| name | agent-learn |
| description | LLM 与 Agent 知识学习、自适应考试和学习路径推荐。使用 /agent-learn 开始学习。覆盖主题：LLM、Agent、RAG、记忆系统、多智能体、RLHF、VLM、评估、工程实践、提示词工程、MCP 与工具使用。 |
Agent Learn — LLM 与 Agent 知识学习系统
Skill 驱动的知识学习、自适应考试和学习路径推荐系统。覆盖 11 个 AI Agent 技术领域。
支持两种运行模式：
- 增强模式：检测到
interview-rag MCP Server 时，调用其语义检索能力获取更丰富的知识上下文
- 降级模式：MCP 不可用时，回退到读取本地 JSON 数据文件，功能完整但无语义检索
可用主题
| 编号 | 标识 | 名称 | 题目数 |
|---|
| 1 | llm | LLM 基础 | 6 |
| 2 | agent | Agent 架构 | 6 |
| 3 | rag | RAG 技术 | 6 |
| 4 | memory | 记忆系统 | 6 |
| 5 | multi-agent | 多智能体 | 6 |
| 6 | rlhf | RLHF/对齐 | 6 |
| 7 | vlm | 视觉语言模型 | 6 |
| 8 | evaluation | 智能体评估 | 6 |
| 9 | engineering | 工程实践 | 6 |
| 10 | prompt-engineering | 提示词工程 | 6 |
| 11 | mcp-tool-use | MCP 与工具使用 | 6 |
MCP 增强模式检测
在进入任何模式之前，首先检测 MCP 工具可用性：
尝试确认以下 MCP 工具是否可用（它们由 interview-rag MCP Server 提供）：
mcp__interview-rag__search_knowledge — 语义检索知识库mcp__interview-rag__get_interview_questions — 获取面试题mcp__interview-rag__get_learning_path — 生成学习路径
判断方法：如果当前环境的可用工具列表中包含上述 MCP 工具名称（前缀为 mcp__interview-rag__），则进入增强模式；否则进入降级模式。
增强模式标识：在首次进入时告知用户当前模式：
- 增强模式："已检测到 interview-rag MCP Server，将使用语义检索增强学习体验。"
- 降级模式："未检测到 MCP Server，使用本地知识库运行。如需语义检索能力，可安装：
pip install mcp-server-interview-rag"
数据文件位置（降级模式使用）
所有数据文件相对于本 skill 文件所在目录的路径为：
- 题库：
../../data/questions.json
- 知识点：
../../data/knowledge-points.json
- 学习路径：
../../data/learning-paths.json
使用 Read 工具加载数据时，将上述相对路径拼接到本 skill 的 base directory 上。例如，如果 base directory 是 /path/to/skills/agent-learn，则题库文件路径为 /path/to/data/questions.json。
MCP 工具调用说明（增强模式使用）
当处于增强模式时，优先使用 MCP 工具：
| 场景 | MCP 工具调用 | 降级替代 |
|---|
| 获取题目 | mcp__interview-rag__get_interview_questions(topic, difficulty, count) | 读 questions.json 筛选 |
| 知识检索 | mcp__interview-rag__search_knowledge(query, topic, top_k) | 读 knowledge-points.json |
| 学习路径 | mcp__interview-rag__get_learning_path(weak_topics) | 读 learning-paths.json |
增强模式的额外能力：
- 语义检索：用户提问或答题后，调用
search_knowledge 检索相关知识片段作为补充解析
- 动态出题：
get_interview_questions 可按主题和难度从更大的题库中获取题目
- 智能路径：
get_learning_path 提供基于 RAG 知识库的更精准推荐
注意：即使在增强模式下，本地 JSON 数据仍作为补充。MCP 工具返回的题目格式可能略有不同（无 reference_answer 字段），此时用本地 questions.json 中的对应题目补全参考答案。
模式路由
根据 ARGUMENTS 参数决定进入哪个模式：
| 参数 | 模式 |
|---|
| （无参数） | 显示交互菜单，让用户选择模式 |
quiz [topic] | 进入自适应考试模式，可选指定主题 |
learn <topic> | 进入知识学习模式，必须指定主题 |
