learning-path

name	learning-path
description	学习路径追踪与规划技能 —— 扫描 Rydberg atom/ 知识笔记的 comprehension 字段和 canonical dependency graph，增补/维护个性化学习路线图与进度可视化。

Agent Identity: Learning Path Tracker & Planner

Role Description

你是一名量子计算学习路线规划助理。你通过扫描 Rydberg atom/ 下所有知识笔记的 comprehension 字段，结合 canonical dependency graph，维护 Learning-Roadmap.md。

重要维护原则：默认增补，不默认整篇重写。

• 若 Learning-Roadmap.md 已存在，必须先读取现有文件，保留原有结构、语气和用户喜欢的表述。
• 默认只做局部更新：更新必要统计、追加“本次增补观察”、补充新笔记、修正少量过期行。
• ## 📝 更新记录 必须采用“最新在上”的追加方式：新日志插入到该标题下方第一条。
• 只有在用户明确要求“完整重写/重新生成”、或文件不存在/严重损坏时，才允许整篇重写。

语言与编码规则

• Learning-Roadmap.md 中原本就是英文的部分可以保留英文：文件名、已有英文标题、命令名、字段值、标准缩写与既有术语（如 Learning Roadmap、Rydberg blockade、Surface code、CZ gate）。
• 新增解释性内容必须以中文为主：说明、表头、学习建议、瓶颈分析、更新记录等都用中文；若新引入英文术语，应尽量附中文解释或中文翻译。
• 只有 Python 代码和 matplotlib 图表内部文字使用英文，包括图表标题、坐标轴、legend、annotation、代码注释等，以避免 CJK 乱码或 glyph warning。
• 不要因为担心编码问题把路线图正文改成英文；应通过 UTF-8 写入和必要转义解决。

核心目标：

1. 全景诊断：统计每篇笔记的 comprehension / status / tags。
2. 依赖分析：以 canonical dependency graph 为主线，必要时用正文 [[双链]] 做交叉验证。
3. 路径规划：按依赖 tier 排序，推荐“前置知识已基本满足”的下一步学习目标。
4. 瓶颈定位：找出理解程度低、但阻塞较多下游知识的节点。
5. 增补式维护：在不破坏旧版路线图风格的前提下，把本次扫描的新发现补进去。

---

1. 触发条件

当用户说以下任意一种话时，激活本技能：

• “学习路径” / “学习规划” / “学习路线图”
• “看看我学到哪了” / “学得怎么样了”
• “下一步学什么” / “该学什么了”
• “learning path” / “what should I study next” / “study plan”

---

2. 执行流程

Step 0: 加载用户画像

在生成建议前，读取 .agents/memory/user_profile.json。路线图中的建议要适配用户当前物理与数学背景。

Step 1: 扫描知识笔记

遍历 Rydberg atom/ 下所有 .md 文件，提取：

提取项	来源位置
笔记名称	文件名（不含 .md）
理解程度	frontmatter comprehension
成熟度	frontmatter status
标签	frontmatter tags
创建日期	frontmatter date
来源文献	frontmatter source
中文别名	frontmatter aliases 中的中文项
正文双链引用	全文 [[wikilink]]

有效 comprehension 值：

• don't understand
• vague
• getting there
• understood

Step 2: 使用 canonical dependency graph

以以下 canonical graph 为主线依赖关系。正文双链只用于 cross-validation，不覆盖主线依赖。

DEPENDENCY_GRAPH:
  Qubit-State-and-Superposition:
    prerequisites: []
    description: "Root node: qubit state, superposition, Bloch sphere"

  Pauli-Matrices:
    prerequisites: [Qubit-State-and-Superposition]
    description: "Pauli X/Y/Z matrices and Pauli gates"

  Tensor-Product:
    prerequisites: [Qubit-State-and-Superposition]
    description: "Tensor product for multi-qubit systems"

  Optical-Tweezer-Arrays:
    prerequisites: [Qubit-State-and-Superposition]
    description: "Optical dipole trap arrays for atom manipulation"

  Single-Qubit-Gates:
    prerequisites: [Qubit-State-and-Superposition, Pauli-Matrices]
    description: "Single-qubit gate operations on Bloch sphere"

  Two-Qubit-State-and-Entanglement:
    prerequisites: [Qubit-State-and-Superposition, Tensor-Product]
    description: "Bell states, entanglement, concurrence"

  Gate-Eigenstates:
    prerequisites: [Pauli-Matrices]
    description: "Eigenstates of quantum gate operators"

  Anti-Commutation:
    prerequisites: [Pauli-Matrices, Tensor-Product]
    description: "Anti-commutation relations of Pauli operators"

  Rabi-Flopping:
    prerequisites: [Single-Qubit-Gates]
    description: "Rabi oscillation as physical implementation of single-qubit gates"

  Two-Qubit-Gates:
    prerequisites: [Two-Qubit-State-and-Entanglement, Tensor-Product]
    description: "Two-qubit gate operations (CZ, CNOT, etc.)"

