learning-graph/course-description-assessment.md - 概念枚举：learning-graph/list-concepts.md - 图质量分析：learning-graph/graph-quality-analysis.md - 概念分类：learning-graph/concept-taxonomy.md - 分类分布报告：learning-graph/taxonomy-distribution-report.md ## 步骤 0：设置告诉用户他们正在运行版本图生成器和上面的版本号。默认上下文是从 GitHub 上签出的智能教科书主目录中的 claude 代码运行该技能。主 git 目录中应该有一个 docs 目录，其中包含标准 mkdocs.yml 文件。您将创建一个名为 /docs/learning-graph 的目录（如果它尚不存在）。该路径是相对于 git 主目录的。假设 /docs 是相对于 claude 启动的目录。 `mkdir -p 文档/学习图； cd 文档/学习图` 您将将此技能包中的 python 程序复制到“/docs/learning-graph”目录中。您将从该目录执行 python。如果您没有看到“docs”目录和“mkdocs.yml”文件，建议用户从以下位置克隆示例教科书： `git clone https://github.com/dmccreary/intelligent-book-template` `cd smart-book-template` ## 步骤 1：课程描述质量评估在开始此步骤之前，请确认该步骤尚未完成。为此，请检查“docs/course-description.md”文件中的 yml 元数据。以下是 yml 元数据的示例： --- 标题：课程描述描述：详细的课程描述质量得分：95 --- # 课程描述如果您看到质量分数高于 85，您可以告诉用户您发现分数高于 85，并跳过这整个步骤。告诉他们这是节省代币的一种方法。如果质量得分低于 85，请分析 [course-description.md]() 中提供的课程描述，以确保其有足够的内容来生成 200 个高质量概念： 1. 验证课程的标题、先决条件、目标受众、目标和成果（“学完本课程后，学生将能够做到”）。如果缺少这些字段，请询问用户此信息。 2. 检查所涵盖主题的深度和广度 3. 评估材料是否具有足够的粒度来容纳 200 个不同的概念 4. 检查不同的主题领域和学习目标 5. 向用户提供以下方面的详细反馈： * 列出您找到的预期内容 * 估计您可以导出的概念数量 *将此概念编号与类似课程进行比较 * 描述课程描述重点的领域 * 任何可能代表性不足的差距或领域 * 建议 2001 年 Bloom 分类法（记住、理解、应用、分析、评估、创建）如何改进结果描述 * 客观的整体质量评估（1-差到100-完美） * 建议用户除非质量分数达到 70 或以上，否则不要继续操作使用以下标准来创建质量分数： ### 2.2 课程描述质量评分系统使用此 100 分评分系统评估课程描述：元素|积分|标准 ---|---|--- **标题** | 5 |清晰、描述性的课程标题 **目标受众** | 5 |确定的特定受众（例如“大学本科生”） **先决条件** | 5 |列出或明确声明为“无”的先决条件 **涵盖的主要主题** | 10 | 10全面的主题列表（最好是 5-10 个主题） **排除的主题** | 5 |为未涵盖的内容设置明确的界限 **学习成果标题** | 5 |明确声明：“学完本课程后，学生将能够……” **记住级别** | 10 | 10记忆/回忆的多个具体结果 **了解水平** | 10 | 10用于理解/解释的多个具体结果 **应用级别** | 10 | 10应用/使用的多种具体结果 **分析级别** | 10 | 10用于分析/分解的多个具体结果 **评估水平** | 10 | 10用于评估/判断的多个具体结果 **创建关卡** | 10 | 10用于创建/合成的多个具体结果；包括顶峰想法 **描述性上下文** | 5 |有关课程重要性、相关性或价值的其他背景信息 **评分指南：** * 如果元素完整且高质量，则奖励满分 * 如果要素存在但不完整或模糊，则奖励部分分数 * 如果缺少元素则奖励 0 分 * 对于布鲁姆分类水平，需要至少 3 个具体的、可操作的结果才能获得满分告诉用户他们的分数是多少，并建议他们改进课程描述，直到分数超过 80 分。将此报告保存到 [course-description-assessment.md]() 5. **询问用户是否应该继续**生成学习图 ## 步骤 2：生成概念标签课程描述获得批准后，从课程内容生成 200 个概念标签： **要求：** * 每个概念标签必须采用标题大写形式 * 最大长度：32 个字符 * 标签应该清晰、具体且在教学上合理 * 涵盖课程材料的全部内容 * 概念标签是实体名称，而不是问题 * 不要在概念标签中使用问题。不要使用“什么是 Git”，只使用“Git” !!!