English | 中文
👉 访问精美的互动式官方主页 👈
一款开源主动式平台，完整覆盖课程闭环：基于教学理论生成课程内容、通过 xAPI 追踪真实学习行为，并借助 AI 驱动的反馈循环持续优化课程模块。
生成（Generate） — Tavily 研究 Agent 在内容生成前检索经验证的学术、视频与新闻来源。布鲁姆认知分类法、Krashen 的 i+1 难度递进和认知负荷理论内置于生成流水线，确保课程结构符合真实学习规律。不会出现幻觉引用。
追踪（Track） — 学生的每一次交互均生成 xAPI 语句。一条 5 节点 A2A 多 Agent 流水线（行为分析师 · 风险检测器 · 内容优化器 · 群组对比器）分析学习参与模式、标记高风险学习者、识别表现欠佳的模块，并提供完整的分析仪表板与可导出报告。
优化（Optimize） — 课程 Agent 将分析结果转化为具体的模块修改建议。教师通过修改前后对比预览逐一审阅并批准或拒绝每条 AI 建议。已批准的修改回流至下一轮学习数据周期——闭环完成。
大多数 EdTech AI 工具将人工智能视为需要监控的威胁——检测学生是否使用了 AI，标记"非原创"作品，强制要求原创性。
Plot Ark 持完全相反的立场。
AI 是认知工具，不是威胁。 一个用 AI 起草答案、然后真正理解它、完善它、并能用自己的语言解释它的学生——这个学生学到了东西。不加理解地复制粘贴，是学生在欺骗自己，而不是需要被系统惩罚的问题。
Plot Ark 没有 AI 检测机制，也永远不会有。它问的不是"你用了 AI 吗？"，而是"学习发生了吗？"——并通过布鲁姆认知分类法对齐、i+1 难度递进和 xAPI 学习行为追踪来回答这个问题。
课程引擎本身也遵循同样的逻辑：AI 生成结构，教学理论约束输出，教师始终掌握最终决策权。工具负责思考；人负责决定。
这个系统的设计初衷，是让没有人被系统漏掉。作者本人，就是那个曾经被漏掉的人。
Anthropic 经济指数报告（2026年1月）发现，prompt 复杂度与回复复杂度之间的相关系数 r = 0.925 —— 你投入的思考越深，它给出的回应越深。
课程生成 (Course generation) — 主动式信源检索、大纲导入与交互式模块调整
生成过程中的 AI 建议 (AI suggestion) — 将 AI 助教与教学建议直接嵌入课程编辑器
带四按钮的学生面板 (Student panel) — 每模块情绪收集，数据回流到分析闭环
xAPI 学生数据分析 (Data analysis) — 5 节点 A2A 分析流水线，模拟并检测学习者预警风险
课程 Agent 与 xAPI 重演 (Curriculum agent & xAPI rerun) — 基于学习者数据的、人在回路的模块内容优化
▶ xAPI + A2A 分析演示视频（Google Drive）
🧠 课程生成
- 主动式信源检索 — Tavily Agent 在生成前跨多种领域发起检索：学术（JSTOR、Springer、ResearchGate…）、视频（TED、Coursera、YouTube）以及新闻（HBR、Economist、NYT）
- 可信引用 — 经验证的真实 URL 直接注入提示词；信源面板显示完整标题、类型标签（📄/🎬/📰）及预计阅读/观看时长
- 结构自检 — 生成完成后自动验证 complexity_level 递进关系与模块数量；结构无效时自动重试一次
- 布鲁姆认知分类法对齐 — 课程代码（如 ACCT 301）自动映射到对应认知层级（记忆 → 创造）
- i+1 难度递进 — complexity_level 在各模块间递增，每个模块都建立在前一个基础之上
- 认知负荷约束 — 每个模块最多 2 篇阅读材料，每篇均附有明确的教学理论依据
- 课程类型 — 支持项目制、论文、辩论/角色扮演、实验/模拟，或混合评估形式
- SSE 流式生成 — 内容逐 token 流式输出；生成开始前显示研究 Agent 状态
- 大纲导入 — 上传 PDF 或 DOCX；GPT 自动提取主题、课程代码、难度级别、目标受众、模块数量及必读材料，预填充表单
- 课程叙事 — 在骨架生成阶段自动生成 2–3 句话的"课程故事"；教授可编辑，学生只读
✏️ 模块编辑器
- 单卡片导航 — 左右箭头逐模块切换，或点击侧边栏索引直接跳转
- 拖拽排序 — 无需重新生成即可调整模块顺序
- 内联编辑 — 三个标签页（学习目标、资源、评估）中的每个字段均可直接编辑
- 增删条目 — 学习目标、阅读材料、作业均可自由增删
- 资源卡片 — 每条阅读材料展示类型标签、预计时长，并直接链接到原始信源
- LocalStorage 持久化 — 编辑内容在页面刷新后仍然保留
- 课程叙事编辑 — 教授可直接内联编辑课程级别的叙事文本；学生端仅展示只读版本
📦 导出
- IMS Common Cartridge（.imscc） — 可直接导入 Canvas、Moodle、D2L
- PDF 导出 — 客户端 jsPDF；每模块显示阅读材料标题，完整引用汇总至结尾 References 部分
- DOCX 导出 — python-docx 后端；结构与 PDF 导出一致