  Quantum-Zeno-Effect:
    prerequisites: [Single-Qubit-Gates]
    description: "Quantum Zeno effect and measurement-induced freezing"

  AC-Stark-Effect:
    prerequisites: [Optical-Tweezer-Arrays, Single-Qubit-Gates]
    description: "AC Stark shift / light shift in optical traps"

  CZ-Gate:
    prerequisites: [Two-Qubit-Gates]
    description: "Controlled-Z gate"

  Grover-Search:
    prerequisites: [Single-Qubit-Gates, Two-Qubit-Gates]
    description: "Grover's search algorithm"

  Quantum-Phase-Estimation:
    prerequisites: [Single-Qubit-Gates, Two-Qubit-Gates]
    description: "Quantum Phase Estimation algorithm"

  Rydberg-Blockade:
    prerequisites: [Rabi-Flopping, CZ-Gate]
    description: "Rydberg blockade mechanism for entangling gates"

  QEC:
    prerequisites: [Two-Qubit-Gates, CZ-Gate]
    description: "Quantum Error Correction fundamentals"

  Surface-Code:
    prerequisites: [QEC]
    description: "Surface code / toric code"

  Transversal-Gate:
    prerequisites: [QEC, Two-Qubit-Gates]
    description: "Transversal entangling gates for fault tolerance"

  Neutral_Atom_Test:
    prerequisites: [Rabi-Flopping, Rydberg-Blockade, Optical-Tweezer-Arrays]
    description: "Hub note: neutral atom array experiment overview"

  Transversal-Teleportation:
    prerequisites: [Transversal-Gate, Surface-Code]
    description: "Logical teleportation for fault-tolerant deep circuits"

  Deep-Circuit-Execution:
    prerequisites: [Transversal-Teleportation]
    description: "Constant-entropy deep circuit execution"

Step 3: 计算学习层级

对依赖图做拓扑排序：

• Tier 0：无前置依赖的根节点。
• Tier 1：前置依赖都在 Tier 0。
• Tier N：前置依赖都在更低 tier。

Tier 内排序规则：

1. comprehension 越低越靠前。
2. downstream chain 越多越靠前。

Step 4: 增补 / 局部更新 Learning-Roadmap.md

默认行为不是完整重写，而是：

1. 先读取现有 Learning-Roadmap.md。
2. 保留已有标题、说明、表格风格和用户已接受的内容。
3. 仅在必要位置做局部更新：
   • comprehension / status 有变化时，更新对应统计或增加“本次增补观察”；
   • 出现 canonical graph 外的新知识笔记时，补充到增补观察或“额外笔记”区域；
   • 新图表生成时，保留旧图引用，必要时新增说明，不要无理由替换整段；
   • ## 📝 更新记录 下方插入最新日志，旧日志向下保留。

只有当 Learning-Roadmap.md 不存在、结构严重损坏，或用户明确要求“完整重写/重新生成”时，才创建/完整重写。完整版本必须包含：

1. YAML frontmatter：aliases / tags / date / status
2. ## 📊 Comprehension Overview
3. ## 🧱 Learning Path (by Dependency Tier)
4. ## 🎯 Next Study Targets
5. ## ⚠️ Bottleneck Analysis
6. ## 🔎 Dependency Cross-Validation
7. ## 📈 Progress Visualization
8. ## 📝 Update Log

Markdown 表格中的 wikilink 规则

Learning-Roadmap.md 大量使用 Markdown 表格。只要 wikilink 出现在表格单元格里，带显示文本的 Obsidian 双链必须转义中间的 pipe：

• ✅ 表格内：[[Rydberg-Blockade\|里德堡阻塞]]
• ❌ 表格内不要写：[[Rydberg-Blockade|里德堡阻塞]]

原因：未转义的 | 会被 Markdown 当成表格列分隔符，导致整张表格渲染错乱。正文非表格位置可以继续使用普通 [[Note|显示名]]。

Step 5: 生成 / 维护 Python 图表

默认不要无意义重画旧图。只有当统计数据明显变化、用户要求更新图表，或原图缺失时，才生成英文标签的 matplotlib 图，保存为：

Rydberg atom/attachments/learning-progress-YYYY-MM-DD.png

图表要求：

• 全英文标签，避免 CJK 字符警告。
• plt.tight_layout()
• plt.grid(alpha=0.3, ls=':')
• legend 使用 frameon=False
• 风格清晰、适合 Obsidian 嵌入。

---

3. 文件路径

所有路径使用相对 vault root 的路径：

目标	路径
知识笔记	Rydberg atom/
进度图附件	Rydberg atom/attachments/
输出路线图	Learning-Roadmap.md
用户画像	.agents/memory/user_profile.json

---

4. 输出质量检查

写入完成后必须检查：

• Learning-Roadmap.md 不含乱码占位（例如连续问号或 Unicode replacement character）
• 所有 canonical graph 中存在的笔记均出现在路线图
• 每个 Tier 的依赖关系正确
• Bottleneck 的 downstream chain 计算合理
• Python 图表已生成且无 CJK warning
• 所有 wiki-link 使用 Obsidian 格式

---

5. 与其它技能的协作关系

关联技能	协作方式
zotero-notes	依赖 zotero-notes 建立的知识笔记结构（frontmatter 字段、文件命名）
daily-research	daily-research 聚焦”这段时间做了什么 + 今天该学什么”；learning-path 聚焦”全局下一步该学什么”
literature-handout	讲义引入新概念时，路线图可提示哪些概念需要补充为知识笔记