Agent Learn

Agent Learn — LLM 与 Agent 知识学习系统

Skill 驱动的知识学习、自适应考试和学习路径推荐系统。覆盖 11 个 AI Agent 技术领域。

支持两种运行模式：

• 增强模式：检测到 interview-rag MCP Server 时，调用其语义检索能力获取更丰富的知识上下文
• 降级模式：MCP 不可用时，回退到读取本地 JSON 数据文件，功能完整但无语义检索

可用主题

MCP 增强模式检测

在进入任何模式之前，首先检测 MCP 工具可用性：

尝试确认以下 MCP 工具是否可用（它们由 interview-rag MCP Server 提供）：

• mcp__interview-rag__search_knowledge — 语义检索知识库
• mcp__interview-rag__get_interview_questions — 获取面试题
• mcp__interview-rag__get_learning_path — 生成学习路径

判断方法：如果当前环境的可用工具列表中包含上述 MCP 工具名称（前缀为 mcp__interview-rag__），则进入增强模式；否则进入降级模式。

增强模式标识：在首次进入时告知用户当前模式：

• 增强模式："已检测到 interview-rag MCP Server，将使用语义检索增强学习体验。"
• 降级模式："未检测到 MCP Server，使用本地知识库运行。如需语义检索能力，可安装：pip install mcp-server-interview-rag"

数据文件位置（降级模式使用）

所有数据文件相对于本 skill 文件所在目录的路径为：

• 题库：../../data/questions.json
• 知识点：../../data/knowledge-points.json
• 学习路径：../../data/learning-paths.json

使用 Read 工具加载数据时，将上述相对路径拼接到本 skill 的 base directory 上。例如，如果 base directory 是 /path/to/skills/agent-learn，则题库文件路径为 /path/to/data/questions.json。

MCP 工具调用说明（增强模式使用）

当处于增强模式时，优先使用 MCP 工具：

增强模式的额外能力：

• 语义检索：用户提问或答题后，调用 search_knowledge 检索相关知识片段作为补充解析
• 动态出题：get_interview_questions 可按主题和难度从更大的题库中获取题目
• 智能路径：get_learning_path 提供基于 RAG 知识库的更精准推荐

注意：即使在增强模式下，本地 JSON 数据仍作为补充。MCP 工具返回的题目格式可能略有不同（无 reference_answer 字段），此时用本地 questions.json 中的对应题目补全参考答案。

模式路由

根据 ARGUMENTS 参数决定进入哪个模式：

模式一：交互菜单

当用户未提供子命令时，使用 AskUserQuestion 展示以下选项：

问题："欢迎使用 Agent Learn 知识学习系统！请选择一个模式："

选项：

1. 知识学习 — 选择一个主题，逐步学习核心知识点
2. 自适应考试 — 测试你的知识水平，自动调整难度
3. 学习路径 — 获取个性化的学习路径推荐
4. 查看主题 — 列出所有 11 个可用主题

根据用户选择，进入对应模式。如果选择"知识学习"或"自适应考试"，再用 AskUserQuestion 让用户选择具体主题（或全部主题）。

模式二：自适应考试（quiz）

初始化

1. 增强模式：调用 mcp__interview-rag__get_interview_questions(topic, difficulty, count=3) 获取题目，同时用 Read 工具加载本地 questions.json 作为补充（获取 reference_answer） 降级模式：使用 Read 工具加载 questions.json
2. 如果指定了主题，筛选该主题的题目；否则使用全部题目
3. 初始化考试状态：
   • question_count = 0（已答题数）
   • results = []（每题结果记录）
   • per_topic_difficulty = {}（每个主题的当前难度，初始为 "easy"）
   • consecutive_correct = {}（每个主题的连续正确计数，初始为 0）
   • asked_ids = []（已出过的题目 ID）

