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/自适应学习.md

@@ -0,0 +1,122 @@
+---
+categories:
+  - "[[LLM Wiki]]"
+tags:
+  - wiki
+  - concept
+  - adaptive-learning
+  - personalization
+  - ai-education
+created: 2026-04-20
+source: "[[教学大模型发展状况深度研究报告-20260415]]"
+type: concept
+aliases:
+  - 自适应学习
+  - Adaptive Learning
+  - 个性化学习
+---
+
+# 自适应学习
+
+自适应学习（Adaptive Learning）是一种根据学生个人情况、学习进度和认知特征，动态调整教学内容、难度和节奏的学习方式。是AI教育的核心理念之一。
+
+## 定义
+
+自适应学习通过收集和分析学生的学习数据（答题正确率、学习时间、注意力等），实时调整学习路径，实现"一人一策"的个性化学习体验。
+
+## 核心理念
+
+```
+传统教学                     自适应学习
+────────────────────────────────────────────────────────────
+一刀切的内容和进度      →    个性化内容和路径
+固定难度和节奏          →    动态难度和节奏
+被动接受知识            →    主动探索和发现
+统一评估标准            →    个性化评估和反馈
+```
+
+## 自适应学习三个层次
+
+### 1. 微观自适应（问题级）
+
+根据当前问题实时调整：
+
+| 策略 | 实现 |
+|------|------|
+| **难度调整** | 根据前几题表现动态调整下一题难度 |
+| **提示策略** | 答错时给出渐进式提示而非直接答案 |
+| **内容推荐** | 推荐相关知识点补充 |
+
+### 2. 中观自适应（知识级）
+
+根据知识掌握情况调整：
+
+| 策略 | 实现 |
+|------|------|
+| **知识追踪** | 实时更新每个知识点的掌握概率 |
+| **路径规划** | 在知识空间中寻找最优学习路径 |
+| **遗忘曲线** | 根据遗忘理论安排复习 |
+
+### 3. 宏观自适应（学生级）
+
+根据学生整体情况调整：
+
+| 策略 | 实现 |
+|------|------|
+| **学习风格适配** | 视觉/听觉/动手等学习风格匹配 |
+| **兴趣驱动** | 根据学生兴趣推荐内容 |
+| **时间管理** | 根据注意力曲线安排学习时间 |
+
+## 技术实现
+
+| 技术 | 作用 | 代表产品 |
+|------|------|----------|
+| **知识追踪** | 实时更新知识状态 | ALEKS |
+| **知识空间理论** | 构建知识结构 | Carnegie Learning |
+| **推荐算法** | 个性化内容推荐 | Duolingo (Birdbrain) |
+| **LLM推理** | 生成式自适应对话 | Khanmigo |
+| **深度学习** | 学习行为预测 | 小猿AI |
+
+## 核心优势
+
+1. **个性化**：每个学生的学习路径都是独特的
+2. **效率优化**：避免重复学习已掌握内容
+3. **实时反馈**：即时代替和纠正，避免错误固化
+4. **动机维持**：适当挑战度，避免挫败或厌倦
+
+## 实践应用
+
+| 产品 | 自适应特点 | 效果 |
+|------|------------|------|
+| **ALEKS** | 知识追踪 + 动态路径规划 | 精准诊断知识空白 |
+| **Duolingo** | Birdbrain个性化模型 | 自适应难度调整 |
+| **Khanmigo** | 苏格拉底式引导 + 知识追踪 | 个性化辅导 |
+| **小猿AI** | 五重错因分析 + 三位一体 | 全场景覆盖 |
+
+## 关键挑战
+
+1. **数据需求大**：需要大量学习数据才能准确建模
+2. **隐私保护**：学生数据的安全存储和使用
+3. **内容质量**：自适应不能弥补内容本身的不足
+4. **技术成本高**：构建和维护自适应系统成本较高
+
+## LLM时代的新发展
+
+随着大语言模型的发展，自适应学习正在升级：
+
+- **LLM增强推理**：用LLM实现更智能的路径规划
+- **多模态自适应**：结合语音、图像、文本等多模态信息
+- **对话式自适应**：通过自然语言对话实时调整策略
+- **跨场景整合**：学习、练习、测评全链路自适应
+
+## 相关概念
+
+- [[知识追踪]] — 自适应学习的核心技术
+- [[知识空间理论]] — 自适应路径规划的理论基础
+- [[教学大模型]] — LLM驱动的自适应学习
+- [[ITS（智能辅导系统）]] — 自适应学习系统
+- [[Khanmigo]] — 自适应AI导师案例
+
+## 来源
+
+- [[教学大模型发展状况深度研究报告-20260415]] — 自适应学习、产品案例、技术实现