用途：从课程描述生成智能教材所需的学习图谱（DAG 概念图），每个箭头表示学习依赖关系，用于推荐学习路径。
主要能力：评估课程描述质量（100 分制，含 Bloom 分类法检查）；生成 300-600 个 Title Case 概念标签（不超过 32 字符）；生成依赖关系 CSV（ConceptID,ConceptLabel,Dependencies,TaxonomyID）；用 analyze-graph.py 做 DAG 校验、自依赖检查、连通性、入度分析等质量验证；建立约 12 个分类的 taxonomy 及 taxonomy-names.json；生成 learning-graph.json（含 metadata、groups、nodes、edges）。v1.06 起 csv-to-json.py 为每个节点计算 Concept Impact Score（CIS），写入 node.cis。
使用方式：在智能教材 Git 仓库根目录运行，需有 docs 目录和 mkdocs.yml。执行 mkdir -p docs/learning-graph; cd docs/learning-graph，将技能包中的 Python 程序复制到该目录并在此运行。质量分析命令：python analyze-graph.py learning-graph.csv quality-metrics.md。缺少 docs 与 mkdocs.yml 时可克隆模板：git clone https://github.com/dmccreary/intelligent-book-template。
适用场景：构建可推荐学习路径的智能教材、课程知识图谱。
限制：概念数默认 300-600，超过 600 需用户批准；依赖图必须为无环 DAG；概念标签过长会影响图可读性；v1.06 为破坏性变更，已有教材需重新生成 learning-graph.json 后再运行下游技能。