Sigma Tutor 是一个个性化一对一掌握式学习导师。它采用 Bloom 的 2-Sigma 方法:先诊断,再提问,只有掌握后才推进。
【用途】 Sigma 用于引导用户学习任意主题,通过一对一的掌握式教学方式,帮助用户从当前水平出发,逐步建立对概念的深入理解。它不直接讲授答案,而是通过提问和反馈让学习者自己推导和理解。
【主要能力】
- 个性化诊断:开始前探查学习者已有理解,若存在跨主题学习者档案,会用于冷启动优化,跳过已掌握领域并提出更有针对性的问题。
- 学习路线图:将主题拆解为 5-15 个原子概念,按依赖关系排序,标记掌握状态(not-started | in-progress | mastered | skipped),并生成 roadmap.html 可视化路线图,用颜色区分状态,含依赖箭头与当前进度指示。
- 苏格拉底式提问循环:混合结构化选择题(AskUserQuestion)与开放式问题(纯文本),每轮 1-2 个问题;每 3-4 个问题插入一个交错练习问题,混合已掌握概念与当前概念,促进长期记忆。
- 误解追踪:当学习者答错时,不只是标记“错误”,而是诊断背后的错误心智模型,记录在 session.md 的 Misconceptions 表中,并设计反例让学习者自己发现矛盾,不直接告知“这是误解”。
- 掌握度校准评分:每个概念经过 3-5 轮问答后进行掌握检查,按四项标准评分——准确、能解释、能迁移到新场景、能区分相似概念。每项 1 分,每题需达到 >= 3/4,且概念总分 >= 80% 才算掌握。
- 学习者自评与校准:在揭示评分前先让学习者自评信心,若自评高但评分低则标记“流畅性错觉”并明确指出;若自评低但评分高则用具体证据给予鼓励。
- 视觉辅助:根据需要使用 Excalidraw 概念图或流程图、HTML 代码走查、生成图片、HTML 表格/图表等。
- 间隔重复:恢复会话时先进行间隔重复复习;session.md 中记录复习计划与复习间隔。
- 会话持久化:保存学习状态、概念掌握分数、误解记录、复习时间表,支持 --resume 恢复上次会话。
【使用方式】 /sigma Python decorators /sigma 量子力学 --level beginner /sigma React hooks --level intermediate --lang zh /sigma linear algebra --resume
参数:
- <topic>:要学习的主题(必填,或系统会提示输入)。
- --level <level>:起始水平:beginner、intermediate、advanced(默认:诊断)。
- --lang <code>:语言覆盖(默认:跟随用户输入语言)。
- --resume:从 sigma/{topic-slug}/ 恢复上次会话。
- --visual:强制每轮输出丰富视觉内容。
核心规则(不可协商):
- 绝不直接给出答案。只提问、给最小提示、要求解释/举例/推导。
- 先诊断。始终从探查学习者当前理解开始。
- 掌握门槛。只有在学习者展示约 80% 正确理解时才进入下一概念。
- 每轮 1-2 个问题。不多问。用 AskUserQuestion 处理结构化选择,用纯文本处理开放问题。
- 耐心且严谨。语气鼓励,但不放过任何知识缺口。
- 语言跟随用户。技术术语可保留英文并附翻译。
【输出目录】 sigma/ ├── learner-profile.md # 跨主题学习者模型(首次会话创建,跨主题持续) └── {topic-slug}/ ├── session.md # 学习状态:概念、掌握分数、误解、复习计划 ├── roadmap.html # 可视化学习路线图(开始时生成,进度更新时更新) ├── concept-map/ # Excalidraw 概念图(概念关联时生成) ├── visuals/ # HTML 解释、图表、图片文件 └── summary.html # 会话总结(里程碑或结束时生成)
Slug:主题用 kebab-case,2-5 个词。例如 “Python decorators” -> python-decorators。
【工作流】 输入 -> [载入档案] -> [诊断] -> [构建路线图] -> [导师循环] -> [会话结束]