注意由于这些概念标签是在网络图中使用的，因此它们不能太长。否则图表将难以阅读。 **输出：** * 将编号列表保存到 [concept-list.md]() * 格式：markdown 文件中的简单编号列表 (1-200) * 确保每个数字都是唯一的，以便可以用作 ConceptID * 通知用户文件已创建 * 告诉用户他们应该立即查看列表并添加和删除概念 * 告诉用户最好在执行下一步之前查看概念列表现在要求用户花一些时间手动查看概念标签的整个列表。如果有不合适的概念，现在就应该删除。如果还有其他概念需要添加，现在就应该添加。稍后需要大量额外的代币来更改内容。这是保证教材质量的重要审查步骤。特别注意概念标签的长度和缩写的质量。 ## 步骤 3：生成依赖图创建一个 CSV 文件来映射概念之间的依赖关系： **格式：** * 文件名：[learning-graph.csv]() * 列：`ConceptID、ConceptLabel、依赖项` * ConceptID：整数（1-200） * ConceptLabel：步骤 2 中的确切标签 * 依赖关系：以竖线分隔的 ConceptID 列表（例如“1|3|7”） **依赖规则：** * 基础/先决条件概念没有依赖关系（空依赖关系字段） * 所有其他概念必须至少有一个依赖项 * 任何概念都不能独立于自身 * 该图必须是有向无环图 (DAG) - 无循环 * 创建有意义的学习路径，而不仅仅是线性链 * 仔细考虑先决条件关系 **注意：** 将分类法添加到 CSV 文件后，将在后续步骤（步骤 7-8）中创建 JSON 文件。完整的 JSON 将包括符合learning-graph-schema.json 的元数据、组、节点和边部分。 ## 步骤 4：学习图质量验证使用本技能中的Python程序analyze-graph.py对依赖图进行全面的质量检查。它将执行以下检查： 1. **验证DAG结构** ：确保不存在循环 2. **检查自我依赖性**：任何概念都不应依赖于自身 3. **基本概念**：识别零依赖的概念 4. **孤立节点**：识别没有任何东西依赖的概念（潜在的死胡同） 5. **断开子图** ：检查所有概念是否都连接到主图 6. **线性链**：如果太多概念仅依赖于前一个概念，则进行标记 7. **入度分析** ：计算入度（依赖于每个概念的概念数量） shell命令`pythonanalyze-graph.pylearning-graph.csvquality-metrics.md` 验证报告已写入 [quality-metrics.md]() **生成学习图质量指标报告：** * 零依赖的总体概念 - 出站箭头（基本先决条件） * 具有 1+ 个依赖项的总概念 * 每个概念的平均依赖数 * 最大依赖链长度 * 孤立节点数量 * 不连通子图的数量 * 入度最高的前 10 个概念（最依赖的概念）为用户提供从 1（差）到 100（完美）的总体质量评分。如果学习图的得分没有超过 70，建议用户迭代该过程 ## 步骤 5：创建概念分类制定用于组织概念的分类法： **要求：** * 目标：约 12 个类别（如果出现自然分组，可能会有 2-3 个类别的变化） * 类别应该均匀分布概念 * 避免任何单一类别超过总概念的 30% * 使用清晰、描述性的类别名称，并带有标题大小写和空格 * 为每个类别创建 3-5 个字母缩写 (TaxonomyID) * 请注意，将创建分类法的 JSON 表示形式以形成学习图的组部分 **输出：** * 将分类保存到 [concept-taxonomy.md]() * 格式化为 markdown： * 类别名称 * TaxonomyID 缩写（3-5 个大写字母） * 简要描述哪些概念属于该类别 ## 步骤 5b：创建分类名称 JSON **关键步骤** \ - 这可以防止在图形查看器图例和报告中出现分类 ID 而不是人类可读名称的常见错误。从 Concept-taxonomy.md 中将分类 ID 提取到人类可读的名称映射，并将其保存为 JSON 文件： **创建文件：** `taxonomy-names.json` **格式：** { “FOUND”：“基础概念”， “EDA1”：“探索性数据分析 I”， “EDA2”：“探索性数据分析II”， "REG": "回归与相关", ... } **规则：** * 键是 TaxonomyID 缩写（大写，3-5 个字母） * 值是标题大写且带有空格的人类可读类别名称 * CSV 中使用的每个分类 ID 必须有相应的名称 * 名称应该具有描述性并且对学生有意义 csv-to-json.py 需要此文件才能在learning-graph.json 中生成正确的“classifierName”值。如果没有它，图形查看器图例将显示神秘的 ID，例如“EDA1”而不是“探索性数据分析 I”。 ** ** ## 步骤 6：将分类添加到 CSV 更新依赖项 CSV 文件： 1. 如果现有 CSV 文件不存在，则添加新列：`TaxonomyID` 2.对于每个概念，分配最佳匹配的TaxonomyID 3. 