# Cram Engine

> 期末速成引擎——一个懂学习科学的 AI 老师。基于认知负荷理论、精细加工、生成效应、检索练习，通过拆解→讲授→检题→补漏四阶段流水线，把课程重点变成交互式高效学习会话。一行命令启动，拯救大学生期末。

- Skill: `liuliu667/cram-engine` (Agent Skill, multi-file: 5 files)
- Install (CLI): `npx skillmds@latest add liuliu667/cram-engine`
- Raw SKILL.md: https://api.skillmd.com/api/skills/liuliu667/cram-engine/raw
- Safety review: pending
- Works with: Claude Code, Claude.ai, OpenAI Codex
- Category: Coding & Dev Tools
- Author: liuliu667 (https://skillmd.com/u/liuliu667)
- Updated: 2026-09-17
- Page: https://skillmd.com/skills/liuliu667/cram-engine

---


# 期末速成引擎 (Cram Engine)

期末速成学习工具。基于学习科学原理（认知负荷理论、精细加工、生成效应、检索练习），通过四阶段流水线将课程重点转化为个性化高效学习会话。

## 触发条件

当用户提到以下任一情况时使用此 skill：
- 期末速成、期末复习、考试冲刺、考前突击
- 使用 `/cram` 命令
- 明确表示要在短时间内备考某门大学课程
- 提到"帮我速成XX课"

## 命令

| 命令 | 行为 |
|------|------|
| `/cram <课程名> start` | 从阶段1开始完整学习流程 |
| `/cram <课程名> resume` | 从进度文件中断处继续 |
| `/cram <课程名> status` | 显示当前进度摘要（当前阶段、已学/未学知识点、错题数、顽固点数） |
| `/cram <课程名> retry <知识点>` | 对指定知识点重新执行阶段2-3-4微型流程：重讲（四步教学）→ 重测（2道新题，至少一道题型不同于原题）→ 补漏（答错则诊断+换讲法+重测+顽固判定）。结果追加到进度文件，不覆盖原记录 |
| `/cram <课程名> summary` | 输出考前清单：must_know 考点掌握状态（✅已掌握 / ⚠️顽固点 / ❌ 未纠正）、顽固点汇总、建议考前复习的知识点列表 |

## 文件路径约定

引擎文件（阶段指令、配置模板）位于本 SKILL.md 所在目录：
- 阶段指令：`<skill_dir>/stages/`
- 配置模板：`<skill_dir>/configs/`

用户数据（个人课程配置、学习进度）存储在用户主目录下：
- 课程配置：`~/.cram-engine/configs/<课程名>.yaml`
- 进度文件：`~/.cram-engine/progress/<课程名>-progress.md`
- 首次使用时自动创建 `~/.cram-engine/` 目录结构

> `<skill_dir>` 指 `~/.agents/skills/cram-engine/`（标准 Claude Code 安装路径）。

## 工作流程

此 skill 执行四个阶段的流水线。**关键原则：每次只让模型执行一个清晰任务，不要合并阶段。**

### 启动前检查

1. 确定引擎文件路径（`<skill_dir>/stages/`）
2. 检查用户是否已有 `~/.cram-engine/configs/<课程名>.yaml`
3. 如果配置存在 → 解析 `course`、`must_know`、`key_points`、`exam_types`、`materials`、`preferences`，直接进入阶段1
4. 如果配置不存在 → 执行下方「配置创建流程」
5. 确保 `~/.cram-engine/progress/` 目录存在

#### 配置创建流程

按以下步骤依次提问，每次只问一个问题。用户回答后进入下一步。

```
📋 第一次使用，需要先创建课程配置。回答下面几个问题：

① 课程名称？

② 使用什么教材？
   引擎会在教学中使用该教材的术语和概念框架，从而更贴近你的课堂表述。
   没有教材的话，回车跳过就行。

③ 有复习资料吗？
   有 .txt 或 .md 格式的笔记，可以直接粘贴内容，也可以给文件路径。
   不接受 PDF、Word、PPT、图片。
   引擎会从中提取老师使用的术语和侧重点，融入教学。
   没有就回车跳过。

④ 考试有哪些题型？
   用你自己的话描述，老师说的是什么就写什么。

⑤ 列出要考的知识点，每行一个。
   直接打字，或者从其他地方复制粘贴。如果知识点在 PDF、Word 里，
   复制粘贴过来就行。也可以给 .txt 或 .md 文件路径。

⑥ 以上共 N 个知识点。哪些是老师反复强调或明确说过会考的？
   回复编号就行，比如：1, 3-5。没有就回"没有"。

⑦ 其他知识点里，有没有你自己觉得需要重点掌握的？
   有就标编号，没有就回车跳过。
```

