课程完整度与双维对齐
同时满足学术严谨性与行业实用性
学术大纲对齐 (Academic Fidelity)
- 100% 覆盖 SCUT 计算机本科教学大纲
- 知识点颗粒度达到原子化
- 术语严谨，原理清晰
- 无遗漏任何教学基本要求
- KPN映射：所有知识点必须映射到KPN，建立与课程、章节、前置知识的关系
行业时效性对齐 (Industry Modernization)
- 引入 24 个月内的大厂最新实践
- 工具流和技术栈保持主流水平
- 剔除工业界已替代的陈旧方案
- 连接学术理论与工程现状
- KPN同步：行业新知识应及时更新到KPN，标记知识点生命周期状态
我们如何确保内容既能通过期末考，又能通过大厂面试？
一、课程单元：原子化架构规格
每个独立的课程单元必须遵循以下 5 层结构模型
认知启发层 (Hook & Why)
标准：用 200 字以内的文字或一个"痛点场景"引入，拒绝枯燥定义。
设计理念：从真实场景引入，让学生感受到"为什么需要这个知识点"，而不是被动接受定义。激发好奇心，建立学习动机。
直觉语义层 (Conceptual Clarity)
标准：使用图形化的比喻，严禁仅使用纯数学定义。
组件要求：必须包含一个 Mermaid 流程图或 SVG 示意图。
交互式实验室 (The Sandbox / RRM Model)
必须实现 RRM (Read-Run-Modify) 闭环：
展示符合 Clean Code 规范的示例代码
强制配备自动代码沙盒，即时运行环境
显式标注"尝试将 X 改为 Y"的练习任务
新框架要求
实验室应支持解题与出题两种模式：
- 解题模式：学生主动选择、探索和解决问题，系统提供知识溯源和过程分析。
- 出题模式：学生基于知识点网络(KPN)设计和构造新题目，系统提供题目质量评估。
深度推演层 (Deep Dive)
标准：提供原理详解、时间/空间复杂度分析。
排版要求：使用 blockquote 突出关键结论。
数组的核心优势是 O(1) 随机访问，但插入和删除操作在最坏情况下需要 O(n)。
自动化评测层 (Assessment)
标准：包含至少 2 个即时反馈的单选题或填空题。
新框架要求
- 删除传统"做题"环节：不再提供被动完成的预设题目。
- 引入"解题"环节：学生主动选择问题，系统通过KPN提供知识溯源、前置知识提示、关联知识点探索。
- 引入"出题"环节：学生基于KPN设计新题目，系统提供题目质量评估（清晰性、知识点覆盖、难度合理性等）。
- 过程导向：评测应关注解题过程而非仅结果，记录解题路径、尝试次数、知识点调用序列等。
传统评测示例（仅供参考）：
二、课程内容范围与颗粒度标准 v2.2新增
基于《数据结构》课程实践经验，定义课程边界、知识点颗粒度、学习阶段与路径标准
1. 课程定位与边界清晰化
核心原则
- 单一职责原则：每门课程必须有明确的、单一的核心主题，避免跨课程内容混杂
- 清晰边界：课程之间的边界必须清晰，相关但不同的主题应分属不同课程
课程命名与ID规范
| 课程ID后缀 | 课程名称 | 示例知识点ID |
|---|---|---|
-ds |
数据结构 | array-ds, tree-ds |
-ad |
算法设计 | sorting-algorithm-ad |
-python |
Python编程 | var-python, class-python |
-cpp |
C++编程 | var-cpp, class-cpp |
-os |
操作系统 | process-os |
-cn |
计算机网络 | tcp-cn |
2. 知识点颗粒度划分标准
四层颗粒度模型
课程级主题，跨章节的大概念，不单独创建学习单元
章节级知识点，独立的数据结构或算法，必须创建学习单元
具体操作或子概念，可选创建学习单元
最小操作单元，具体方法，不单独创建学习单元，整合到父知识点
学习单元创建标准
必须创建（中观层）
- 独立的数据结构或算法
- 教学大纲中的独立章节
- 有完整的概念、操作、应用场景
- 学习时长 ≥ 1课时（45分钟）
可选创建（微观层）
- 特定操作或技术
- 使用频率高
- 应用场景丰富
- 有独立的学习价值
不应创建（细粒度层）
- 具体方法或函数
- 过于琐碎的操作
- 应整合到父知识点中
3. 学习阶段划分标准
阶段数量建议：5-7个学习阶段
| 课程类型 | 阶段数量 | 每阶段知识点数 | 每阶段估计时长 |
|---|---|---|---|
| 基础课程 | 5-6个 | 2-4个 | 1-3周 |
| 编程课程 | 4-5个 | 2-3个 | 1-2周 |
| 理论课程 | 6-7个 | 2-3个 | 1-2周 |
阶段命名原则
- 描述该阶段的核心主题
- 体现知识的递进关系
- 避免使用其他课程的术语
- 示例：✅"线性结构" ✅"树与层级结构" ❌"算法思想与应用"
4. 学习路径课程标准
三种标准路径
教学大纲路径
静态预定义，固定、系统、完整
- 覆盖核心必修+关键技能
- 按前置依赖顺序排列
- 涵盖60-80%的课程知识点
- 长度：10-20个知识点
AI推荐路径
混合模式，个性化、高频、实用
- 侧重高频使用、实践应用
- 可跳过部分理论性强的知识点
- 考虑学生当前学习状态
- 长度：8-15个知识点
综合路径
静态预定义，全面、深入、完整
- 包含所有核心知识点
- 从基础到高级，完整覆盖