对于没有明确类别匹配的概念使用“MISC” 4. 将更新后的文件保存到[learning-graph.csv]() 您可以使用 Python 程序 add-taxonomy.py 作为执行替换的模板。 **最终 CSV 列：** `ConceptID、ConceptLabel、Dependency、TaxonomyID` ## 步骤 7：创建learning-graph.json 文件的“metadata”部分元数据部分包含从 course-description.md 文件中提取的教科书的受都柏林核心启发的字段。学习图的 JSON 架构位于此技能内的 Learning-graph-schema.json 文件中。 **必填字段：** * `title`：摘自课程描述标题 * `description`：从课程描述中摘录或总结 **可选但推荐的字段：** * `creator`: 作者或组织名称 * `date`: 当前日期，格式为 YYYY-MM-DD * `version`：版本号（例如“1.0”） * `format`: "学习图 JSON v1.0" * `schema`：JSON 模式的 URL * `license`：许可证信息（例如“CC BY-NC-SA 4.0 DEED”）这是元数据部分的示例： “元数据”：{ "title": "课程描述中的标题文本", "description": "用几句话描述课程。", "creator": "你的名字", “日期”：“2025-11-01”， “版本”：“1.0”， "format": "学习图 JSON v1.0", “模式”：“https://raw.githubusercontent.com/dmccreary/learning-graphs/refs/heads/main/src/schema/learning-graph-schema.json”， “许可证”：“CC BY-NC-SA 4.0 契约” } 您可以使用这些字段创建一个metadata.json 文件，以传递到步骤 9 中的 csv-to-json.py 程序。 ## 步骤 8：创建 JSON 文件的 groups 部分将分类类别转换为 Learning-graph.json 文件的组部分的 JSON 格式。学习图的 JSON 架构位于此技能内的 Learning-graph-schema.json 文件中。组部分创建具有不同颜色的概念类型图例以进行可视化。 **重要：** * 组部分使用分类 ID（例如“FOUND”、“DEF”）作为键 * 每个组必须有一个包含**描述性人类可读名称**的 `classifierName` 字段（例如，“Foundation Concepts”，而不仅仅是“FOUND”） * 每个组必须有一个使用 **命名 CSS 颜色** 的 `color` 字段（不是像“#E74C3C”这样的十六进制代码） * 每个组应该有一个“font”对象和一个“color”字段以保证文本的可读性 **关键结构：** * **组键** ：使用 CSV 中的 TaxonomyID（大写，无空格，例如“FOUND”） * **classifierName** ：带有标题大小写和空格的描述性显示名称（例如“基础概念”）。切勿重复 TaxonomyID 缩写。 * **颜色** ：使用命名的 CSS 柔和颜色以提高可读性。推荐颜色：LightCoral、Plum、PowderBlue、LightPink、PaleTurquoise、PeachPuff、PaleGreen、LightSteelBlue、LightYellow、Thistle、Gainsboro、Honeydew、Aquamarine、Lavender、MistyRose、LavenderBlush。避免使用 AliceBlue，因为它经常用于背景。 * **font.color** ：使用“黑色”表示柔和/浅色背景（大多数情况）以下是组部分的示例： “组”：{ “发现”：{ "classifierName": "基础概念", “颜色”：“浅珊瑚色”， “字体”：{ “颜色”：“黑色” } }, “DEF”：{ "classifierName": "定义", “颜色”：“桃子泡芙”， “字体”：{ “颜色”：“黑色” } }, “核心”：{ "classifierName": "核心概念", “颜色”：“浅黄色”， “字体”：{ “颜色”：“黑色” } }, “国际米兰”：{ "classifierName": "中级概念", “颜色”：“淡绿色”， “字体”：{ “颜色”：“黑色” } }, “ADV”：{ "classifierName": "高级概念", “颜色”：“粉蓝色”， “字体”：{ “颜色”：“黑色” } }, “其他”：{ "classifierName": "其他概念", “颜色”：“盖恩斯伯勒”， “字体”：{ “颜色”：“黑色” } }, “项目”：{ "classifierName": "项目想法", “颜色”：“薰衣草色”， “字体”：{ “颜色”：“黑色” } }, “CAP”：{ "classifierName": "顶点项目", “颜色”：“梅子色”， “字体”：{ “颜色”：“黑色” } } } **注意：** csv-to-json.py 程序将根据 CSV 文件中找到的分类自动生成组部分。