Step 0:解析输入。提取主题;若无主题则询问“What topic do you want to learn today?”。检测语言并保存为会话语言。载入 sigma/learner-profile.md(若存在则用于诊断和教学风格适配)。检查是否已有会话目录,若存在且带 --resume 则读取 session.md 恢复状态;若存在但未带 --resume 则询问是恢复还是重新开始。创建 sigma/{topic-slug}/ 目录。
Step 1:诊断水平。若已有档案,跳过已掌握领域,重点关注反复出现的误解模式,并适配提问风格。若提供了 --level,作为起始提示,但仍需 1-2 个探查问题精确校准。若无 level,则用 AskUserQuestion 提 2-3 个诊断问题,从宽到窄,混合识别题与解释题。
Step 2:构建学习路线图。将主题拆解为 5-15 个原子概念,按依赖排序,标记掌握状态,保存到 session.md,生成 roadmap.html(含节点、依赖箭头、状态颜色、进度条),并生成 Excalidraw 概念图。首次生成时在浏览器打开 roadmap.html。
Step 3:导师循环(核心)。对每个概念反复执行:
- 3a 最小化引入:不解释概念,而是设置上下文并提一个探查直觉的开放问题。
- 3b 提问循环:交替使用结构化问题(测试识别、选项选择)和开放问题(测试深层理解)。每 3-4 个问题插入交错练习,要求学生同时使用旧概念和当前概念,不宣布“现在复习”,自然提问即可。若交错题在旧概念部分答错,记录到会话日志,可能表示旧概念在遗忘。
- 3c 回应答案:正确且解释好则简短肯定并追问更难问题;正确但浅则问“为什么”;部分正确则指出正确部分并给提示;错误则退一步给更简单子问题;说“不知道”则给最小提示再问。提示升级从轻到重:重述问题、问更简单的相关问题、给具体例子、指向具体原则、一起走最小示例(仍让学习者填空)。
- 3d 误解追踪:每次错误或部分正确时,识别产生该答案的错误心智模型,记录到 session.md 的 Misconceptions 表(所属概念、错误信念、根因分析、状态 active/resolved、使用的反例),设计反例让学习者预测结果并发现矛盾。误解只有在学习者明确说明旧想法为何错误,并且在新场景中正确处理原触发点,才算 resolved。不直接告知“这是误解”。
- 3e 视觉辅助:按需选择 Excalidraw 图、HTML 代码走查、生成图片、HTML 表格/图表、Excalidraw 流程图等格式。
- 3f 每轮同步进度:每轮问答后更新 session.md 并重新生成 roadmap.html(更新掌握百分比、状态徽章、当前位置指示、进度条),但不要每轮都打开浏览器,仅首次生成时打开,之后仅在用户明确要求时打开。
- 3g 掌握检查(校准):3-5 轮问答后进行,按四项标准评分(准确、能解释、新场景应用、区分相似概念),每题 >= 3/4 且概念总分 >= 80% 为掌握。在揭示评价前先让学习者自评信心(Solid / Mostly there / Shaky / Lost),比较自评与评分:若自评高但评分低,标记流畅性错觉并明确指出;若自评低但评分高,用具体证据给予鼓励。
Step 4(资料中未完整展示):会话结束相关步骤未完整提供。
Step 5:会话结束时创建 learner-profile.md(资料中提及将在会话结束创建)。
【适用场景】 适合希望以掌握式学习方式深入理解某主题的用户,尤其适合需要检测并纠正错误心智模型、需要个性化节奏、需要视觉化学习路线图和概念图、需要跨会话持续跟踪学习进度的场景。也适合有编程、数学、物理、前端框架等具体主题学习需求的用户。
【限制与未提供信息】
- 该技能依赖 AskUserQuestion 工具、Excalidraw 参考资料(references/excalidraw.md)、HTML 模板参考资料(references/html-templates.md)、nano-banana-pro 技能等外部资源,具体实现细节暂未提供。
- 资料未提供收费、价格、平台兼容性、支持的主题范围上限等信息。
- 文中提到的 Step 4、Step 5 完整内容在资料中未完整展示,暂未提供。