- Markdown 导出 — 将含阅读材料与作业的完整课程导出为 .md 文件
- 引用格式选择器 — APA / MLA / Chicago，适用于所有导出格式
- 复制到剪贴板 — 一键粘贴到任意编辑器
🕸️ 知识图谱（LightRAG）
- 材料导入面板 — 右侧常驻面板；拖拽上传 PDF/PPTX（最多 15 个文件，每个 50MB）；逐文件进度追踪；Build Graph 按钮触发 LightRAG 导入
- 学年侧边栏 — Year 1–4 + All Courses 导航；课程按学年分类展示
- 课程管理 — 每个学年有课程横幅与 pill 导航；支持增删/重命名/拖拽排序 course pill；每门课有可编辑的完整课程名标签；修改自动保存至 localStorage
- 动态学科标签页 — 支持增删/重命名/拖拽排序学科标签；标签状态跨 session 持久化
- 力导向可视化 — 交互式 2D 图谱，双通道颜色编码：填充色 = 掌握度（绿/黄/红/灰），描边色 = 知识层级（琥珀=Core、紫=Supplementary、蓝=Student Notes）；节点大小随连接数缩放
- 掌握度叠加层 — 概念掌握度由 xAPI 动词 + 学生反馈推导；每次 xAPI 分析后自动同步；无数据概念统一显示为灰色（"Not Learned"）
- 节点详情面板 — 点击任意概念节点查看其定义与连接数
- 全屏模式 — 全屏切换，支持 ESC 键退出
- 课程搜索 — 按名称或课程代码跨学年搜索；自动定位到对应学年
- 概念搜索 — 在图谱中筛选并高亮匹配节点
- 知识查询 — 用自然语言对图谱提问；Redis 缓存答案（持久化缓存）
- 查询历史 — 可收藏和删除的历史记录，附学科标签
- 持久事件循环 — LightRAG 异步引擎运行于独立后台线程；首次查询后不再有冷启动延迟
🤖 A2A 多 Agent 分析系统
- 5 节点流水线 —
Orchestrator → [BehaviorAnalyst ‖ RiskDetector ‖ ContentOptimizer ‖ CohortComparator] → aggregate → LTM snapshot。当前所有 Agent 均为 sql-only（Phase 2 = LLM 集成待开发）。 - PII 匿名化 — 学生姓名/邮箱在进入 Agent 前全部匿名化；真实身份仅在最终报告聚合后恢复，供教授查看。
- xAPI Mock 数据引擎 — 支持 4 种噪声级别（5%/10%/15%/20%），通过前端 UI 选择；基于
HOUR_WEIGHTS的真实 6 周时间戳分布；按学生画像分布（高绩效/普通/挣扎/脱离）。课程感知模式：查询change_log表中已批准的模块，使用IMPROVED_VERB_DIST模拟优化后改善效果。 - Hive 风格节点架构 — 每个 Agent 继承
BaseNode，支持 reflexion/重试（最多 3 次）、L3 JSON Schema 校验、SQL Fallback - SharedMemory (Redis) — Agent 间通过
a2a:{session_id}:{key}键名在 Redis 共享内存通信，支持本地 dict 降级 - Token 用量追踪 —
NodeResult携带tokens_in / tokens_out / tokens_cache_read / tokens_cache_write字段；Orchestrator 在每次运行后向后端日志打印 Token 汇总表。 - LTM 三层架构 — Hot（Redis，流水线运行时）、Warm（PostgreSQL
course_analysis_snapshots，每次分析快照）、Cold（data/ltm/*.mdYAML+Markdown，版本化归档） - 历史趋势可视化 —
TrendChart.tsx（纯 SVG）显示 at-risk % 与 completion rate 随时间变化；迷你模式 + 全屏 Modal（日期标签、更大数据点、概览数据卡片） - SSE 实时流式反馈 — 分析进度通过 Server-Sent Events 流式传输；前端实时显示 Agent 状态
- Student Data 仪表板 — 独立全页分析视图，可拖拽侧边栏、分区导航、噪声级别选择器、Token Usage 面板
- 风险检测 — 6 个信号；阈值：中风险 ≥ 4，高风险 ≥ 7；不活跃窗口：14 / 21 天
- 群组对比 — 学生分为 high_performers / average / at_risk / disengaged 四个群组，含平均完成率与困难率
- 6 分区报告导出 — PDF（Anthropic 风格封面）、DOCX、Excel。包含：行为分析、风险评估、内容优化、群组对比、分析历史（表格 + matplotlib 趋势图）、总览与建议。文件名含课程 slug + 噪声标签。
🎯 课程 Agent — 主动式课程优化
- 三层人在回路（HITL）设计 — 建议按信号强度和变更范围分为三个操作层级：
- 第一层 — 学习目标（AI 直接改）：琥珀色徽章；一键 Apply 写入更新后的 learning objectives 并降低 complexity_level；弹出修改前后对比确认框；支持 Redo 还原