- 覆盖核心+技能+扩展
- 长度：20-30个知识点
5. 数据结构课程最佳实践总结
成功经验
- 明确课程边界：删除所有算法内容
- 统一命名规范：所有节点使用
-ds后缀 - 合理颗粒度：22个知识点，涵盖基础到高级
- 完整学习路径：3条路径，适应不同需求
- 6个学习阶段：递进合理
- 新增微观知识点：字符串、双端队列、优先队列等
需要避免的问题
- 课程内容混杂：数据结构和算法混在一起
- 命名不一致：
recursion-algorithmvsrecursion-ds - 知识点缺失：重要微观知识点未创建
- 学习阶段不当：包含其他课程内容
- 学习路径错误：AI推荐路径包含算法节点
- 文件不同步：KPN、阶段、路径不一致
三、知识点网络 (KPN) - 构建知识图谱
通过知识点网络，帮助学生理解知识间的关联，构建结构化的知识体系
知识点网络要求 (KPN Requirements)
构建结构化、语义化的知识图谱
知识点标注
每个课程单元必须明确标注其涉及的知识点，并与KPN中的节点建立映射关系。
关系定义
必须定义知识点之间的前置关系、组成关系、应用关系等，形成知识图谱。
层级划分
知识点应具有多层级结构，内部用于内容设计（macro/medium/micro/fine-grained），对学习者展示建议采用更直观的分类：课程主题（概览）/ 核心必修（主干知识点）/ 关键技能（高频操作）/ 细节技巧（不单列单元）。
动态更新
知识点应标注其状态（活跃、已过时、待更新），并支持版本管理。
四、学习生态与AI辅助
以学生为中心，AI为智能伴侣，打造完整的学习生态系统
1. 学习行为数据追踪
删除"打卡"环节
取消强制性的打卡机制，改为隐式学习进度追踪。将激励机制与深度学习成果（解题质量、出题创新性、知识点掌握度）挂钩。
行为数据记录
系统应记录学生的解题耗时、解题路径、出题质量、知识点访问频率等行为数据，进行隐式参与度评估。
2. AI辅助分析模块
替代传统"导师答疑"：通过侧边栏提供实时的、个性化的AI学习伴侣，随时解答疑问、诊断错误、引导思考。
错误诊断与提示
分析学生解题过程中的错误，提供渐进式提示而非直接答案。
知识溯源
当学生遇到困难时，通过KPN识别前置知识，推荐相关学习资源。
解题策略引导
引导学生从不同角度思考解题策略，推荐替代方案。
出题质量评估
评估学生设计的题目质量（清晰性、知识点覆盖、难度合理性），提供改进建议。
个性化解释
根据学生理解水平调整解释的复杂度和用词。
课程范围检测
检测用户问题是否超出当前课程范围，提供友好引导和建议。
3. 个性化学习路径推荐
基于KPN的路径规划：根据学生当前知识状态和KPN结构，动态推荐学习路径。必须满足前置知识约束、课程结构约束、学生能力约束。
4. 即时反馈
交互反馈
所有交互操作（运行代码、解题、出题）必须触发 Toast 级联通知或视觉激励。
过程反馈
不仅提供结果反馈，更要提供过程反馈（解题路径分析、知识点调用序列等）。
五、新框架核心组件
四大核心组件，构建完整的智能学习体验
知识点网络 (KPN)
构建结构化、语义化的知识图谱，支持知识点标注、关系定义、层级划分和动态更新。
- 数据来源：教材、技术文档、社区、论文等
- 本体设计：定义知识点类型和关系类型
- 动态更新：支持版本管理和生命周期管理
解题系统
支持学生主动选择、探索和解决问题，提供知识溯源和过程分析。
- 知识溯源：前置知识提示、关联探索
- 过程分析：记录解题路径、尝试次数
- AI辅助：实时错误诊断、策略引导
出题系统
引导学生基于KPN设计和构造新题目，提供题目质量评估。
- KPN驱动：从知识点网络选择考点
- 质量评估：清晰性、覆盖度、难度
- 迭代优化：结构化反馈和改进建议
学习行为数据分析
记录和分析学生的学习行为，为AI辅助分析提供数据支持。
- 数据收集：解题、出题、访问行为
- 数据分析：掌握度建模、偏好识别
- 可视化：学习状态展示
六、技术架构概览
简要说明支撑平台的核心技术特点
系统架构图
从用户层到AI层的完整技术栈
核心技术特点
模块化架构
核心模块、UI组件、课程逻辑三层分离，支持独立开发和测试
响应式设计
移动端、平板、桌面全适配，确保在任何设备上都有良好体验
AI驱动
集成大语言模型，提供智能对话、错误诊断、学习路径推荐等功能
主题系统
深色/浅色主题无缝切换，符合WCAG AA无障碍标准
标准执行保障
本文档受 LunaStudy 自动执行脚本保护，任何偏离此标准的开发操作应触发警告。我们致力于打造既符合学术严谨性，又紧跟行业前沿的下一代计算机自主学习平台。
版本历史
- v2.3 (2026-01-19)：📝 文档优化 - 转变为教育产品文档，聚焦课程设计理念和产品功能，大幅简化技术实现细节（从11章节精简为7章节），更适合教育工作者、产品团队和学习者阅读
- v2.2 (2025-01-18)：✨ 重大更新 - 添加"课程内容范围与颗粒度标准"章节，基于《数据结构》课程完整实践经验，定义课程边界、知识点颗粒度、学习阶段、学习路径等核心标准
- v2.1 (2025-01)：添加详细的HTML结构模板、初始化流程、AI实现规范、LessonUnitManager使用规范
- v2.0 (2025-01)：基于新学习框架理念更新，引入KPN、解题/出题系统、AI辅助分析
- v1.0 (2024)：初始版本，定义5层原子化架构