为什么要做 AI 原生学习地图

当我们使用 AI 助手自学《线性代数》《概率论》或准备专业考试时，很容易遇到一个结构性困境：聊天窗口是线性的、易逝的，而学科知识本身是一张有向无环图（DAG）。

纯聊天式自学的常见失控

如果你在尚未掌握「标准正交基」与「不变子空间」时直接让大模型讲解「谱定理」，AI 往往会立刻生成一段看似流畅、实则堆满超纲概念的推导。几轮追问之后，对话偏离主线，无论是你还是 AI，都很难说清当前究竟卡在哪一个前置概念缺口上。

客观知识拓扑与个人进度的物理解耦

Consyllus 通过本地知识库（Vault）的三元组文件拆分契约，从底层建立秩序：

1. graph.json（不可变客观知识图谱）：每个知识节点显式声明其传授的概念（teaches）与依赖的前置概念（requires）。系统据此确定性投影出有向依赖边，经 Kahn 算法强制无环校验，并计算 RFC 8785 规范化 SHA-256 内容哈希。
2. outline.json（教材原书两级目录映射）：将权威参考书的「章 → 节」结构与图谱节点建立映射，兼顾拓扑攻坚与原书溯源。
3. progress.json（纯本地个人学习进度）：记录已完成节点集合、当前攻坚目标与错题反思日志，100% 留存在本机磁盘，绝不上报云端。

用内置 MCP 协议打通最后一公里

借助内置的零外部依赖本地 MCP 服务，你无需在每次新建对话时反复粘贴背景提示词。Claude、Cursor 或 Antigravity 可以直接读取你当前的拓扑学情边界：

• 哪些前置概念已经扎实掌握；
• 当前正在攻克哪个目标节点；
• 哪些尚未展开的高阶词汇应当作为「预留黑盒术语（Blackbox Terms）」点到为止。

当你真正攻克并打卡当前节点，纯函数状态机随即在 DAG 上正向推导——所有前置条件已齐备的后继节点即刻从「锁定」解锁为「可学习」。