- 第二层 — 参考资料（用户触发搜索）：紫色徽章；”Search References”按钮基于模块学习目标调用 Tavily 搜索，返回去重候选项（按域名去重，排除已有 readings）；教授勾选后直接写入
recommended_readings - 第三层 — 作业（AI 只提醒）：蓝色徽章；只读提示框说明变更背景和建议教授手动核查的内容；没有 Apply 按钮，教授自行决定
- 教授通知栏 — CoursePage 顶部琰琥色持久通知栏，当 AI 生成的课程建议可用时提醒教授，附带”Dismiss”和”Review →”按钮
- 教授滑出抽屉 — 点击”Review”从右侧滑出 400px 建议抽屉，按徽章层级分组展示待处理建议（Apply / Search）与已应用变更（Redo）
- 学生通知栏 — 蓝色横幅显示”N 个模块已更新 — 基于教师优化”，附带 Dismiss 和 Review 按钮
- 学生滑出抽屉 — 点击”Review”打开蓝色主题抽屉，列出更新的模块并带有”Go to Module”导航按钮
- 可拖拽悬浮球（FAB） — 关闭通知栏后，右下角出现可拖拽的悬浮球（🤖 琰琥色 / ✨ 蓝色）；点击直接打开抽屉（不恢复 banner）；hover 显示 ✕ 可彻底关闭；支持自由拖拽到屏幕任意位置
- 生成后自动分析 — 每门新课保存后立即触发后台结构分析，生成全部三种 change_type 建议条目，无需等待 xAPI 运行即可看到建议
- Redo（撤销 Apply） — 应用的变更会备份原始模块数据；点击”Redo”恢复模块到应用前状态，并将建议移回待处理
- 模块标记 —
module_flags表存储被标记的模块，包含信号来源、标记级别及详细指标 - 变更日志 —
change_log表记录所有建议，含change_type字段（objective_update / reference_suggestion / assignment_alert）、状态追踪（pending → applied → dismissed）及 backup_data - 分析跳转 — 教授抽屉中的”View Full Analytics →”按钮直接导航到 Student Data 分析页面
📦 导出格式
- IMS Common Cartridge (.imscc) 无缝对接主流 LMS (Canvas, Moodle, D2L)。
- PDF、DOCX 及 Markdown 并支持自适应引用格式切换 (APA/MLA/Chicago)。
系统架构
┌────────────────────────────────────────────────────────────────────────────┐
│ 前端 (React + TypeScript + Vite) │
│ ┌──────────┐ ┌──────────┐ ┌──────────┐ ┌───────────┐ ┌───────────────┐ │
│ │ Generate │ │ Courses │ │ Course │ │ Knowledge │ │ Student Data │ │
│ │ Page │ │ Page │ │ Page │ │ Graph │ │ Page │ │
│ └────┬─────┘ └────┬─────┘ └────┬─────┘ └─────┬─────┘ └──────┬────────┘ │
│ │ │ │ │ │ │
│ components/ui/ components/generate/ components/analytics/ │
│ (Select, Input) (SyllabusUpload) (TrendChart, ReportSections, ...) │
│ GraphViewer（3D 知识图谱 + 标注叠层） │
│ SSE 流式传输 │
└───────┼────────────┼────────────┼──────────────┼──────────────┼──────────┘
│ │ │ │ │
▼ ▼ ▼ ▼ ▼
┌────────────────────────────────────────────────────────────────────────────┐
│ 后端 (Flask + Blueprints) │
│ ├── app.py (~30 行，仅路由) ├── config.py (仅环境常量) │
│ ├── extensions.py (单例：AI、Redis 等) ├── async_loop.py (后台异步循环) │
│ ├─────────────────────────────────────────────────────────────────────┐ │
│ │ routes/ │ │
│ │ ├── curriculum.py 生成 / 验架 / 展开 / 保存 │ │
│ │ ├── curriculum_agent_routes 标记 / 建议 / 应用 / 撤销 / 变更 │ │