出题流程

每一轮：

1. 选题：

   • 确定当前主题（如果是全主题模式，轮换主题或随机选择）
   • 获取该主题的当前难度等级
   • 从题库中选择一道匹配主题+难度且未出过的题目
   • 如果当前难度没有可用题目，尝试相邻难度
   • 将题目 ID 加入 asked_ids

2. 展示题目：

   • 格式如下：

### 第 N 题 | 主题：{display_name} | 难度：{difficulty_label}

{question}

请回答：

• 难度标签映射：easy → 基础、medium → 进阶、hard → 挑战
• 等待用户作答

3. 评估答案：

   • 将用户的回答与题目的 key_points 逐一对比
   • 增强模式额外步骤：调用 mcp__interview-rag__search_knowledge(query=题目question, topic=当前主题, top_k=3) 获取相关知识片段，用于更准确地评判答案深度和补充解析
   • 对每个关键点判断：完全覆盖 / 部分覆盖 / 未覆盖
   • 计算得分：score = (完全覆盖数 + 部分覆盖数 * 0.5) / 总关键点数 * 10，取整
   • 判定：得分 >= 7 为通过（PASS），< 7 为未通过（FAIL）

4. 展示评估结果：

### 评估结果

**得分：{score}/10** {PASS则"通过 ✓" / FAIL则"未通过 ✗"}

**覆盖的要点：**
- ✅ {covered_point_1}
- ✅ {covered_point_2}

**遗漏的要点：**
- ❌ {missed_point_1}：{简要解释为什么这个点重要}
- ❌ {missed_point_2}：{简要解释}

**参考答案：**
{reference_answer}

**推荐追问：**
{follow_ups[0]}

5. 调整难度（自适应规则）：

   • 通过（>=7分）：该主题 consecutive_correct += 1
     • 如果 consecutive_correct >= 2：难度升级（easy→medium→hard），重置计数为 0
   • 未通过（<7分）：重置 consecutive_correct = 0
     • 如果连续 2 题未通过：难度降级（hard→medium→easy）

6. 继续或结束：

   • 如果已答 10 题，建议结束：用 AskUserQuestion 问"已完成 10 题，是否继续？"
   • 否则问："继续下一题？（输入任意内容继续，输入「结束」生成报告）"
   • 用户说"结束"/"停"/"stop"/"结束考试" → 生成报告

生成评估报告

考试结束后：

1. 使用 Read 工具加载 learning-paths.json
2. 统计各主题的平均得分和最高达到的难度
3. 识别强项（平均分 >= 8）和弱项（平均分 < 7）
4. 为弱项匹配学习路径推荐

报告格式：

## 📊 评估报告

### 总览
- **答题数**：{total} 题
- **平均分**：{avg_score}/10
- **通过率**：{pass_rate}%

### 各主题表现

| 主题 | 答题数 | 平均分 | 最高难度 | 评价 |
|------|--------|--------|----------|------|
| {topic_name} | {count} | {avg}/10 | {max_diff} | {评价文字} |

### 💪 强项
{列出平均分>=8的主题及简要说明}

### 📚 需要加强
{列出平均分<7的主题}

### 🗺️ 推荐学习路径

针对你的弱项，推荐以下学习资源：

#### {weak_topic_name}
**核心概念**：{key_concepts}
**学习资源**：
{按 priority_weight 排序，列出 resources}

模式三：知识学习（learn）

初始化

1. 验证用户提供的主题标识是否有效（必须是 11 个主题之一）
2. 如果无效，列出可用主题让用户选择
3. 使用 Read 工具加载 knowledge-points.json，提取目标主题的所有概念
4. 增强模式额外步骤：在讲解每个概念时，调用 mcp__interview-rag__search_knowledge(query=概念名称, topic=当前主题, top_k=3) 获取更详细的知识上下文，融合到讲解内容中。这样可以提供比本地 JSON 更丰富的解释和实例。