path | 进入学习路径推荐模式 |
topics | 列出所有可用主题 |
模式一：交互菜单
当用户未提供子命令时，使用 AskUserQuestion 展示以下选项：
问题："欢迎使用 Agent Learn 知识学习系统！请选择一个模式："
选项：
- 知识学习 — 选择一个主题，逐步学习核心知识点
- 自适应考试 — 测试你的知识水平，自动调整难度
- 学习路径 — 获取个性化的学习路径推荐
- 查看主题 — 列出所有 11 个可用主题
根据用户选择，进入对应模式。如果选择"知识学习"或"自适应考试"，再用 AskUserQuestion 让用户选择具体主题（或全部主题）。
模式二：自适应考试（quiz）
初始化
- 增强模式：调用
mcp__interview-rag__get_interview_questions(topic, difficulty, count=3) 获取题目，同时用 Read 工具加载本地 questions.json 作为补充（获取 reference_answer）
降级模式：使用 Read 工具加载 questions.json
- 如果指定了主题，筛选该主题的题目；否则使用全部题目
- 初始化考试状态：
question_count = 0（已答题数）results = []（每题结果记录）per_topic_difficulty = {}（每个主题的当前难度，初始为 "easy"）consecutive_correct = {}（每个主题的连续正确计数，初始为 0）asked_ids = []（已出过的题目 ID）
出题流程
每一轮：
-
选题：
- 确定当前主题（如果是全主题模式，轮换主题或随机选择）
- 获取该主题的当前难度等级
- 从题库中选择一道匹配主题+难度且未出过的题目
- 如果当前难度没有可用题目，尝试相邻难度
- 将题目 ID 加入
asked_ids
-
展示题目：
### 第 N 题 | 主题：{display_name} | 难度：{difficulty_label}
{question}
请回答：
- 难度标签映射：easy → 基础、medium → 进阶、hard → 挑战
- 等待用户作答
-
评估答案：
- 将用户的回答与题目的
key_points 逐一对比
- 增强模式额外步骤：调用
mcp__interview-rag__search_knowledge(query=题目question, topic=当前主题, top_k=3) 获取相关知识片段，用于更准确地评判答案深度和补充解析
- 对每个关键点判断：完全覆盖 / 部分覆盖 / 未覆盖
- 计算得分：
score = (完全覆盖数 + 部分覆盖数 * 0.5) / 总关键点数 * 10，取整
- 判定：得分 >= 7 为通过（PASS），< 7 为未通过（FAIL）
-
展示评估结果：
### 评估结果
**得分：{score}/10** {PASS则"通过 ✓" / FAIL则"未通过 ✗"}
**覆盖的要点：**
- ✅ {covered_point_1}
- ✅ {covered_point_2}
**遗漏的要点：**
- ❌ {missed_point_1}：{简要解释为什么这个点重要}
- ❌ {missed_point_2}：{简要解释}
**参考答案：**
{reference_answer}
**推荐追问：**
{follow_ups[0]}
-
调整难度（自适应规则）：
- 通过（>=7分）：该主题
consecutive_correct += 1
- 如果
consecutive_correct >= 2：难度升级（easy→medium→hard），重置计数为 0
- 未通过（<7分）：重置
consecutive_correct = 0
- 如果连续 2 题未通过：难度降级（hard→medium→easy）
-
继续或结束：
- 如果已答 10 题，建议结束：用
AskUserQuestion 问"已完成 10 题，是否继续？"
- 否则问："继续下一题？（输入任意内容继续，输入「结束」生成报告）"
- 用户说"结束"/"停"/"stop"/"结束考试" → 生成报告
生成评估报告
考试结束后：
- 使用
Read 工具加载 learning-paths.json
- 统计各主题的平均得分和最高达到的难度
- 识别强项（平均分 >= 8）和弱项（平均分 < 7）
- 为弱项匹配学习路径推荐
报告格式：
## 📊 评估报告
### 总览
- **答题数**：{total} 题
- **平均分**：{avg_score}/10
- **通过率**：{pass_rate}%
### 各主题表现
| 主题 | 答题数 | 平均分 | 最高难度 | 评价 |
|------|--------|--------|----------|------|
| {topic_name} | {count} | {avg}/10 | {max_diff} | {评价文字} |
### 💪 强项
{列出平均分>=8的主题及简要说明}
### 📚 需要加强
{列出平均分<7的主题}
### 🗺️ 推荐学习路径
针对你的弱项，推荐以下学习资源：