│ │ ├── history.py CRUD + 收藏 + DOCX 导出 │ │
│ │ ├── analytics.py A2A SSE 分析 + PDF/DOCX/Excel 导出 │ │
│ │ ├── xapi.py xAPI 语句 + Mock 数据种子 │ │
│ │ ├── feedback.py 学生情绪反馈 + 评论收集 │ │
│ │ ├── graph.py 知识图谱 + RAG 查询 + /courses 查询 │ │
│ │ ├── annotations.py KG 概念标注（confused / important / │ │
│ │ │ exam_focus）+ 匿名聚合 │ │
│ │ ├── sources.py Tavily 源预览 │ │
│ │ ├── syllabus.py PDF/DOCX 解析 + 导入 │ │
│ │ └── materials.py LightRAG 材料摄入 │ │
│ └─────────────────────────────────────────────────────────────────────┘ │
│ ┌─────────────────────────────┐ ┌────────────────────────────────────┐ │
│ │ agents/ (Hive 风格 A2A) │ │ services/ │ │
│ │ ├── base.py (BaseNode) │ │ ├── research.py (Tavily) │ │
│ │ ├── orchestrator.py │ │ ├── file_parser.py │ │
│ │ ├── behavior_analyst.py │ │ ├── prompt_builder.py │ │
│ │ ├── risk_detector.py │ │ ├── xapi_generator.py (⚡ aware) │ │
│ │ ├── content_optimizer.py │ │ ├── report_exporter.py (facade) │ │
│ │ ├── cohort_comparator.py │ │ ├── chart_generator.py (+history) │ │
│ │ ├── kg_context_analyst.py │ │ ├── ltm_writer.py (Cold layer) │ │
│ │ └── curriculum_agent.py │ │ ├── threshold_checker.py │ │
│ │ SharedMemory (Redis) │ │ ├── kg_mapper.py（3 层匹配） │ │
│ └──────────┬──────────────────┘ │ └── export_{pdf,docx,excel}.py │ │
│ │ └─────────────┬──────────────────────┘ │
└─────────────┼───────────────────────────────────┼──────────────────────────┘
│ │
▼ ▼
┌───────────────────────┐ ┌──────────┐ ┌──────────────┐ ┌──────────────┐
│ PostgreSQL │ │ Redis │ │ LightRAG │ │ data/ltm/ │
│ ├── curricula │ │ (🔴 Hot: │ │ GraphML KG │ │ (🔵 Cold: │
│ ├── xapi_statements │ │ 流水线 │ │ （Hot 层） │ │ .md YAML │
│ ├── concept_ │ │ 运行时) │ │ │ │ 归档快照) │
│ │ annotations │ │ │ │ │ │ │
│ └── 🟡 Warm: │ │ │ │ │ │ │
│ 快照 / mastery │ │ │ │ │ │ │
└───────────────────────┘ └──────────┘ └──────────────┘ └──────────────┘
完整项目流水线
LTM 三层架构
完整主动式循环
| 层级 | 技术 | 职责 |
|---|---|---|
| 前端 | React + TypeScript + Vite | 模块编辑器、A2A 仪表板、SSE 客户端、拖拽排序 |
| 后端 | Python + Flask Blueprints | 模块化路由 API（8 个 Blueprints + 6 个 Agents + 5 个 Services） |
| AI | OpenAI GPT-4o / Google Gemini | 内容生成与 A2A 分析（通过 AI_PROVIDER 可插拔） |
| 研究 Agent | Tavily Search API | 生成前学术信源检索 |
| 数据库 | PostgreSQL | 课程、xAPI 语句、学生反馈、course_analysis_snapshots（LTM） |
| 缓存与内存 | Redis | 图谱查询缓存、学习者状态、A2A 共享内存（a2a:{session}:{key}） |
