LunaStudy - 课程设计标准

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。

AI 指令：Generate a real-world problem that leads to the necessity of [KnowledgePoint].

示例：如果你有一排储物柜，每个柜子都有编号，你如何最快地找到第 N 个柜子里的东西？数组就是计算机内存中的储物柜。

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。

graph LR A[认知启发] --> B[直觉语义] B --> C[交互实验室] C --> D[深度推演] D --> E[自动化评测]

交互式实验室 (The Sandbox / RRM Model)

核心

必须实现 RRM (Read-Run-Modify) 闭环：

Read

展示符合 Clean Code 规范的示例代码

Run

强制配备自动代码沙盒，即时运行环境

Modify

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）：

Q: 数组的随机访问时间复杂度是？

Q: 在数组末尾插入元素的时间复杂度是？

二、技术实现规范

确保 AI IDE 生成的代码可直接运行并符合平台审美

视觉契约 (Visual Contract)

使用 theme.js 定义的 CSS 变量
WCAG AA 标准：对比度 ≥ 4.5:1
支持 clamp() 字体缩放
现代玻璃拟态 (Glassmorphism) 风格

交互契约 (Interaction Contract)

非首屏资源延迟加载
全局错误处理钩子
响应式触摸交互
流畅的动画过渡

国际化契约 NEW

中英双语体系
媒体素材双语字幕
根据用户区域自动调整
代码注释本地化

关键约束

项目	浅色模式	深色模式
次级文本颜色	严禁高于 `#4b5563`	严禁低于 `#cbd5e1`
文字背景	严禁在未经过 `backdrop-filter: blur()` 处理的复杂背景上放置文字

三、知识点网络 (KPN) 集成与内容对齐

新框架以知识点网络为核心，所有课程内容必须与KPN深度集成

🕸️

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（宏观层、中观层、微观层、细粒度层），支持不同粒度的学习路径规划。

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。

内容完整度与双维对齐

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？

四、AI IDE 协同指令集

当通过 AI 助手开发新课程时，必须将本段作为 System Context 注入

[Directive: CONTENT_GEN]

"在生成 [课程名] 的内容时，请强制检查 `课程单元原子化架构`。同时必须执行 **内容完整度双维对齐**：检索并融入至少一个 24 个月内的行业实际案例。如果缺少 RRM 模型、可视化图表或行业背景推演，请重新生成。所有知识点必须标注并映射到KPN，建立知识点之间的关系。"
                    

[Directive: CODE_GEN]

"所有新页面的导航栏必须包含：1. 网站首页链接 2. 主题切换按钮 3. 移动端汉堡菜单。必须引入 `theme.js` 以保持全局状态同步。"
                    

[Directive: VISUAL_GEN]

"优先使用 CSS 动画实现数据结构的可视化。如果逻辑复杂，请在 JS 中定义一个可视化映射对象 `visualizations`，并在 Canvas 或 DOM 容器中渲染。"
                    

五、质量保障 (QA) 检查清单

在宣布课程开发完成前，AI 需要自检以下项目

大纲匹配

是否完全覆盖了对应校内课程的核心考核点与术语？

行业对齐

Deep Dive 章节是否包含了 24 个月内的主流工程实践或技术演进说明？

RRM 验证

代码示例是否可以在当前页面环境下直接成功运行？

暗色模式

切换全站主题后，课程卡片和文字对比度是否符合 WCAG AA 标准？

KPN集成

所有知识点是否已标注并映射到KPN？知识点关系是否正确定义？

解题系统

是否提供了解题功能，支持知识溯源和过程分析？

出题系统

是否提供了出题功能，支持题目质量评估？

教育闭环

是否包含了"认知引出-标准实践-行业推演-解题/出题-AI辅助分析"的完整链路？

六、学习生态与AI辅助分析

新框架强调"以学生为中心，AI为辅助"

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"：在 Deep Dive 下方集成 AI 辅助分析模块，提供实时的、个性化的支持。

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。

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）。

七、新框架核心组件说明

新学习框架的核心技术组件

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

🎯

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

v2.0 (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