kp-graph-408
This server does not currently have a deployable release on Glama. Follow the repository's setup instructions to install and configure it for your MCP client, including any required credentials and local dependencies.
kp-graph-408
面向计算机考研 408 的考点图谱与教学诊断记忆层:提供细粒度考点编号体系、题目—考点映射、带置信度的跨科关系、答题轨迹 schema 与诊断查询。
不提供刷题界面、RAG、向量库、题库正文、教材正文。前端与检索层可由使用者自行搭配或替换。
中立声明:本项目不包含、不分发、不引导获取任何第三方题库、教材或真题内容。仓库内不含题库下载链接、爬虫、破解或绕过付费/DRM 的代码。导入器只接受使用者自备的合法数据,导入数据的合法性由使用者负责。详见
DATA-LICENSE.md。
这个项目提供什么
细粒度考点编号体系(
kp_code)题目—考点多对多映射 schema
考点之间的跨科关系 schema(带
origin/confidence)答题轨迹与考点级错因 schema
诊断查询(
broken_links)MCP 工具契约
Related MCP server: knowlib
这个项目解决什么
市面上的 408 工具大多停在「问了有答案、刷了有对错」。它们缺的是下面这一层:
一个稳定编号的考点体系(不是按章节标题,而是可被程序引用的
kp_code)题目到考点的多对多映射,带主次权重与置信度
考点之间的跨科关系(Cache ↔ TLB、页表 ↔ 映射方式、调度队列 ↔ 队列结构),且关系本身带来源与置信度
答题轨迹里考点级的错因,而不是只有对错
由此才能得出的结论:「你 A 掌握了,但没迁移到 B」
最后一条是整个项目的验收标准。它在 diagnose.broken_links() 里。
包结构
同一仓库发布两个包,职责不重叠:
包 | 角色 | 入口 |
| 核心数据层:schema、导入器、校验器、诊断查询、讲解层(生活类比)、真题抽取链路 |
|
| MCP 服务层:把 |
|
tutor_memory 只是 kp_graph 的协议外壳,不含独立数据逻辑。单独用 kp_graph(写脚本、做批处理)完全可行;只想接 Agent 时用 tutor_memory。
kp_graph 内部分层:diagnose(诊断:断链/弱点/下一步)与 explain(讲解:生活类比)职责分开——一个回答「哪里塌了」,一个回答「该怎么讲」,都输出纯数据、不调 LLM。
抽取链同样分层:exam_pdf(PDF → 文本块 + 图)→ exam(文本 → 题目,纯函数)→ importer(题目 → 库),textmatch 是 migrate_legacy 与 exam 共用的打分层。
MCP 部分只做 manifest + stdio server 骨架,mcp[cli] 为可选依赖:未安装时 --manifest 仍可打印全部工具契约,server.py 单文件、无硬依赖,全部逻辑在 tools.py(纯函数,可单测)。
快速开始
python -m kp_graph.cli seed --dir examples/seed
python -m kp_graph.cli validate
python -m kp_graph.cli coverage
python examples/simulate_student.py
python -m kp_graph.cli diagnose --student S-001
python -m kp_graph.cli analogy --kp DS-08-01-03 # 把考点讲成生活场景在真实考纲考点表(387 条)上跑跨科诊断:
python scripts/build_kp_ds.py && python scripts/build_kp_co.py
python scripts/build_kp_os.py && python scripts/build_kp_cn.py
python scripts/build_cross_relation.py
python examples/simulate_cross_subject.pysimulate_student.py 造一个在「Cache 映射」上全对、在跨科同构的「页表与地址转换」上全错的学生,输出:
关系置信度 >= 0.9:
1. [high] OS-03-02-01 (broken_link)
CO「Cache 映射方式」正确率 100%(3 题),OS「页表与地址转换」仅 0%(3 题),
二者关系为 analogous:概念已具备但未迁移历史数据导入与错因补判(只有对错、没有错因的老数据走这条路径):
python -c "from kp_graph import db, importer; c=db.init_db(); importer.record_attempt(c, {'student_id':'S-002','question_id':'q-OS-0002','chosen':'D','is_correct':False,'defer_diagnosis':True})"