| 知识图谱 | LightRAG + networkx + react-force-graph-2d | 课程材料导入 → 交互式概念图谱 |
| 行为数据 | xAPI 1.0.3 + mini-LRS | 语句采集 → Mock 数据引擎（4 种噪声级别）→ 教授分析面板 |
| 分析引擎 | A2A 多 Agent（Hive 风格，sql-only Phase 1） | 5 节点流水线：Orchestrator + 4 个并行 Agent；Token 追踪；LTM 快照 |
| 报告导出 | ReportLab + python-docx + openpyxl + matplotlib | PDF（Anthropic 风格封面）、DOCX、Excel；文件名含课程 slug + 噪声标签 |
| 课程导出 | IMS Common Cartridge + DOCX + PDF + Markdown | 多格式兼容主流 LMS 的输出 |
| 开发 | Docker Compose | 一键启动本地环境（前端 :5173，后端 :5000） |
前置条件： Docker、OpenAI 或 Gemini API Key、Tavily API Key（tavily.com 免费层）
git clone https://github.com/Schlaflied/Plot-Ark.git
cd Plot-Ark
cp .env.example .env
# 设置 AI_PROVIDER=openai 或 AI_PROVIDER=gemini
# 填入对应的 API Key + TAVILY_API_KEY
docker compose up --build| 服务 | 地址 |
|---|---|
| 前端 | http://localhost:5173 |
| 后端 | http://localhost:5000 |
知识图谱功能支持上传课程材料（PDF、PPTX 或 DOCX），并将其可视化为交互式概念地图。
- 点击顶部导航栏的 Knowledge Graph 标签
- 在右侧 Upload Materials 面板中填写：
- Subject name（必填）— 例如 "Organizational Behavior"
- Course code（选填）— 例如 "ADMS 2400"
- Year（必填）— 该课程所属学年
- 将 PDF / PPTX / DOCX 文件拖入上传区域
- 点击 Build Graph — 后台自动运行知识图谱构建（约 $0.10–0.30 / 每 10 个 PDF，gpt-4o-mini 计费）
- 构建完成后，图谱自动出现在对应学年和课程标签下
plot-ark/
├── docker-compose.yml
├── .env.example
├── docs/
│ ├── Course generation.gif ← 演示: 主动式课程生成、大纲导入与模块排序
│ ├── AI suggestion within course generation.gif ← 演示: 课程编辑器中的 AI 助教建议
│ ├── Student panel with four buttons.gif ← 演示: 每模块学情情绪收集反馈
│ ├── xAPI student data analysis.gif ← 演示: 5 节点多 Agent 数据分析流水线
│ └── Curriculum agent & xAPI rerun.gif ← 演示: 人在回路的课程内容动态优化闭环
│
├── backend/ ← Flask（模块化 Blueprints）
│ ├── app.py ← 入口文件（~30 行，注册 Blueprints）
│ ├── config.py ← 纯环境常量与配置变量
│ ├── extensions.py ← 全局单例服务（Flask app、AI 客户端、Redis）
│ ├── async_loop.py ← 后台事件异步循环管理器
│ ├── db.py ← PostgreSQL 操作
│ ├── constants.py ← Bloom's 分类、会话约束、评估格式
│ ├── routes/
│ │ ├── curriculum.py ← /api/curriculum/*（生成、验架、展开、保存）
│ │ ├── curriculum_agent_routes.py ← /api/curriculum/ 标记、建议、应用、撤销、references/search、references/apply、auto-analyze
│ │ ├── history.py ← /api/history/* + /api/curriculum/export/docx
│ │ ├── sources.py ← Tavily 源预览
│ │ ├── graph.py ← 知识图谱 + RAG 查询 + /api/graph/kg-mapping + /api/graph/courses
│ │ ├── annotations.py ← /api/kg/annotate + /api/kg/annotations/{course_id}（困惑·重要·考试重点）
