review-init

name	review-init
description	跨科目复习资料包初始化。从 Markdown/txt 笔记生成可审核的 draft 资料包。当 /review-init 触发时使用，负责分析源资料、生成所有规范化文件并输出质量报告。

Review Init

你负责把用户提供的 .md / .txt 笔记变成一套结构化复习资料包。资料包始终保持在 draft 状态，除非用户明确确认启用。

核心约束

• 所有文件写入走 review_profile_write。不要用 Bash / Write / Edit 直接写 profile 文件。
• profile.json 由代码创建，你不要重写它，除非修订状态必须通过工具完成。
• 完成后不要自动启用。保持 draft。
• 只处理 .md / .txt 文件。跳过其他格式，在质量报告中说明。

资料包文件结构

通过 review_profile_write 生成以下文件：

subject.md               — 科目元描述、考试目标、出题风格
knowledge_index.json     — 知识点索引（必须匹配下面的 schema）
chapters/{N}.{n}-{小节名}.md  — 按章/节整理的规范化材料
source_map.json          — 规范化文件到源文件的映射
quality_report.md        — 质量报告

建议生成但不强制一次性完整覆盖：

cards/{id}.md 或 cards/{知识点简称}.md
exam_points/第{N}章-{章名}-考点总结.md

训练资产（unit_summaries/、misconceptions/、extensions/、problem_templates/）不属于 init 的必选产物。需要时在基础资料包完成后参考 review-profile-training-assets 生成。

knowledge_index.json 结构（必须严格匹配）

代码按 chapters.{chapterId}.knowledge_points 数组读取。生成这个结构：

{
  "subject": "科目名称",
  "chapters": {
    "1": {
      "title": "章节标题",
      "knowledge_points": [
        {
          "id": "stable-id",
          "name": "知识点名称",
          "aliases": ["别名1", "别名2"],
          "tags": ["标签1", "标签2"],
          "question_types": ["choice", "judgment", "short_answer"],
          "difficulty_baseline": "S-U",
          "related": ["related-kp-id"],
          "common_misconceptions": ["具体误区描述"],
          "generation_hints": "具体出题方向和陷阱设置方式"
        }
      ]
    }
  }
}

可以额外添加 sections、tags、subject_id 等字段，但不能省略 chapters.*.knowledge_points 数组。

生成流程

步骤 1：通读源资料

• 逐个阅读源文件。如果文件很多（>20），按文件大小从大到小读，小文件可以快速扫过。
• 阅读过程中判断：科目类型（编程/数学/文科/语言）、自然章节划分、知识点密度。
• 边读边向用户汇报进度（"已读 X/Y 份…"），不要让屏幕空着。
• 不需要等读完所有文件再动手——读完一个自然单元（如一章）就可以开始处理那一章。

步骤 2：生成 subject.md

# {科目名称}

## 科目概述
{2-3 句：什么课、考什么、需要什么能力}

## 考试目标
- {具体、可验证的能力描述}
- {例如："能区分 X 和 Y 的触发时机"——不是"掌握基础知识"}

## 出题风格
- 题型偏好：{各题型大致比例}
- 难度分布：{S-R/S-U/M-U/M-A/C-A 大致比例}
- 出题特点：{重代码/重推导/重辨析/重语境——按科目选}
- 代码语言：{cpp/python/java/none}

## 资料说明
- 源文件数：{N}
- 覆盖范围：{章节/专题}
- 资料类型：{笔记/教材/考点/试题}

步骤 3：生成 chapters/ 小节文件

切分规则：

• 源文件 > 500 行 → 按二级标题拆为多个小节。
• 多个源文件讲同一知识点 → 合并为一个小节。
• 一个小节聚焦 1-3 个紧密关联的知识点。
• 每章 2-8 个小节，每个小节文件 30-300 行。

文件格式（chapters/{N}.{n}-{小节名}.md）：

# {小节标题}

## 核心概念
- **{概念}**：{1-2 句定义}

## 知识点详解
{结构化展开。每个要点：定义 → 原理 → 使用场景 → 注意事项。}

## 关键示例
{代码块 / 推导过程 / 案例分析。代码必须可运行。}

## 常见误区
- ❌ {错误认知} → ✅ {正确理解}

## 来源
- {源文件路径}#{标题或行号}

不确定时的处理：在文件末尾加 <!-- UNCERTAIN_STRUCTURE: {原因} -->，并在质量报告中记录。

步骤 4：生成 knowledge_index.json

从每个小节提取知识点，填入 chapters.{chapterId}.knowledge_points 数组。

粒度测试：能用这个知识点出一道独立的、有意义的题吗？

• 出不了 → 合并到父级。
• 能出 5 道不同类型 → 拆分。

ID 命名：{英文关键词}，小写+下划线，语义明确。如 copy_constructor 而非 kp_001。

字段填写：

• difficulty_baseline：S-R（纯记忆）/ S-U（理解区分，单概念）/ M-U（比较 2-3 个概念）/ M-A（综合分析）。不确定时宁低勿高。
• common_misconceptions：至少 2 条，每条一句说清错在哪。从源资料中提取，不要编造。
• generation_hints：具体的出题方向和陷阱，不是"考这个知识点"的废话。
• related：确实存在交叉或递进关系的其他知识点 ID。没有就空数组。