#### {weak_topic_name}
**核心概念**：{key_concepts}
**学习资源**：
{按 priority_weight 排序，列出 resources}
模式三：知识学习（learn）
初始化
- 验证用户提供的主题标识是否有效（必须是 11 个主题之一）
- 如果无效，列出可用主题让用户选择
- 使用
Read 工具加载 knowledge-points.json，提取目标主题的所有概念
- 增强模式额外步骤：在讲解每个概念时，调用
mcp__interview-rag__search_knowledge(query=概念名称, topic=当前主题, top_k=3) 获取更详细的知识上下文，融合到讲解内容中。这样可以提供比本地 JSON 更丰富的解释和实例。
学习流程
显示主题概览后，逐个展示概念：
## 🎓 {topic_display_name} — 知识学习
{overview}
本主题包含 {N} 个核心概念，让我们逐一学习。
---
### 概念 {i}/{N}：{concept.name}
**要点：**
{concept.summary}
**关键术语：** {concept.key_terms 用顿号连接}
**举个例子：**
{concept.example}
**常见误区：**
- ⚠️ {concept.common_mistakes[0]}
**关联主题：** {concept.related_topics 映射为中文名}
---
💡 **小测验**：{根据当前概念生成一个简短的理解检验问题}
请回答，或输入「下一个」跳过，输入「考试」切换到考试模式。
对每个概念：
- 展示上述内容
- 等待用户响应
- 如果用户回答了小测验 → 给出简短反馈（正确/部分正确/需要改进）
- 如果用户说"下一个"/"next" → 跳到下一个概念
- 如果用户说"考试"/"quiz" → 切换到该主题的考试模式
- 如果用户提问 → 基于当前概念知识进行回答
全部概念学完后：
## 🎉 学习完成！
你已完成 {topic_display_name} 的全部 {N} 个核心概念学习。
**建议**：通过考试检验学习效果！输入 `/agent-learn quiz {topic}` 开始测试。
模式四：学习路径推荐（path）
流程
-
检查当前对话中是否有考试结果
- 有结果：自动从考试结果中提取弱项主题（平均分 < 7 的主题）
- 无结果：使用
AskUserQuestion（多选模式）让用户自评弱项：
"请选择你觉得需要加强的主题领域（可多选）："
列出全部 11 个主题供选择
-
增强模式：调用 mcp__interview-rag__get_learning_path(weak_topics="topic1,topic2") 获取推荐，同时用 Read 加载本地 learning-paths.json 补充资源信息
降级模式：使用 Read 工具加载 learning-paths.json
-
为每个弱项主题生成推荐：
## 🗺️ 个性化学习路径
根据{来源说明}，为你推荐以下学习路径：
{按 priority_weight 从高到低排序}
### 1. {display_name}（优先级：{'高'|'中'|'低'}）
**核心概念：**
{key_concepts 逗号分隔}
**推荐资源：**
| 类型 | 资源 | 标题 |
|------|------|------|
| {type_label} | {ref} | {title} |
---
类型标签映射：chapter → 📖 教程章节、practice → ✏️ 练习、roadmap → 🗺️ 学习路线、blog → 📝 博客文章、paper → 📄 论文、project → 🔧 开源项目、extra → 📌 扩展内容
优先级映射：priority_weight >= 4 → 高、3 → 中、<= 2 → 低
模式五：查看主题（topics）
直接展示主题列表表格（见"可用主题"部分），并提示用户可以使用的命令：
以上是全部 11 个可用主题，每个主题包含 6 道题目（基础 2 题、进阶 2 题、挑战 2 题）。
**可用命令：**
- `/agent-learn learn <主题标识>` — 学习指定主题
- `/agent-learn quiz [主题标识]` — 开始考试（不指定主题则随机出题）
- `/agent-learn path` — 获取学习路径推荐
注意事项
- 语言：所有输出使用中文
- 模式检测优先：进入任何功能模式之前，必须先完成 MCP 可用性检测
- 优雅降级：MCP 调用失败时（超时、报错），静默回退到本地 JSON，不向用户报错
- 数据加载：每个模式开始时加载所需的数据（MCP 或 JSON），不要假设文件内容
- 状态管理：考试状态（得分、难度、已答题目）在当前对话上下文中维护
- 评分公正：评估答案时要客观，基于 key_points 覆盖度评分，不要过于严格或宽松
- 鼓励性：反馈语气应积极正面，即使答错也要鼓励继续学习
- 灵活性：用户随时可以切换模式，不强制完成当前流程
- 增强模式优势：在增强模式下，评估答案和讲解知识时应充分利用
search_knowledge 返回的上下文，提供更深入、更有针对性的解析
