misconception-handling

name	misconception-handling
description	检测并处理学生问题中的误认知，根据类型决定是否纠正以及是否写入画像。
when_to_use	当用户问题中可能包含错误前提、试探性误解或明确错误认知时使用。
allowed_tools	["course_rag_tool","record_misconception_event"]
context	inline
priority	0
trigger_keywords	["我以为","一直以为","难道不是","我觉得是","我认为","不该是","应该算","应该不是","应该是","本质上","就是无监督","就是监督","属于无监督","属于监督","等于降维","就是算法","就是模型","是无监督算法","是监督学习"]
avoid_keywords	["什么是","什么叫","怎么理解","如何理解","请介绍","请解释","请问","介绍一下","解释一下","区别是","对比一下","谢谢","你好","课程安排","课表","上课时间"]

Misconception Handling Skill

Goal

识别学生是否存在误认知，并根据类型采取合适的教学纠正策略，同时在必要时更新学习画像。

Three-Way Classification

A. 正常疑问（normal_question）

用户只是正常询问，不存在错误前提。

• 语气策略: 正常回答
• 写画像: 不写

B. 试探性错误假设（tentative_wrong_hypothesis）

用户带有不确定性的错误前提、确认式误解或试探性猜测。

• 语气策略: 温和纠正（先轻柔指出偏差，再给正确解释）
• 写画像: 写入 pending_weakness（待观察薄弱点）

C. 明确错误认知（explicit_misconception）

用户明确表达错误概念或错误断言，或重复犯同一类错。

• 语气策略: 直接纠正（明确指出错误，先给正确答案）
• 写画像: 写入 weakness（正式薄弱点）

Internal Workflow

Step 1: Classify

调用内部 LLM 判断模块（misconception_detector），获取分类结果。

Step 2: Route by Classification

A 类:

• 不调用 course_rag_tool
• 不调用 record_misconception_event
• 直接生成正常回答

B 类:

• 调用 course_rag_tool 获取证据和 concept 候选
• 生成温和纠正回答（语气友好，避免强否定）
• 调用 record_misconception_event，target_bucket="pending_weakness"

C 类:

• 调用 course_rag_tool 获取证据和 concept 候选
• 生成直接纠正回答（明确指出错误）
• 调用 record_misconception_event，target_bucket="weakness"

Step 3: Single-Shot Answer Generation

一次性生成最终回答，不走"先答再补丁追加"的方式。

Response Templates

A 类: 直接解释，不提及"你错了"

B 类: 先说"这里有个容易混淆的小点"，再温和纠正

C 类: 先说"这个说法不对"，再给正确答案

Notes

• concept_id 来自 course_rag_tool 检索结果，不由 detector 猜测
• 一次性生成完整回答，不做追加式修补
• 所有画像写入通过 record_misconception_event tool 完成