GitHub用户反馈
AI 学习系统缺少跨会话知识图，导致重复学习已掌握内容
一位使用 AI 教学系统学习 Transformer、BERT 等概念的开发者反馈：系统每节课从零开始探测认知边界，依赖图只存在于单次日志中，跨课程时已掌握的前置知识（如 self-attention）会再次被提问。用户提出全局知识图、掌握度坍缩与课中实时更新节点状态的完整方案。
查看原始信号github:amosblomqvist/learn
目标用户
使用基于代理的 AI 学习/教学系统学习复杂技术概念的个体学习者（如深度学习爱好者）
潜在需求
需要跨会话持久化的全局知识图，记录每个概念节点的掌握状态与依赖关系，开新课时只探测当前主题边界的未知部分，而非从零开始；同时希望掌握的子图可坍缩为生成性概念、课中实时更新 DAG 节点状态。
发生场景
在连续学习 Transformer、BERT 等多个相关主题时，系统每节课都从零开始二分搜索认知边界；之前已验证通过的概念（self-attention、multi-head、残差+LayerNorm）在下一节课被重新提问，mermaid 依赖图只活在单个日志文件里，课程之间无关联。
来源证据
用户报告：每张 mermaid 依赖图只活在单个日志文件里，跨课程时已掌握的前置知识会被重新探测，缺少全局知识图。
让依赖图跨会话存活 —— 全局知识图、掌握度坍缩、课中图状态更新 # 让依赖图跨会话存活 —— 全局知识图、掌握度坍缩、课中图状态更新 ## 背景 您好，您做的这个系统实在太好了，但是在我使用看来，每张 mermaid 依赖图只活在单个日志文件里。今天学 Transformer 画一张图，明天学 BERT 又画一张，两张图之间没有任何联系。可事实是，BERT 的 encoder 前置知识和 Transformer 课里已经验证过的节点大面积重合——self-attention、multi-head、残差 + LayerNorm，我在 Transformer 课上全部一遍过，学 BERT 时却又要重新被问一遍。 Phase 1 的探测目前是零先验的：每次都从零开始二分搜索认知边界。你在 demo 里也提到"可以在开头手动告诉它你已经懂什么"——这恰恰说明系统缺一个持久层，把这件事自动化。以下是我的几点拙见： ## 提案一：跨文件的全局知识图 建一个全局图文件（格式可以是带 frontmatter 的 Markdown 或 YAML），每个原子概念一个节点，带这些字段： ```yaml -https://github.com/amosblomqvist/learn/issues/2
为什么值得留意
这是现有 AI 教学系统在长期多课程学习场景下的明确功能缺口，用户不仅提出抱怨还给出了详细可实施的方案（YAML 节点 schema、坍缩/展开机制、实时更新规则），说明真实需求和替代设计思路同时出现，值得继续观察和验证。
已有方案
- 现有系统通过 teach skill 每节课生成独立的 mermaid 依赖图并记录在日志中
- 课程开始时零先验探测认知边界
未满足部分
- 全局知识图跨会话持久化缺失
- 掌握度信息不随课程累积
- 课中 DAG 节点状态不实时更新
- 探测范围不从已掌握边界开始
可能延伸 · 模型推测
- 将全局知识图方案抽象为可复用插件或独立服务，供其他 AI 教学系统使用
- 基于掌握度数据生成复习计划或间隔重复提醒
- 跨课程知识图可支持协作学习或内容推荐
目前未知
- 该需求来自单个 issue，尚不知作者是否采纳或其他用户是否同意
- 缺少该系统实际使用用户规模数据
- 该用户与项目作者的关系未明确确认，但 issue 内容以独立详细方案形式提出
继续核实
- 是否已有其他使用该系统的用户报告类似跨会话知识无法累积的问题？
- AI 教学代理目前是否普遍缺少跨课程记忆/知识状态持久化设计？
主题词
ai tutoringknowledge graphlearning progress trackingdependency graph persistencecross-session memory