python -m kp_graph.cli pending
python -m kp_graph.cli resolve --attempt 1 --kp OS-03-02-01 --error-type knowledge_gap测试与 MCP:
python -m unittest discover -s tests -v
python -m tutor_memory.server --manifest
pip install "mcp[cli]" # 可选;安装后 python -m tutor_memory.server 即 stdio MCP server导出教学记忆,并推送到任意记忆层(换记忆层只改 --backend,不改代码):
python -m kp_graph.cli export-memory --student S-001 # 只打印 JSON
python -m kp_graph.cli export-memory --student S-001 --backend json --dry-run # 看要写什么
python -m kp_graph.cli export-memory --student S-001 --backend json --push # 真写入
# 内置:none(默认)/ memory / json / eraherm;第三方用 module:factory
# 也可用环境变量 KP408_MEMORY_BACKEND 指定tutor_memory/memory_backend.py 定义了 MemoryBackend 协议(remember / recall /
supersede / capabilities / health,user_id 贯穿全部方法)。新增一家记忆层只需实现这五个方法
并暴露一个工厂函数,本项目零改动 —— 不支持纠正的后端会自动降级成「正文标记旧判断作废」的追加写入。
真题 PDF → 题库(抽取链路)
extract_exam 把 PDF 变成 importer 能直接吃的题目 JSON,中间不做任何「猜」:
# 1. 只抽不写库(题 + 图 + 文本块)
python -m kp_graph.cli extract --pdf 2024年408真题.pdf --out-dir extracted/2024
# 2. 一条命令跑到底:抽取 → 入库 → 规则候选 → 覆盖统计
python -m kp_graph.cli --db all.sqlite3 import-exam --pdf 2024年408真题.pdf
# 3. 看还差哪些考点的题
python -m kp_graph.cli --db all.sqlite3 coverage --missing 40产出两个文件:
文件 | 内容 |
| 图(含 bbox 与归属题号)、每页文本块、拒绝入库的题及原因 |
| 可直接 |
三层职责不混:
exam_pdf只把 PDF 变成「文本块 + 裁好的图」,图按 y 坐标挂到上方最近的题号exam只把文本块变成「题号 / 题干 / 选项 / 答案 / 解析」,不碰 PDF,因此可以纯文本单测importer只把结构化 JSON 写库,不做语义判断
默认不替你拍板,这是与「一键生成题库」最大的差别:
suggest_kp的候选分数硬封顶 0.85,落库阈值默认 0.9 —— 题干提到某个术语不等于这题考它,导入后question_kp一定是空的想让规则先垫一层必须显式降阈值:
--min-confidence 0.8,且写入的method='rule'没抽到答案的题直接拒绝并列出原因,不伪造字段(
question.answer是 NOT NULL)题号落不进任何科目区间的题同样拒绝:
subject有 CHECK 约束,猜一个比丢掉更糟
卷面结构(题号 → 科目)
syllabus/exam_spans.json 只登记公开的卷面结构(题型、题号跨度),years 里没登记的年份回落到 default,
并在结果里标 span_source=default(entity=default) —— 科目是推断出来的,这件事必须留痕。用 --structure <json> 可覆盖。
扫描件
无文本层的 PDF 走降级路径:整页渲染成 pNN_scan.png,文字靠人工转录;加 --ocr 才调 Tesseract
(需要系统装 tesseract 且有 chi_sim 语言包,只 pip install 是不够的)。
缺 Tesseract 时只报错不抛异常 —— 不能因为没装 OCR 就让整份卷子作废。
扫描件上的图没法单独裁出来:一页就是一张位图,文字与图形不可分离。这是该路径的硬限制,不是待办事项。
已知边界
综合题的答案与解析在卷面上通常不分离,抽取结果里会合并进
answer并标 warning抽取出的题一律标
source为「PDF 抽取,需人工校对」,license_status=user_supplied试卷排版差异大(选项并排、跨页题干、答案夹注),正则覆盖不到的地方靠
warnings/rejected暴露,不静默丢弃
Agent 侧(任意支持 MCP 的客户端)
这几个工具专门给 Agent 用 —— 人的「复核」环节正好由模型判断承担:
工具 | 用途 |
| 导入前预检,别等入库失败才发现第 37 条缺字段 |