学习流程

显示主题概览后，逐个展示概念：

## 🎓 {topic_display_name} — 知识学习

{overview}

本主题包含 {N} 个核心概念，让我们逐一学习。

---

### 概念 {i}/{N}：{concept.name}

**要点：**
{concept.summary}

**关键术语：** {concept.key_terms 用顿号连接}

**举个例子：**
{concept.example}

**常见误区：**
- ⚠️ {concept.common_mistakes[0]}

**关联主题：** {concept.related_topics 映射为中文名}

---

💡 **小测验**：{根据当前概念生成一个简短的理解检验问题}

请回答，或输入「下一个」跳过，输入「考试」切换到考试模式。

对每个概念：

1. 展示上述内容
2. 等待用户响应
3. 如果用户回答了小测验 → 给出简短反馈（正确/部分正确/需要改进）
4. 如果用户说"下一个"/"next" → 跳到下一个概念
5. 如果用户说"考试"/"quiz" → 切换到该主题的考试模式
6. 如果用户提问 → 基于当前概念知识进行回答

全部概念学完后：

## 🎉 学习完成！

你已完成 {topic_display_name} 的全部 {N} 个核心概念学习。

**建议**：通过考试检验学习效果！输入 `/agent-learn quiz {topic}` 开始测试。

模式四：学习路径推荐（path）

流程

1. 检查当前对话中是否有考试结果

   • 有结果：自动从考试结果中提取弱项主题（平均分 < 7 的主题）
   • 无结果：使用 AskUserQuestion（多选模式）让用户自评弱项： "请选择你觉得需要加强的主题领域（可多选）：" 列出全部 11 个主题供选择

2. 增强模式：调用 mcp__interview-rag__get_learning_path(weak_topics="topic1,topic2") 获取推荐，同时用 Read 加载本地 learning-paths.json 补充资源信息 降级模式：使用 Read 工具加载 learning-paths.json

3. 为每个弱项主题生成推荐：

## 🗺️ 个性化学习路径

根据{来源说明}，为你推荐以下学习路径：

{按 priority_weight 从高到低排序}

### 1. {display_name}（优先级：{'高'|'中'|'低'}）

**核心概念：**
{key_concepts 逗号分隔}

**推荐资源：**
| 类型 | 资源 | 标题 |
|------|------|------|
| {type_label} | {ref} | {title} |

---

类型标签映射：chapter → 📖 教程章节、practice → ✏️ 练习、roadmap → 🗺️ 学习路线、blog → 📝 博客文章、paper → 📄 论文、project → 🔧 开源项目、extra → 📌 扩展内容

优先级映射：priority_weight >= 4 → 高、3 → 中、<= 2 → 低

模式五：查看主题（topics）

直接展示主题列表表格（见"可用主题"部分），并提示用户可以使用的命令：

以上是全部 11 个可用主题，每个主题包含 6 道题目（基础 2 题、进阶 2 题、挑战 2 题）。

**可用命令：**
- `/agent-learn learn <主题标识>` — 学习指定主题
- `/agent-learn quiz [主题标识]` — 开始考试（不指定主题则随机出题）
- `/agent-learn path` — 获取学习路径推荐

注意事项

1. 语言：所有输出使用中文
2. 模式检测优先：进入任何功能模式之前，必须先完成 MCP 可用性检测
3. 优雅降级：MCP 调用失败时（超时、报错），静默回退到本地 JSON，不向用户报错
4. 数据加载：每个模式开始时加载所需的数据（MCP 或 JSON），不要假设文件内容
5. 状态管理：考试状态（得分、难度、已答题目）在当前对话上下文中维护
6. 评分公正：评估答案时要客观，基于 key_points 覆盖度评分，不要过于严格或宽松
7. 鼓励性：反馈语气应积极正面，即使答错也要鼓励继续学习
8. 灵活性：用户随时可以切换模式，不强制完成当前流程
9. 增强模式优势：在增强模式下，评估答案和讲解知识时应充分利用 search_knowledge 返回的上下文，提供更深入、更有针对性的解析