cram-engine

期末速成引擎 (Cram Engine)

期末速成学习工具。基于学习科学原理（认知负荷理论、精细加工、生成效应、检索练习），通过四阶段流水线将课程重点转化为个性化高效学习会话。

触发条件

当用户提到以下任一情况时使用此 skill：

• •期末速成、期末复习、考试冲刺、考前突击
• •使用 /cram 命令
• •明确表示要在短时间内备考某门大学课程
• •提到"帮我速成XX课"

命令

文件路径约定

引擎文件（阶段指令、配置模板）位于本 SKILL.md 所在目录：

• •阶段指令：<skill_dir>/stages/
• •配置模板：<skill_dir>/configs/

用户数据（个人课程配置、学习进度）存储在用户主目录下：

• •课程配置：~/.cram-engine/configs/<课程名>.yaml
• •进度文件：~/.cram-engine/progress/<课程名>-progress.md
• •首次使用时自动创建 ~/.cram-engine/ 目录结构

<skill_dir> 指 ~/.agents/skills/cram-engine/（标准 Claude Code 安装路径）。

工作流程

此 skill 执行四个阶段的流水线。关键原则：每次只让模型执行一个清晰任务，不要合并阶段。

启动前检查

1. 确定引擎文件路径（<skill_dir>/stages/）
2. 检查用户是否已有 ~/.cram-engine/configs/<课程名>.yaml
3. 如果配置存在 → 解析 course、must_know、key_points、exam_types、materials、preferences，直接进入阶段1
4. 如果配置不存在 → 执行下方「配置创建流程」
5. 确保 ~/.cram-engine/progress/ 目录存在

按以下步骤依次提问，每次只问一个问题。用户回答后进入下一步。

📋 第一次使用，需要先创建课程配置。回答下面几个问题：

① 课程名称？

② 使用什么教材？
   引擎会在教学中使用该教材的术语和概念框架，从而更贴近你的课堂表述。
   没有教材的话，回车跳过就行。

③ 有复习资料吗？
   有 .txt 或 .md 格式的笔记，可以直接粘贴内容，也可以给文件路径。
   不接受 PDF、Word、PPT、图片。
   引擎会从中提取老师使用的术语和侧重点，融入教学。
   没有就回车跳过。

④ 考试有哪些题型？
   用你自己的话描述，老师说的是什么就写什么。

⑤ 列出要考的知识点，每行一个。
   直接打字，或者从其他地方复制粘贴。如果知识点在 PDF、Word 里，
   复制粘贴过来就行。也可以给 .txt 或 .md 文件路径。

⑥ 以上共 N 个知识点。哪些是老师反复强调或明确说过会考的？
   回复编号就行，比如：1, 3-5。没有就回"没有"。

⑦ 其他知识点里，有没有你自己觉得需要重点掌握的？
   有就标编号，没有就回车跳过。

所有问题回答完毕后，将收集的信息整理为课程配置 YAML，写入 ~/.cram-engine/configs/<课程名>.yaml。

课程配置的 preferences 使用以下默认值（用户无需手动填写）：

preferences:
  language: 中文
  tone: 先给一句话核心结论再展开，拒绝学术黑话
  teaching_methods:
    - concrete_first
    - chunking
    - elaboration
    - generation
  memory_hooks:
    - acronym
    - contrast_table
    - absurd_example
  exam_tactics:
    - keyword_mining
    - trap_awareness
    - framework_building
  example_domains:
    - 大学社团/学生会
    - 小组作业与合作冲突
    - 宿舍矛盾
    - 实习/兼职
    - 选课与绩点博弈
  pacing:
    check_in_frequency: every_3_points
    reteach_trigger: "再讲一遍"

阶段1：拆解知识点树

1. 读取 <skill_dir>/stages/stage1-deconstruct.md 获取系统指令模板
2. 将课程配置中的 must_know 和 key_points 填入系统指令
3. 调用模型，执行拆解
4. 将输出写入进度文件 ~/.cram-engine/progress/<课程名>-progress.md
5. 展示知识点总数、must_know 和 key_point 分布，等待用户确认：