| 拿到 PDF 先看摘要与预览,别把整卷正文塞回上下文 |
| 预览无误后导入题库 |
| 每题取候选考点(封顶 0.85,需复核) |
| 复核后回写映射 |
| 查还差哪些考点的题 |
| 只有「请求页式」这种词时先搜入口,不用猜编号 |
| 从考点走出链路:前置要会什么 / 谁会用到它 |
整条链不依赖任何外部题库,Agent 只需要使用者自备的 PDF。
接进 MCP 客户端(Claude Desktop / Cursor / Hermes / OpenClaw 都是同一套 mcpServers 的变体,字段名以各自文档为准):
{
"mcpServers": {
"kp-graph-408": {
"command": "python",
"args": ["-m", "tutor_memory.server", "--db", "<绝对路径>/all.sqlite3"],
"cwd": "<绝对路径>/kp-graph-408"
}
}
}先用 python -m tutor_memory.server --manifest 确认 23 个工具都列得出来 —— 没装 mcp[cli] 也能打印,
所以配置排错了能一眼分清是「没装依赖」还是「路径错」。
本项目不绑定任何 Agent,也不绑定任何记忆层。 是否需要再接一层长期记忆、接哪一家,由使用者自己选;
选型标准、可插拔边界与踩坑清单见 AGENT-MEMORY.md。
考点编号规则
SUBJECT[-NN]... 例: DS-08-01-03
depth 1 = 章 2 = 节 3 = 考点 4 = 子考点 / 题型细分四条硬规则,validate 强制检查:前缀与 subject 一致、depth 等于编号级数、非章级必须挂 parent、parent 不得跨科。
编号体系的来源与许可证
本项目的考点编号体系为原创:按 408 考试大纲的章节结构自行编码,kp_code 只承诺结构稳定,不复刻任何第三方材料的小节标题。
不从任何第三方材料的清洗整理稿提取编号或标题。标题一律使用考纲通用术语(如「Cache 映射方式」「页表与地址转换」),不使用某本教材的独有表述。
kp.origin记录每行产出方式:syllabus(考纲)/manual(人工)/llm(模型生成,必须人工复核)。origin='llm'且confidence<0.8的行会被校验器 warn。若将来确需引入第三方来源,必须在
DATA-LICENSE.md逐条登记来源、授权方式、覆盖范围、引入日期,不得静默混入。
上一代 284 条知识点通过 kp_legacy_map 保留可回溯映射,不直接改 code。一条旧知识点可映射到多个新考点,未人工确认的多元映射会被标 warn。
跨科关系与置信度闸门
关系类型:prereq 依赖 / analogous 类比 / contrast 易混 / compose 组成。
kp_relation 带 origin 与 confidence,这是诊断可信度的闸门:
confidence | 含义 |
1.0 | 人工按考纲结构确认 |
0.6 ~ 0.8 | 规则推断(同名词、同层级、跨科同名考点) |
< 0.6 | LLM 抽取候选,未复核 |
broken_links 默认只消费 confidence >= 0.6 的边(--min-confidence 可调),未复核关系不会进入诊断结论。示例数据里留了一条 origin=llm, confidence=0.3 的边,validate 会同时报 rel.low_confidence 与 rel.llm_unreviewed。
边端点的正确率按子树聚合(rollup),这是一个容易踩空的坑:真实关系常挂在章或节上(OS-03-02 --analogous--> CO-03-06),而题目与作答只发生在考点级(OS-03-02-01)。只比边端点自身的正确率,两端都查不到记录,跨科断链在真实数据上恒为空。实测:子考点作答时,rollup=False 输出 0 条,rollup=True 输出 1 条。--no-rollup 可关闭对照。
gap 相同的多条断链按 weak_depth 降序,让建议落到具体考点而不是整个章节。
诊断查询本身不调用 LLM,可复现、可审计。但诊断质量由关系图谱的构建质量决定——「不需要 LLM」不等于「关系数据天然可信」,这也是关系必须带置信度的原因。
生活类比:解释层,不是定义层
抽象概念挂在 kp 上是一句话(「Cache 和主存之间的映射方式」),学生看不懂的不是这句话,是它背后的机制。kp_analogy 把考点映射到学习者已经熟悉的场景:抽屉与档案室、食堂餐盘堆、酒店超售。
每条类比必须写 breaks_at。 这不是装饰字段:任何类比都有失效边界,「内存像桌面」会让学生以为内存断电不丢东西、「出队像排队」解释不了循环队列。「不标边界的类比比不讲类比更糟」是这张表的设计前提,validate 会对空 breaks_at 报 analogy.no_breakpoint。
闸门与 kp_relation 一致:
字段 | 作用 |
|
|
| 低于 0.6 不进入讲解 |
| 只有 |
一个考点可以挂多个类比;查叶子考点时默认沿 parent 链继承上级章节的通用类比(自身的最先返回),--no-ancestors 可关闭。
