Phase 0-2: Schema cleanup, typed relations, event-driven automation

- Phase 0: AGENTS.md cleanup (dedup quotes, renumber sections, merge qmd)
- Phase 1: typed relations (manage-relations.py, graph-search.py, check-staleness.py, detect-conflicts.py)
- Phase 2: frontmatter validator, weekly lint, knowledge promotion, git hooks
- Fix .gitignore to track tools/ and .githooks/
- Fix git remote URL (remove plaintext token)
- New wiki pages: 504 pages, 34 raw sources

wiki/知识追踪.md

@@ -0,0 +1,145 @@
+---
+categories:
+  - "[[LLM Wiki]]"
+tags:
+  - wiki
+  - concept
+  - knowledge-tracing
+  - adaptive-learning
+  - bayesian-inference
+created: 2026-04-20
+source: "[[教学大模型发展状况深度研究报告-20260415]]"
+type: concept
+aliases:
+  - 知识追踪
+  - Knowledge Tracing
+  - KT
+---
+
+# 知识追踪
+
+知识追踪（Knowledge Tracing, KT）是自适应学习系统的核心技术，通过概率模型动态估计学生对各个知识点的掌握程度。
+
+## 定义
+
+知识追踪是一种基于贝叶斯推理的方法，根据学生的历史答题记录，实时更新学生对每个知识点的掌握概率。
+
+## 核心思想
+
+### 概率模型
+
+知识追踪将学生对知识点 k 的掌握建模为概率：
+
+```python
+# 简化的知识状态更新逻辑
+P(knowing_k | response) = f(
+    prior_knowledge,      # 先验知识概率
+    response_correct,     # 回答正确/错误
+    difficulty_k,         # 问题难度
+    time_taken            # 回答时间
+)
+```
+
+### 贝叶斯更新
+
+```
+初始状态：P(knowing_k) = 0.5（完全未知）
+
+回答问题k_1（正确）：
+  P(knowing_k | correct) = 0.8  （掌握概率上升）
+
+回答问题k_2（错误）：
+  P(knowing_k | incorrect) = 0.6 （掌握概率下降）
+
+回答问题k_3（正确）：
+  P(knowing_k | correct) = 0.85 （掌握概率进一步上升）
+```
+
+## 知识追踪算法演化
+
+| 代际 | 算法 | 特点 |
+|------|------|------|
+| **1.0** | 贝叶斯知识追踪（BKT） | 单知识点独立追踪 |
+| **2.0** | 因子追踪（PFA） | 多知识点依赖建模 |
+| **3.0** | 深度知识追踪（DKT） | RNN/LSTM时序建模 |
+| **4.0** | Transformer知识追踪 | 注意力机制，并行推理 |
+
+## 核心组件
+
+### 1. 知识点模型
+
+每个知识点独立建模：
+- 先验概率 P(knowing_k)
+- 概率学习概率 P(learn)
+- 概率遗忘概率 P(forget)
+- 概率猜测概率 P(guess)
+- 概率失误概率 P(slip)
+
+### 2. 答题记录
+
+```
+学生答题历史：
+[
+  {question_id: 1, correct: false, time: 5.2},
+  {question_id: 2, correct: true, time: 3.1},
+  {question_id: 3, correct: true, time: 2.8},
+  ...
+]
+```
+
+### 3. 状态更新
+
+```
+for each response:
+  P(knowing_k) = update(
+    prior = P(knowing_k),
+    response = correct/false,
+    difficulty = difficulty_k,
+    time = time_taken
+  )
+
+  if P(knowing_k) > 0.8:
+    标记为"已掌握"
+    移出练习队列
+```
+
+## 实践应用
+
+| 产品 | 应用方式 | 效果 |
+|------|----------|------|
+| **ALEKS** | 知识追踪算法 | 精准诊断知识空白 |
+| **Duolingo** | Birdbrain个性化模型 | 自适应难度调整 |
+| **Khanmigo** | 结合LLM的推理能力 | 动态学习路径规划 |
+
+## 核心优势
+
+1. **实时适应**：每次答题都更新知识状态
+2. **精准诊断**：可以识别每个知识点的掌握程度
+3. **预测能力**：可以预测学生未来表现
+4. **完全个性化**：每个学生的知识状态都是独特的
+
+## 局限性
+
+1. **数据需求大**：需要大量答题历史才能准确估计
+2. **独立性假设**：传统BKT假设知识点独立（简化了实际情况）
+3. **冷启动问题**：新学生缺乏历史数据，初始估计不准确
+
+## LLM时代的新发展
+
+随着大语言模型的发展，知识追踪正在与LLM结合：
+
+- **LLM辅助知识追踪**：用LLM从对话中推断知识状态
+- **多模态知识追踪**：结合语音、图像、文本等多模态信息
+- **可解释性增强**：用LLM解释知识追踪的推理过程
+
+## 相关概念
+
+- [[知识空间理论]] — 知识结构的形式化表示
+- [[ITS（智能辅导系统）]] — 应用知识追踪的系统
+- [[自适应学习]] — 学习理念
+- [[ALEKS]] — 知识追踪的代表产品
+- [[Duolingo]] — Birdbrain个性化模型
+
+## 来源
+
+- [[教学大模型发展状况深度研究报告-20260415]] — 知识追踪算法、应用案例