步骤 5：生成概念卡片（建议项）

优先为 high / medium 重要知识点生成卡片。知识点很多时，不要为了凑齐数量生成低质量卡片；缺口写入 quality_report.md。

推荐路径：cards/{id}.md。如果使用中文简称，frontmatter 里必须写 id 和 aliases，保证代码能匹配。

---
id: {id}
name: {知识点名称}
aliases: [{别名1}, {别名2}]
difficulty: {baseline}
tags: [{tag1}, {tag2}]
chapter: "{章节号}"
source: chapters/{章节号}.{小节号}-{小节名}.md
status: active
---

# {知识点名称}

> **ID**: {id} | **难度**: {baseline} | **标签**: {tag1}、{tag2}

## 定义
{1-3 句准确定义}

## 关键要点
1. **{标题}**：{3-5 句展开}
2. **{标题}**：{同上}

## 代码示例 / 推导
{10-25 行代码/公式/分析。编程类代码必须可运行。非编程类用适合的方式。}

## 常见误区
| # | ❌ 误区 | ✅ 正确理解 |
|---|---------|------------|
| 1 | {具体错误认知} | {纠正} |

## 关联
- {关联知识点}：{一句话关联说明}

## 出题提示
{具体的考察方向和陷阱设置方式}

---
*来源：[{章节} > {小节}](chapters/{章节号}.{小节号}-{小节名}.md)*

批量策略：按重要性分批——先 high、再 medium、最后 low。每 10 张汇报一次。如果知识点 > 60，low 级可以暂不生成。质量报告中标注未完成项。

步骤 6：生成考点总结（建议项）

尽量每章一份（exam_points/第{N}章-{章名}-考点总结.md）。如果源资料不足或章节仍需用户确认，可以先跳过并在质量报告中说明。

# 第{N}章 {章名} — 考点总结

## 本章概览
{2-3 句：考试分量、核心方向、章节关联}

## 考点清单
| # | 考点 | ID | 重要性 | 常见题型 | 典型命题角度 |
|---|------|-----|--------|----------|-------------|
| 1 | {名称} | {id} | ★★★ | 选择、判断 | {考什么、怎么设陷阱} |

## 重点难点
### 重点
1. **{知识点}**：考察方式 + 核心考察点 + 备考建议

### 难点
1. **{A} vs {B}**：混淆原因 + 区分关键 + 避坑方法

## 典型任务或例题
{按科目选择：选择题、计算题、证明题、代码阅读、案例分析、论点分析等。不要强行给每章生成固定数量例题。}

## 复习建议
1. 优先掌握：{2-3 个核心知识点}
2. 易错关注：{1-2 个点}
3. 推荐用时：{估计}

深度训练题型模板不在本步骤强制生成。数学、离散数学、论文阅读等需要题型模板时，后续参考 review-profile-training-assets。

步骤 7：生成 source_map.json

{
  "subject_id": "{subjectId}",
  "source_dir": "{源资料目录}",
  "mappings": {
    "chapters/{file}.md": ["{源文件路径}#{位置}"],
    "cards/{file}.md": ["{源文件路径}#L{行号}"]
  },
  "unmapped_sources": ["{无法归入任何章节的源文件}"],
  "uncertain_mappings": {
    "{文件}": { "reason": "{不确定原因}", "suggested_review": true }
  }
}

步骤 8：生成 quality_report.md

诚实列出：

# 资料包质量报告

**科目**: {名称} | **Subject ID**: {id} | **状态**: draft

## 整体评估
{诚实评价。质量好就说好，有问题就直说。}

**质量评级**: {优秀 / 良好 / 待改进 / 需补充资料后重新生成}

## 基础数据
| 指标 | 数值 | 状态 |
|------|------|------|
| 源文件 | {N} | — |
| 成功映射 | {N1}/{N} | ✅/⚠️ |
| 章节 | {K} | — |
| 小节 | {S}（均 {S/K}/章） | ✅/⚠️ |
| 知识点 | {M} | — |
| 卡片 | {C}/{M} | ✅/⚠️ |
| 考点总结 | {E}/{K} | ✅/⚠️ |

## 严重问题
{逐个列出：位置 + 描述 + 修复建议。没有就写"✅ 未发现"。}

## 待改进项
| # | 位置 | 描述 | 严重度 | 建议 |
|---|------|------|--------|------|

## 低置信度项
| # | 位置 | 内容 | 不确定原因 |
|---|------|------|-----------|

## 无法处理的源文件
| 文件 | 原因 | 影响 | 建议 |
|------|------|------|------|

## 启用建议
**建议**: {可以启用 / 修复严重问题后启用 / 补充资料后重新生成}
**理由**: {一句}

完成后

向用户汇报：

资料包生成完成。

📦 {subjectId}（{科目名称}）
   {K} 章 {S} 小节 | {M} 知识点 | {C} 卡片 | {E} 考点总结
🔍 质量评级：{评级}

📄 请查看 quality_report.md。

下一步：
  - 质量 OK → 输入「确认启用」
  - 需要修改 → /review-fix {subjectId}
  - 需要补充源资料 → 补完后重新 /review-init