# 把考点讲成生活场景(含失效边界)
python -m kp_graph.cli --db all.sqlite3 analogy --kp CO-03-06-02
# 按某个学生的弱考点批量看类比
python -m kp_graph.cli --db all.sqlite3 analogy --student S-001
# 诊断输出默认附一条弱端的类比,--no-analogy 关掉
python -m kp_graph.cli --db all.sqlite3 diagnose --student S-001
# 导入(自己写或模型起草后人工过一遍)
python -m kp_graph.cli --db all.sqlite3 import --analogy examples/analogy_sample.json
# 导入前预检:不动库,逐条指出第几条、哪个字段有问题
python -m kp_graph.cli --db all.sqlite3 import --questions 我的题目.json --check
# 只想跳过坏条目继续导入
python -m kp_graph.cli --db all.sqlite3 import --questions 我的题目.json --skip-invalid导入默认有 error 就整份拒绝——半截数据比没有数据更难排查。error 的门槛是「这一条导进去 一定会失败或一定写错」(字段缺失、编号非法、外键必然失败),「看着可疑但能导进去」的一律只给 warn (多选题、选项数偏少、类比没标失效边界)。
examples/seed/analogy.json(7 条,四科齐全,含一条故意留空边界的 LLM 草稿用于演示闸门)随 seed 一起导入;examples/analogy_sample.json 面向 387 条真实考纲库。MCP 侧对应 get_kp_analogy 工具。
validate 的类比相关告警:analogy.no_breakpoint / analogy.bad_mapping / analogy.unreviewed / analogy.low_confidence(后两者聚合成一条,不刷屏)。
数据表
表 / 视图 | 作用 |
| 考点,含 |
| 关系,含 |
| 题目结构; |
| 多对多映射,带 |
| 作答记录,含自评把握、耗时、 |
| 考点级错因,每题每个涉及考点一行 |
| 教学策略记忆: |
| 旧编号 → 新编号 |
| 生活案例类比(场景 / 逐项映射 / 失效边界),带 reviewed 闸门 |
| 跨科关系(含 origin/confidence) |
| 学生 × 考点正确率(排除 pending) |
| 待判定错因队列 |
| 考点题目覆盖数 |
错因与 pending 过渡态
错因枚举:concept_confusion / calculation / misread / forgetting / knowledge_gap / none / pending。
实时作答:答错不给
diagnoses直接抛错,宁可失败不写脏数据历史数据导入:显式传
defer_diagnosis=True,为该题所有考点写pending,attempt.diagnosis_status='pending'pending不参与正确率统计(v_kp_accuracy显式过滤),避免把「未判定」当「答错」补判用
resolve_diagnosis/python -m kp_graph.cli resolve,该 attempt 的 pending 清零后自动转complete
为什么错因挂在考点而不是题目上:同一道综合题两道小问可能分别塌在不同考点。只记题目对错,诊断层拿不到任何可用信号。
teaching_memory 的归属边界
这张表在本项目中只是 schema 规范 + 本地工作副本,不是跨项目记忆主存储。
本项目不承担记忆治理职责:不做分层淘汰、不做跨科目聚合、不做跨会话召回。这些是记忆层的职责 —— EraHerm-Memory(MIT,© 2026 杨文华)是其中一例,换成 Zep / Mem0 / 自建表同样成立。把记忆主存储绑在单个学科项目里,换个科目就是孤岛。
已实现的一个适配器在 tutor_memory/eraherm_bridge.py(面向 EraHerm-Memory,尚未抽象成通用接口),核心映射:
kp-graph-408 | EraHerm-Memory |
|
|
|
|
|
|
|
|
|
|
| 不导出(失败策略只留本地避坑) |
| 取代链 / |
导出的 content 刻意保留 kp_code 与考点标题原文:EraHerm 的召回是语义 + 词法混合,术语写全比写得漂亮更有用。
408 题型约束
408 统考只有单选题与综合应用题。schema 中保留 multi 仅为未来扩展到非 408 科目,校验器会对 408 科目下的 multi 报 warn,示例数据也不含多选。
示例数据的边界
examples/seed/ 只放自编示例数据,规模固定:
22 条示例考点
5 道自编示例题(题干、选项、答案、解析均为原创或通用表述)
关系与旧编号映射仅用于演示闸门效果
tests/test_smoke.py 中有断言锁定这两个数字,防止示例数据膨胀成事实上的题库。
data/、*.sqlite、*.db、用户导入文件一律由 .gitignore 排除,不进入版本库。