│ │ ├── mastery.py ← /api/mastery/* 概念掌握度图 + 同步触发
│ │ ├── xapi.py ← xAPI 语句 + 种子生成器
│ │ ├── analytics.py ← A2A SSE 分析 + 导出接口
│ │ ├── feedback.py ← 学生情绪反馈收集
│ │ ├── syllabus.py ← PDF/DOCX 解析 + 导入
│ │ └── materials.py ← LightRAG 材料摄入
│ ├── agents/
│ │ ├── base.py ← BaseNode + SharedMemory + NodeResult
│ │ ├── orchestrator.py ← 多 Agent 协调器（含 SSE）
│ │ ├── behavior_analyst.py ← xAPI 动词/模块参与度分析
│ │ ├── risk_detector.py ← 多信号风险评分
│ │ ├── content_optimizer.py ← 模块表现交叉分析
│ │ ├── cohort_comparator.py ← 学生群组对比
│ │ ├── kg_context_analyst.py ← KG↔Module 桥接：将概念 + 困惑度数据注入 CurriculumAgent
│ │ └── curriculum_agent.py ← AI 驱动的课程优化 Agent
│ ├── services/
│ │ ├── research.py ← Tavily 搜索 + 可信度评分
│ │ ├── file_parser.py ← PDF/PPTX/DOCX 文本提取
│ │ ├── prompt_builder.py ← 集中组装的 AI Prompt 模板
│ │ ├── lightrag_service.py ← LightRAG 实例管理
│ │ ├── kg_mapper.py ← KG ↔ Module 概念映射（三层匹配：词边界 + 缩写剥离 + 反向查找）
│ │ ├── mastery_tracker.py ← 由 xAPI 动词 + 学生反馈推导每个概念的掌握度
│ │ ├── xapi_generator.py ← Mock xAPI 数据 + 噪声注入
│ │ ├── ltm_writer.py ← LTM (course_analysis_snapshots) 存档读取/写入
│ │ ├── threshold_checker.py ← 解析 agent 评估多级门限值
│ │ ├── report_exporter.py ← 用于报告生成的薄调度 Facade
│ │ ├── chart_generator.py ← Matplotlib 数据可视化与品牌颜色
│ │ ├── export_pdf.py ← ReportLab PDF 绘制逻辑
│ │ ├── export_docx.py ← python-docx Word 文档生成
│ │ └── export_excel.py ← openpyxl Excel 表格生成
│ ├── Dockerfile
│ └── requirements.txt
│
├── frontend/ ← React + TypeScript + Vite
│ ├── App.tsx ← 路由注册（React Router v7）
│ ├── pages/
│ │ ├── GeneratePage.tsx ← 课程生成表单
│ │ ├── CoursePage.tsx ← 模块编辑器 + 导出
│ │ ├── CoursesPage.tsx ← 课程仪表板
│ │ ├── GraphPage.tsx ← 知识图谱查看器
│ │ └── StudentDataPage.tsx ← A2A 多 Agent 分析仪表板
│ ├── components/
│ │ ├── ui/
│ │ │ ├── Select.tsx ← 可复用下拉选择
│ │ │ ├── Input.tsx ← 可复用文本输入框
│ │ │ ├── DraggableFab.tsx ← 可拖拽悬浮球（教授/学生通用）
│ │ │ └── ToolbarDropdown.tsx ← 工具栏图标下拉菜单
│ │ ├── dashboard/
│ │ │ ├── CourseCard.tsx ← 课程卡片、特殊功能卡片、新建卡片
│ │ │ └── MiniCalendar.tsx ← 紧凑月历小组件
│ │ ├── generate/
│ │ │ ├── SyllabusUpload.tsx ← 拖拽上传大纲解析
│ │ │ ├── SourceReview.tsx ← 审核 Tavily 检索的学术信源
│ │ │ └── SkeletonReview.tsx ← 审核课程模块骨架
│ │ ├── analytics/
│ │ │ ├── ReportSections.tsx ← A2A 分析报告的展示组件
│ │ │ ├── TrendChart.tsx ← SVG 趋势图（迷你 + 全屏 Modal）
│ │ │ ├── KgMappingPanel.tsx ← KG ↔ Module 覆盖率侧边栏（进度条 + 统计摘要）
