Bloom

基于 Bloom 2-Sigma 研究的一对一 AI 苏格拉底式家教：生成可验证掌握项大纲后逐篇产出自适应课程文档，用户用 ??? 行内标注困惑、文末写反馈，AI 据此定制下一篇，掌握项全勾后经评估篇自动结课出总结。文件系统即状态机，Markdown 即界面。

仓库：Li-Evan/Bloom 热度证据：被 awesome-claude-code 收录的 2-sigma 家教

五维评分

热度3/5

质量4/5

创新5/5

易用4/5

文档5/5

把一对一教学工程化为文件系统状态机：用  标记、syllabus 掌握项 checkbox、隐身中间产物 pre-summary.md 让课程推进的每个判断点成为 agent 可确定性判定的状态，防早结课也防拖课，且数据落盘可 git 版本控制、跨会话恢复
文档即界面、对话只做衔接：学习主载体是 .md 文档，用户用半角/全角 ???[困惑] 在阅读现场随手标注，AI 拿到边读边想的第一手思维快照而非事后转述
固定三段式前缀锁死自适应闭环：02.md 起每篇开头强制「上一篇思考题复盘（逐题✅❌⚠️）→ ??? 解答 → 新内容」，顺序不可颠倒，顺带免费内置了间隔提取复习
宽松匹配的用户意图捕获：#summary、summary:、???[...要总结...]、大小写混用全识别，?? 注释不必逐条作答而是综合提炼理解断层/好奇心/思维习惯，是导师式诊断而非问答机器
渐进式上下文管理：learning-log.jsonl 仅追加的摘要层 + references 分片用到才读，长课程以 O(1) 日志开销掌握全局状态，为多会话长生命周期任务示范了上下文预算方案

文件系统即状态机 + 文档即界面：用 Markdown checkbox、HTML 注释标记、进度表作为 agent 与用户唯一事实源，流程节点用可判定标记而非模型主观判断
生成前必读 + 固定结构前缀的迭代协议：每次产出强制以「旧内容复盘 → 用户疑问解答 → 新内容」开头，把反馈闭环编码成格式硬约束，防 agent 漏读反馈
宽松文本标记协议：??? / #summary 等低摩擦随手标记 + agent 端意图级宽松匹配，提供半角全角容错变体
隐身中间产物 + 双条件完结：中间态文件对用户不可见、完成后自动删除；完结由用户动作与状态条件双触发

系统自学一个领域（编程/金融/哲学/数学等），需要大纲锚定 + 逐篇自适应跨多天多会话的长期学习，需要进度可恢复、可版本控制同时学多个课题（嵌套目录、并行课题）的主动学习者想要「导师式诊断」而非「有问必答」的学习方式

边界与注意：依赖用户主动阅读并书写反馈，被动学习者效果打折；对话问答被刻意苏格拉底反问压制；纯文档载体对实操型技能覆盖弱；SKILL.md 写死中文优先；CLI 文件体系与 Web SQLite 两套数据互不相通；单篇串行生成，急用知识点时等待成本高

本页为摘要版，完整精读分析（核心机制、逐条优秀点拆解、写作过程）见本地 Markdown 文档：

analysis/bloom-tutor.md