真实考纲目录(四科全部落地)
考纲的章节层级是公开发布的官方文件结构,属于「原材料」;本项目做的是「加工」——给每一级分配稳定的 kp_code 与 depth,并校验编号规则能否覆盖官方层级。不涉及任何教材或题库正文。
examples/seed/ 受 22 条上限约束,所以真实目录放在独立的 syllabus/ 目录,不影响示例数据边界。
syllabus/kp_DS.json 71 条:7 章 / 40 节 / 24 三级 / 0 四级
syllabus/kp_CO.json 102 条:6 章 / 30 节 / 59 三级 / 7 四级
syllabus/kp_OS.json 104 条:5 章 / 18 节 / 62 三级 / 19 四级
syllabus/kp_CN.json 110 条:6 章 / 32 节 / 69 三级 / 3 四级
合计 387 条考点
syllabus/kp_*_relation.json 58 条科内先修关系
syllabus/kp_cross_relation.json 10 条跨科关系
syllabus/legacy_from_demo.json 示例编号 → 考纲编号的迁移映射
scripts/outline_common.py 公共构建器(编号/depth/parent/syllabus_ref 推导)
scripts/build_kp_{ds,co,os,cn}.py 各科结构数据
scripts/build_cross_relation.py 跨科关系python scripts/build_kp_ds.py && python scripts/build_kp_co.py
python scripts/build_kp_os.py && python scripts/build_kp_cn.py
python scripts/build_cross_relation.py
python -m kp_graph.cli --db all.sqlite3 import \
--kp syllabus/kp_DS.json --kp syllabus/kp_CO.json \
--kp syllabus/kp_OS.json --kp syllabus/kp_CN.json每个脚本自带结构断言(章/节/三级/四级的数量),数字对不上就退出非零——这不是装饰:OS 与 CN 首次生成时正是靠它抓到我自己手算错了四级条目数。
实测:387 条考点,0 错误。warn 全部是 kp.no_question(尚无题目)与 legacy.ambiguous,属于预期。
旧编号 → 考纲编号:只出候选,不替你拍板
旧条目和考纲条目常常不是一词之差(「顺序表」→「顺序存储」、「内部排序」→ 10 条平铺条目)。 词法相似度算不出来的部分必须交给人——硬猜出来的映射会污染整条诊断链路。
# 1. 出报告(只读,不写库)
python scripts/migrate_legacy.py --db all.sqlite3 --legacy examples/legacy_sample.json
# 2. 产出候选文件,逐条人工复核
python scripts/migrate_legacy.py --db all.sqlite3 --legacy examples/legacy_sample.json \
--out syllabus/legacy_candidates.json
# 3. 人工确认的一对多映射写进 alias,再落库
python scripts/migrate_legacy.py --db all.sqlite3 --legacy examples/legacy_sample.json \
--alias examples/legacy_alias_sample.json --apply分档规则:>= 0.90 可直接采用,0.60 ~ 0.90 进人工复核桶,< 0.60 记为未匹配。
只有「完全相同」和「人工确认」才可能落库;包含/词形相似一律封顶在复核区间。
落库前会校验 kp_code 是否存在,写错的编号会整体拒绝而不是留半条脏数据。
syllabus_ref 采用「章.节.子项」的阿拉伯数字路径,与大纲 PDF 的章序一致:
层级 | 形式 | 示例 |
章 |
|
|
节 |
|
|
三级 |
|
|
四级 |
|
|
核对记录(数据结构)
初版 117 条按教材体例组织,与官方大纲有 10 处结构性偏差,已全部推翻重建。其中 4 处是漏条目或错条目:
初版 | 官方大纲 | 性质 |
线性表的实现拆成两个二级 | 「线性表的实现」为二级,顺序/链式是其下三级 | 层级错 |
数组与特殊矩阵合成一个二级 | 「多维数组的存储」「特殊矩阵的压缩存储」两个并列二级 | 层级错 |
前缀编码与判定树 | 「堆及其应用」 | 条目错 |
树型查找下挂 B 树、B+ 树 | B 树/B+ 树为独立二级 | 层级错 |
顺序/折半/分块查找合并 | 三个独立二级 | 层级错 |
缺字符串模式匹配 | 「(八) 字符串模式匹配」 | 漏条目 |
缺查找算法的分析及应用 | 「(九)」 | 漏条目 |
排序按插入/交换/选择分组,希尔挂在插入下 | 12 个平铺二级 | 层级错 + 漏条目 |
图遍历 BFS 在前 | 深度优先在前 | 顺序错 |
自造 76 个三级细分 | 大纲三级共 24 个,无四级 | 虚构层级 |
