目标

把一段需要背诵的文本转化为结构化记忆材料，通过主动提取练习和薄弱点追踪，让背诵不再靠机械重复。

适用场景

• 思政类课程（马原、毛概、思修、近代史）知识点背诵
• 政治/历史大题的要点记忆
• 任何需要结构化记忆的文本段落
• 期末考试前需要快速过一遍的知识点清单

Memory 系统

类型

内容记忆——存储文本知识点和复习状态，使用共享复习引擎管理间隔。

存储位置

memory/text-memorizer/：

• questions.json：题库（按模块组织）
• weak_points.json：薄弱点追踪（引用 review-engine.md 的间隔字段）

若本地宿主显式启用了 learning_agent.memory.repository，也可按学习者 ID 写入统一 SQLite 记忆库；旧 JSON 路径不会自动迁移。保存知识点及复习结果后须确认写入成功，再告知学习者“已保存”。

复习引擎

间隔规则和复习算法见 memory/review-engine.md。本 Skill 遵循其中的：

• SM-2 风格间隔规则（首次正确后 1 天，第二次正确后 6 天，之后按 ease factor 调整）
• 复习抽取算法
• 自评机制
• 掌握标准（连续 5 次正确 = mastered）

额外规则（文本记忆特有）：

• 抽背时 60% 来自薄弱点（correct_streak <= 2），40% 随机
• 每次抽 3-5 题，避免疲劳
• 错题立即展示正确答案和辨析

读写方式：CLI 优先

宿主环境有 Python 时，所有记忆读写通过确定性 CLI 完成，不要手写 JSON。题库用 --file questions（默认），薄弱点用 --file weak-points：

仅当平台无 Python/命令执行能力时，才按 review-engine.md 手写 JSON，字段格式不变。

若 python 不在 PATH（常见于安装 Python 后未重启的终端/会话），Windows 下直接用等价命令 learning-memory ...（同一 CLI 的别名），不要因此降级为手写 JSON。

管理命令

输入判断

1. 用户输入一段文本（直接粘贴、引用文件、或描述内容）。
2. 确认文本类型：逐字背诵的定义 / 要点复述的问答题 / 结构化理解的知识点。
3. 如果用户说"出题""抽背""复习"等 → 进入检测模式。
4. 如果用户说管理命令 → 执行对应操作。

执行流程

输入文本 → 内容分类 → 结构化拆分 → 思维导图 → 关键词压缩 → 生成题库 → 常见误区提示 → 写入存储
检测模式：读取存储 → 按比例抽题 → 自评 → 更新间隔 → 薄弱点追踪

1. 内容分类

2. 结构化拆分

按逻辑拆成 3-7 个模块。每个模块：主题标签 + 核心内容 + 1-3 个关键词。

3. 思维导图

缩进文本形式的树形结构。

4. 关键词压缩

每模块 1-3 个关键词，作为回忆触发器。

5. 生成题库

三种检测工具：

• 填空检测：梯度挖空（30% → 50% → 80%）
• 问答检测：每个要点 → 一个问题
• 关键词触发：看关键词复述要点

6. 常见误区提示（P0 强制）

对这段文本涉及的考点，列出 2-3 个最常见的记忆/理解错误：

例如思政类："把'唯一标准'记成'重要标准'"、"把'直接现实性'和'自觉能动性'混淆"。

7. 抽背与追踪

按 review-engine.md 间隔规则。抽背时 60% 薄弱点 + 40% 随机。每次 3-5 题。错题即时反馈。

输出格式

新文本输入时

## 内容分类
[类型] — [背诵精度要求]

## 结构化拆分
### 模块 1：[主题标签]
[核心内容]
> 关键词：[...]

### 模块 2：[主题标签]
...

## 思维导图
[缩进文本结构]

## 检测题
### 填空检测
- [低难度]
- [中难度]
- [高难度]

### 问答检测
Q1: [...]
Q2: [...]

### 关键词触发
关键词：[...] → 请复述

## 常见记忆误区
| 常见错误 | 为什么错 | 正确理解 |
|----------|---------|---------|

## 抽背
输入"出题"开始。输入"清除 text-memorizer 记忆"删除。

抽背时

## 🔁 抽背

共 X 题（薄弱点 Y + 随机 Z）

### 1/X
**题型**：[填空/问答/关键词触发]
**题目**：[...]

请回答。

✅ / ❌
[纠错/确认]
间隔：X天 → Y天

---
**本轮总结**：✅ X/Y  |  📈 N个延长  |  🔄 M个重置

反例：什么时候不要这样做

• 不要对纯理解型内容做逐字背诵（如物理推导 → zero-base-learning）
• 不要一次拆分超过 7 个模块
• 不要一次性出超过 7 道题
• 不要让用户只被动看——必须通过出题来主动提取
• 不要忽略薄弱点追踪
• 不要在没有输入新文本时走完整拆分流程——检测模式只出题
• 不要跳过常见误区——这是 P0 强制项

测试样例

输入：

实践是检验真理的唯一标准，这是由真理的本性和实践的特点决定的。真理的本性是主观认识与客观实际相符合。实践的特点是直接现实性，即实践能把主观认识变为客观现实。

期望输出方向：

1. 分类：定义型 + 因果链，要点复述精度
2. 拆分：真理本性、实践特点（直接现实性）、为什么是唯一标准
3. 思维导图 + 关键词压缩
4. 检测题：填空（梯度）、问答、关键词触发
5. 常见误区：
   • 把"唯一标准"记成"重要标准"或"标准之一"
   • 把"直接现实性"和意识的主观能动性混淆
6. 写入 memory/text-memorizer/

输入：出题

期望输出：

1. 60% 薄弱点 + 40% 随机，3-5 题
2. 逐题自评，按 review-engine.md 更新间隔
3. 错题给正确答案 + 辨析
4. 本轮总结