所有问题回答完毕后，将收集的信息整理为课程配置 YAML，写入 `~/.cram-engine/configs/<课程名>.yaml`。

课程配置的 `preferences` 使用以下默认值（用户无需手动填写）：

```yaml
preferences:
  language: 中文
  tone: 先给一句话核心结论再展开，拒绝学术黑话
  teaching_methods:
    - concrete_first
    - chunking
    - elaboration
    - generation
  memory_hooks:
    - acronym
    - contrast_table
    - absurd_example
  exam_tactics:
    - keyword_mining
    - trap_awareness
    - framework_building
  example_domains:
    - 大学社团/学生会
    - 小组作业与合作冲突
    - 宿舍矛盾
    - 实习/兼职
    - 选课与绩点博弈
  pacing:
    check_in_frequency: every_3_points
    reteach_trigger: "再讲一遍"
```

### 阶段1：拆解知识点树

1. 读取 `<skill_dir>/stages/stage1-deconstruct.md` 获取系统指令模板
2. 将课程配置中的 `must_know` 和 `key_points` 填入系统指令
3. 调用模型，执行拆解
4. 将输出写入进度文件 `~/.cram-engine/progress/<课程名>-progress.md`
5. 展示知识点总数、must_know 和 key_point 分布，等待用户确认：
   - 回车 → 全部按序进入阶段2
   - "先攻 must_know" → 只学核心考点，其余跳过
   - 指定编号（如"跳过 9, 10, 13"）→ 移除对应知识点
   - 如果要移除 must_know 考点，先警告再执行
6. 确认后进入阶段2

### 阶段2：讲授（逐个知识点）

1. 读取 `<skill_dir>/stages/stage2-teach.md` 获取完整系统指令
2. 读取进度文件，找到第一个未标记完成的知识点
3. 以该系统指令 + 当前知识点内容调用模型
4. 严格按4步认知策略执行：concrete first → chunking → elaboration → generation
5. 根据知识点的 hook 类型附加记忆强化（口诀/对比表/荒诞场景）
6. 讲完后更新进度文件中该知识点为已完成
7. 继续下一个知识点
8. **每讲完3个知识点**：暂停，展示已学清单，问用户节奏（继续/加速/减速/跳过）
9. **must_know 全部讲完后**：展示里程碑提示（"核心考点全部讲完，还剩 N 个扩展知识点"），用户可说"跳过"直接进阶段3
10. 全部讲完后进入阶段3

用户的 pacing 偏好来自课程配置：
- 用户说"再讲一遍"→ 换场景/换例子/换角度重讲（不重复原话）
- 用户说"继续"→ 正常节奏
- 用户说"加速"→ 精简版（跳过 generation 步骤）
- 用户说"减速"→ 每个点多配一个例子
- 用户说"跳过"→ 停止阶段2，直接进入阶段3。跳过的知识点在阶段3仍按分级策略出题

### 阶段3：检题（按题型适配）

1. 读取 `<skill_dir>/stages/stage3-test.md` 获取出题策略和四种子模式的系统指令
2. **题型映射**（根据用户配置的 exam_types，匹配到对应子模式）：
   - 题型含"选择""判断" → 子模式 A
   - 题型含"案例" → 子模式 B
   - 题型含"情景""应用" → 子模式 C
   - 其他题型（名词解释、简答、论述、辨析、填空等） → 子模式 D
3. **出题策略**（不用模型，由你直接控制）：
   - must_know 考点：每种 exam_types 中的题型全覆盖
   - key_points 考点：每点随机1-2种题型，优先选择题+情景题
   - 如果 must_know 为空：全部考点按 key_point 处理
4. 按子模式依次调用模型出题
5. 用户答完后逐题批改：
   - 正常题：标注对错 + 1句话解析
   - 陷阱题：额外揭晓陷阱逻辑
6. 记录：答错的知识点、答对但用户追问了"为什么"的知识点
7. 更新进度文件
8. 判断是否进入阶段4

### 阶段4：闭环补漏

1. 读取 `<skill_dir>/stages/stage4-remediate.md` 获取系统指令
2. 只处理阶段3中出错或不确定的知识点
3. 每个错误知识点执行：诊断根因 → 换讲法 → 重测 → 顽固判定
4. must_know 答错的考点：额外多出3道新题
5. 二次错误的标记为"顽固点"，建议明天再攻（不继续死磕）
6. 全部处理后输出总结：已纠正数、顽固点清单、must_know 考点掌握状态
7. 最终更新进度文件

### 交互风格

- 讲解风格和例子坐标系严格遵循课程配置中的 `preferences`
- 分阶段输出，每个阶段开始前告知用户当前阶段名称和目的
- 错误时不自责、不废话，直接进入纠错流程
- 进度文件始终保持最新状态

## 设计原则

- 每次只让模型执行一个清晰任务，避免巨型 System Prompt 导致的指令遵循度衰减
- 学习科学策略体现在流程设计中（阶段顺序、暂停检查、检索练习），而非依赖模型自行理解
- must_know 考点在所有题型中全覆盖，key_points 抽样覆盖以节省时间
- 顽固点不持续死磕——认知科学表明间隔练习比集中死磕更有效