拿到官方大纲 PDF 后,又修正了 9 处逐字抄录层面的偏差(这类偏差不会报错,但会让 kp 与原文对不上):
曾写 | 大纲原文 |
二叉树的定义及其主要特性 | 主要特征 |
排序算法的分析与应用 | 分析和应用 |
哈夫曼**(Huffman)**树 | 哈夫曼**(Huffman)**树(半角) |
最小**(代价)**生成树 | 最小**(代价)**生成树 |
B 树…B+ 树 | B树…B+树(无空格) |
散列**(Hash)**表 | 散列**(Hash)**表 |
起泡排序**(Bubble Sort)** | 起泡排序**(bubble sort)** |
希尔排序**(Shell Sort)** | 希尔排序**(shell sort)** |
二路归并排序**(Merge Sort)** | 二路归并排序**(merge sort)** |
syllabus/ 中全部节点 origin='syllabus'。唯一一个 confidence=0.9 的是 DS-06-05-01:大纲 PDF 该处字形不清(可能是「二叉搜索树」也可能是「二叉树搜索树」),按标准术语记为前者并降置信度留痕,待原文核对后再提为 1.0。
核对记录(组成原理)
按官方大纲 PDF 逐条抄录,共六章 30 节 59 三级 7 四级。四级只集中在两处:
3.7.2 页式虚拟存储器→ 「基本原理、页表、地址转换、TLB(快表)」6.3 I/O方式→ 程序中断方式下 4 项、DMA方式下 2 项
核对记录(操作系统)
共五章 18 节 62 三级 19 四级。四级分布较散(进程通信、调度实现、互斥实现、银行家算法、页面置换、文件操作、I/O 各层等),是四科中层级最深的一科。
有一处需要判断的是「进程管理」的组织方式。大纲 PDF 中:
CPU调度与上下文切换下挂着调度的基本概念 / 调度的目标 / 调度的实现而
CPU调度算法 / 多处理机调度 / 上下文及其切换机制在下一页以同级项目符号出现
若按后者也判为二级,则「CPU调度与上下文切换」与「上下文及其切换机制」语义重复,不像官方体例。结合《考试大纲解析》目录对进程管理的描述(「进程与线程、CPU调度、进程同步、死锁」四个节级),判定这三个条目是 CPU调度与上下文切换 下的三级:
2.2 CPU调度与上下文切换
2.2.1 调度的基本概念
2.2.2 调度的目标
2.2.3 调度的实现 → 调度器/调度程序(scheduler)、调度的时机和调度方式…
2.2.4 CPU调度算法 → 先来先服务(FCFS)、短作业优先(SJF)、时间片轮转、优先级、高响应比、多级反馈队列
2.2.5 多处理机调度
2.2.6 上下文及其切换机制这一判定同时被 tests/test_smoke.py::test_process_management_has_four_sections 与 test_scheduling_topics_are_third_level 锁定。
核对记录(计算机网络)
共六章 32 节 69 三级 3 四级。四级只有 3 处,都在介质访问控制下:信道划分、随机访问、轮询访问各自聚合的那一行明细。
跨科关系
kp_cross_relation.json 共 10 条,是本项目诊断能力的核心:
方向 | 条数 | 代表 |
CO ↔ OS | 7 |
|
DS ↔ OS | 3 |
|
这些边让「在组成原理会、在操作系统不会」这种结论成为可能。实测(python examples/simulate_cross_subject.py):
强端 CO-03-07-02-01 CO 基本原理、页表、地址转换、TLB(快表) acc=100%
弱端 OS-03-02-02 OS 请求页式管理 acc=0%
关系 analogous (confidence=0.95) gap=1.00
→ CO「…TLB(快表)」正确率 100%,OS「请求页式管理」仅 0%:概念已具备但未迁移单看任何一科的正确率都得不出这句话。
kp 表的 depth ≤ 4 约束覆盖了四科全部层级,无需放宽。
任何一科的目录修订都必须先做逐条核对——DS 初版的错误证明,凭印象写层级会系统性偏离官方体例。
许可证
代码:MIT(见
LICENSE)考点编号体系、关系数据、schema 文档:CC BY 4.0(见
DATA-LICENSE.md)不覆盖任何第三方教材、真题、题库内容
设计思路参考以下项目,但不包含其代码与数据的任何副本:
CacheFlow408 — MIT, Copyright (c) 2026 ya1u737
EraHerm-Memory — MIT, © 2026 杨文华 (Wenhua Yang)路线
schema + 导入器 + 校验器 + 诊断查询 + 关系置信度闸门 + pending 过渡态
MCP 工具契约(manifest + stdio 骨架,
mcp[cli]可选)教学记忆导出格式
记忆层适配器协议(
MemoryBackend)+--push落库,换记忆层只改配置数据结构考纲目录落地并与官方大纲逐条核对(71 条,0 错误,
syllabus_ref已回填)计算机组成原理考纲目录落地并与官方大纲逐条核对(102 条,0 错误)
操作系统考纲目录落地并与官方大纲逐条核对(104 条,0 错误)
计算机网络考纲目录落地并与官方大纲逐条核对(110 条,0 错误)
跨科关系 10 条,跨科断链诊断在真实考纲编号上跑通