您可以通过创建可选的 color-config.json 文件来自定义颜色。 ## 步骤 9：生成完整的学习图 JSON 现在您已经创建了metadata.json文件（步骤7）、taxonomy-names.json（步骤5b），并拥有了丰富分类的CSV（步骤6），运行csv-to-json.py程序来生成完整的learning-graph.json文件： python csv-to-json.pylearning-graph.csvlearning-graph.jsoncolor-config.jsonmetadata.jsontaxonomy-names.json **重要：** 强烈建议使用“taxonomy-names.json”文件，以确保人类可读的类别名称出现在图形查看器图例中。如果没有它，分类 ID（如“EDA1”）将用作显示名称，而不是专有名称（如“探索性数据分析 I”）。该命令将： 1.读取learning-graph.csv文件（包含ConceptID、ConceptLabel、Dependency、TaxonomyID列） 2.使用metadata.json中的元数据 3. 使用taxonomy-names.json中的人类可读名称作为“classifierName”字段 4. 根据 CSV 中的分类自动生成组部分 5. 使用正确的组引用创建节点（使用 TaxonomyID） 6. 根据依赖关系创建边 7、输出完整的符合schema的learning-graph.json文件 8. 如果任何分类 ID 缺少人类可读的名称，则发出警告验证文件 [learning-graph.json]() 是否存在且有效。可选：您可以使用以下方法根据架构验证 JSON： ./validate-learning-graph.sh 学习-graph.json ## 步骤 10：分类分布报告生成分布分析： 1. 统计每个类别中的概念 2. 计算百分比 3. 确定代表性过高的类别 (>30%) 4. 如果需要，建议替代分类使用此技能中名为taxonomy-distribution.py 的Python 报告 **输出：** * 保存到 [taxonomy-distribution.md]() * 格式化为包含列的 Markdown 表格： * 类别名称 * 分类ID * 计数 * 百分比 ## 步骤11：从index-template.md创建新的index.md 根据本技能中的文件index-template.md 在learning-graph 目录中创建一个新的“index.md”文件。自定义新的index.md 文件以反映这本智能书的名称。查找全大写的值 (TEXTBOOK_NAME) 并将其替换为适当的值。 ## 步骤12：写入会话日志将会话日志导出到logs/learning-graph-generator-VERSION-DATE.md 其中： 1.VERSION是该技能的版本。 2. DATE 是今天的日期，采用 ISO 格式 yyyy-mm-dd。请注意，会话日志还应列出使用的任何 Python 程序的版本。例如，会话日志中没有使用什么版本的 csv-to-json.py Python 程序。这对于调试很重要。 ## 第 13 步：完成通知用户学习图生成完成！祝贺他们并祝愿他们在教科书或课程材料上取得成功。告诉他们下一步是书籍章节生成器技能，但在执行下一步之前回顾概念列表、概念分类法和学习图至关重要。 **创建的文件：** * [course-description-assessment.md]() \- 课程描述的质量评估 * [concept-list.md]() \- 200 个概念的编号列表 * [learning-graph.csv]() \- 带有分类的完整依赖图 * [taxonomy-names.json]() \- 将分类 ID 映射到人类可读的名称（对于图形查看器至关重要） * [metadata.json]() \- 学习图的元数据（标题、描述、创建者等） * [learning-graph.json]() \- 包含 vis-network.js JSON 格式的元数据、组、节点和边的完整学习图 * [concept-taxonomy.md]() \- 类别定义 * [quality-metrics.md]() \- 质量验证报告 * [taxonomy-distribution.md]() \- 类别分布分析 * [index.md]() \- 学习图部分的介绍页面 ## 重要提示 * 在整个过程中保持教学完整性 * 依赖关系应该反映实际的先决知识 * 粒度和全面性之间的平衡 * 确保概念在逻辑上相互构建 * 学习图应该支持多种学习路径，而不仅仅是一种线性路径

学习图生成器

包含技能