- 回车 → 全部按序进入阶段2 - "先攻 must_know" → 只学核心考点，其余跳过 - 指定编号（如"跳过 9, 10, 13"）→ 移除对应知识点 - 如果要移除 must_know 考点，先警告再执行

1. 确认后进入阶段2

阶段2：讲授（逐个知识点）

1. 读取 <skill_dir>/stages/stage2-teach.md 获取完整系统指令
2. 读取进度文件，找到第一个未标记完成的知识点
3. 以该系统指令 + 当前知识点内容调用模型
4. 严格按4步认知策略执行：concrete first → chunking → elaboration → generation
5. 根据知识点的 hook 类型附加记忆强化（口诀/对比表/荒诞场景）
6. 讲完后更新进度文件中该知识点为已完成
7. 继续下一个知识点
8. 每讲完3个知识点：暂停，展示已学清单，问用户节奏（继续/加速/减速/跳过）
9. must_know 全部讲完后：展示里程碑提示（"核心考点全部讲完，还剩 N 个扩展知识点"），用户可说"跳过"直接进阶段3
10. 全部讲完后进入阶段3

用户的 pacing 偏好来自课程配置：

• •用户说"再讲一遍"→ 换场景/换例子/换角度重讲（不重复原话）
• •用户说"继续"→ 正常节奏
• •用户说"加速"→ 精简版（跳过 generation 步骤）
• •用户说"减速"→ 每个点多配一个例子
• •用户说"跳过"→ 停止阶段2，直接进入阶段3。跳过的知识点在阶段3仍按分级策略出题

阶段3：检题（按题型适配）

1. 读取 <skill_dir>/stages/stage3-test.md 获取出题策略和四种子模式的系统指令
2. 题型映射（根据用户配置的 exam_types，匹配到对应子模式）：

- 题型含"选择""判断" → 子模式 A - 题型含"案例" → 子模式 B - 题型含"情景""应用" → 子模式 C - 其他题型（名词解释、简答、论述、辨析、填空等） → 子模式 D

1. 出题策略（不用模型，由你直接控制）：

- must_know 考点：每种 exam_types 中的题型全覆盖 - key_points 考点：每点随机1-2种题型，优先选择题+情景题 - 如果 must_know 为空：全部考点按 key_point 处理

1. 按子模式依次调用模型出题
2. 用户答完后逐题批改：

- 正常题：标注对错 + 1句话解析 - 陷阱题：额外揭晓陷阱逻辑

1. 记录：答错的知识点、答对但用户追问了"为什么"的知识点
2. 更新进度文件
3. 判断是否进入阶段4

阶段4：闭环补漏

1. 读取 <skill_dir>/stages/stage4-remediate.md 获取系统指令
2. 只处理阶段3中出错或不确定的知识点
3. 每个错误知识点执行：诊断根因 → 换讲法 → 重测 → 顽固判定
4. must_know 答错的考点：额外多出3道新题
5. 二次错误的标记为"顽固点"，建议明天再攻（不继续死磕）
6. 全部处理后输出总结：已纠正数、顽固点清单、must_know 考点掌握状态
7. 最终更新进度文件

交互风格

• •讲解风格和例子坐标系严格遵循课程配置中的 preferences
• •分阶段输出，每个阶段开始前告知用户当前阶段名称和目的
• •错误时不自责、不废话，直接进入纠错流程
• •进度文件始终保持最新状态

设计原则

• •每次只让模型执行一个清晰任务，避免巨型 System Prompt 导致的指令遵循度衰减
• •学习科学策略体现在流程设计中（阶段顺序、暂停检查、检索练习），而非依赖模型自行理解
• •must_know 考点在所有题型中全覆盖，key_points 抽样覆盖以节省时间
• •顽固点不持续死磕——认知科学表明间隔练习比集中死磕更有效