│ │ │ ├── CurriculumApplyModal.tsx ← AI 建议应用确认弹窗
│ │ │ ├── CurriculumDrawer.tsx ← 教授端滑出抽屉（三层 HITL：Apply / Search References / Alert）
│ │ │ ├── StudentChangesDrawer.tsx ← 学生端滑出抽屉（Go to Module）
│ │ │ ├── AISuggestionsSection.tsx ← AI 专属建议详情展示区块
│ │ │ ├── FlagBadge.tsx ← 模块预警状态红色/琥珀色徽章
│ │ │ └── FlagModal.tsx ← 详细预警说明与信号来源模态框
│ │ ├── ModuleCard.tsx ← 拆分的单个课程模块卡片
│ │ ├── ModuleSidebar.tsx ← 课程模块侧边导航栏
│ │ ├── GraphViewer.tsx ← 核心力导向图渲染
│ │ ├── GraphToolbar.tsx ← 学科标签页、节点/课程搜索
│ │ ├── CourseBanner.tsx ← 课程药丸、拖拽、内联重命名
│ │ ├── NodeDetailPanel.tsx ← 节点详情悬浮面板
│ │ ├── IngestPanel.tsx ← 文件上传与 LightRAG 摄入逻辑
│ │ ├── QueryPanel.tsx ← RAG 查询输入与历史记录
│ │ ├── YearSidebar.tsx ← 学年 1-4 侧边导航
│ │ └── Diagrams.tsx ← Mermaid 图表组件
│ ├── hooks/
│ │ ├── useIngest.ts ← 上传轮询逻辑与状态
│ │ ├── useQuery.ts ← RAG 问答逻辑与历史状态
│ │ └── useCourseManager.ts ← 课程 CRUD 与持久化
│ ├── constants/
│ │ ├── theme.ts ← GraphViewer 共享 UI 常量
│ │ └── formOptions.ts ← LEVELS, COURSE_TYPES, SESSION_DURATIONS
│ ├── Dockerfile
│ └── vite.config.ts
│
└── data/
├── materials/ ← 课程 PDF/PPTX（已 gitignore）
├── ltm/ ← LTM Cold 层 .md 快照（版本化 YAML）
└── lightrag_storage*/ ← 知识图谱数据（已 gitignore，可重新生成）
- KG ↔ Curriculum 概念映射 — 三层匹配引擎（词边界正则 + 缩写剥离 + 反向查找）
- Knowledge Map 标签页 — 每模块显示 KG 概念定义 + 跨模块依赖关系
- 概念掌握度追踪 — xAPI 动词 + 学生反馈 →
cohort_concept_mastery；每次分析后自动同步 - GraphViewer 掌握度叠加层 — 填充色=掌握度，描边色=知识层级；无数据概念统一灰色
- KG 双向标注 — 学生标记困惑/重要；教授标记考试重点；匿名聚合生成困惑热力图
- KG → Agentic Loop —
KGContextAnalystNode将逐概念困惑度% + 最困惑概念列表注入 CurriculumAgent 上下文 - GraphViewer 角色分流 — 学生端（掌握度过滤 + 困惑社交信号）vs 教授端（高困惑热力图 + 考试重点）
- xAPI ↔ KG 信号桥接 — KG 标注事件同步写入 xAPI statement（动词：flagged / noted）；信号完全统一
- 作业时间轴 + 截止日期计算器
- A2A Phase 2 — 为四个专业 Agent 集成 LLM 分析能力
- 渐进式摘要 — 学期级 LTM 摘要用于 LLM 上下文管理
- Professor LTM — 从编辑历史学习偏好
- LTI 1.3 — 推送至 Canvas / Moodle
GNU Affero 通用公共许可证 v3.0 — 详见 LICENSE
- 个人使用、学术研究及开源项目免费
- 修改版本必须以相同许可证开源
- 网络部署要求你的产品同样开源
- 商业授权 — 请提交 GitHub Issue 联系
- 🌟 Awesome-AI-Agents — 主动式 EdTech 课程引擎
架构灵感来源于 Hive（YC 投资的 AI Agent 基础设施）——节点流水线、共享记忆与进化循环模式为主动式课程引擎的设计提供了重要参考。
知识图谱层由 LightRAG（HKUDS）驱动——实现跨课程材料的增量知识图谱构建与前置知识推断。
两阶段生成流水线设计灵感来源于 OpenMAIC（清华大学）——先生成大纲骨架、再逐模块展开的模式为 Plot Ark 的课程骨架生成方法提供了参考。
以 Claude（Anthropic）为 AI 结对编程伙伴构建完成。
特别感谢两位首席质量保证官，全程监督每一个深夜 coding session —— Icy（冰糖，白猫）与雪梨（三花猫）：