真题 PDF → 题库:题/图结构化、选项与答案解析、扫描件 OCR 可选、一卷一命令(
extract/import-exam)题目→考点候选 + 复核回写 + 覆盖统计,全部暴露为 MCP 工具(Agent 直接可用)
扫描件上的配图单独切出(需要版面分析,OCR 解决不了)
284 条旧编号 → 考纲编号映射工具(规则候选 + 人工复核队列 + 覆盖率报告)
通用导入适配层:接受使用者自备的 JSON / SQLite(不内置任何来源)
错因自动判定(LLM 只产出候选,落库必须经人工或高置信度规则确认)
题目落地后跑
coverage,定位哪些叶子考点还没有任何题
四科落地情况
科目 | 状态 | 条目量(章 / 节 / 三级 / 四级) |
数据结构 | 已核对 | 7 / 40 / 24 / 0 = 71 |
计算机组成原理 | 已核对 | 6 / 30 / 59 / 7 = 102 |
操作系统 | 已核对 | 5 / 18 / 62 / 19 = 104 |
计算机网络 | 已核对 | 6 / 32 / 69 / 3 = 110 |
合计 | 387 |
每科的落地流程固定为:先取官方大纲原文逐条抄录 → 写 scripts/build_kp_<科>.py → 生成 syllabus/kp_<科>.json → import → validate 必须 0 错误 → 补先修关系 → 加一组锁定测试。第一步不可跳过。
examples/seed/ 始终维持 22 条考点、5 道自编示例题不变,仅用于跑通链路;真实目录只进 syllabus/。
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
Related MCP Connectors
Personal knowledge graph as an AI memory layer over MCP - read, save, and link your memories.
Knowledge Network for AI Agents and creators: Search, rate, and review programming guides via MCP
Public read-only MCP access to digital learning concepts, semantic relationships, and citations.
Query your own PDFs and documents from any MCP client. Every answer cites the page it came from.
Related MCP Servers
- FlicenseNot gradedqualityCmaintenanceEnables structured knowledge and relationship modeling through a persistent network graph, with tools for linking structures, running six-dimensional comparisons, writing confidence scores, and learning from GitHub or computer-science fundamentals via natural-language MCP interactions.-
- AlicenseNot gradedqualityCmaintenanceEnables LLM agents to query a structured knowledge library for search, explanations, related concepts, learning paths, examples, and cross-domain references via MCP.Apache 2.0
- AlicenseBqualityBmaintenanceEnables MCP-compatible AI clients to act as a personal exam-prep tutor for Chinese postgraduate entrance exams, with a local knowledge base, spaced-repetition review scheduling, worksheet generation and delivery (print/PDF/HTML/text), and learning analytics—all with zero third-party dependencies and data staying local.142MIT
- AlicenseNot gradedqualityCmaintenanceEnables MCP-compatible AI clients to tutor students through a full learning workflow, including knowledge retrieval, assessments, mastery tracking, and personalized next-action recommendations.MIT