用途：从课程描述生成完整的学习图谱（Learning Graph），即由概念节点与“学习依赖”有向边组成的 DAG，作为智能教科书推荐学习路径的基础数据结构。
主要能力：分步完成课程描述质量评估（100 分制评分，建议 70 分以上再继续）、生成 200 个 Title Case 概念标签（不超过 32 字符）、生成依赖关系 CSV、用 analyze-graph.py 做 DAG 与质量校验、建立约 12 个分类的 taxonomy、把 taxonomy 写入 CSV、生成 metadata 与 groups 段、用 csv-to-json.py 合成 learning-graph.json、输出分类分布报告，并基于 index-template.md 生成 index.md。
使用方式：默认在已从 GitHub 检出的智能教科书目录中运行。先执行 mkdir -p docs/learning-graph; cd docs/learning-graph，将技能包中的 Python 程序复制到该目录后运行。若缺少 docs 与 mkdocs.yml，可 git clone https://github.com/dmccreary/intelligent-book-template 并进入 intelligent-book-template。质量校验命令为 python analyze-graph.py learning-graph.csv quality-metrics.md；生成 JSON 命令为 python csv-to-json.py learning-graph.csv learning-graph.json metadata.json；可选校验命令为 ./validate-learning-graph.sh learning-graph.json。
适用场景：为智能教科书、课程或培训材料构建概念依赖图与学习路径。
限制：生成的 Markdown 需兼容 mkdocs，列表前须留空行，新增 .md 文件需加入 mkdocs.yml 导航；概念标签需简短以免图难以阅读；依赖图必须无环、无自依赖；分类单一类别不应超过总数 30%。具体收费、平台支持与效果资料暂未提供。