摘要
针对自学场景中“扫描版教材难以结构化、复习无重点、错题无人分析”的普遍痛点，本设计实现了一个名为“知债：星穹学途”的自学辅导智能应用。应用以“知识债”为核心模型，将教材解析为包含章节、术语与先修关系的知识图谱，通过影响分算法定位学习者的薄弱先修链，并生成十四天间隔修复计划，形成“解析—诊断—计划—练习—销账”的完整学习闭环。
应用同时面向练习场景提供试卷、作业与错题的直拍识别：拍照、截图与图片导入均可直接触发识别，结果自动结构化并生成体现知识点层级归属与关联关系的图谱；文档导入扩展至 PPT、Word、HTML、Markdown、TXT 与 EPUB 等格式，解析所得文本同样进入结构化与构图流程。
设计的主要内容包括：采用 Tesseract 与 pdf.js 构建 OCR 引擎阶梯并实现引擎全栈内联，使应用以单个 HTML 文件在纯浏览器环境完成扫描版教材的离线识别与结构化；基于 TextRank 加权与点互信息共现实现知识图谱自动构建；设计掌握度、影响分与销账三类可解释算法支撑学习诊断；引入大语言模型实现图谱增强构图、识别文本清洗、个性化学习建议、智能出题与修复计划编排的深度参与，并以五项可校验约束保证修复计划的可行性，设计无密钥演示模式保证零配置可体验；应用遵循“仅限个人学习使用”的合规边界。
测试结果表明，应用对二十七本真实教材的解析成功率达百分之百，扫描版识别速度较串行方案提升百分之四十六以上，全部诊断数字由本地公式计算、可解释可复核，知债修复计划在专项实测中五项生成约束校验全部通过。试卷识别与多格式导入经五十五项端到端冒烟断言验证全部通过，样例图像的中文识别置信度达九十。
此外，本设计从普通用户视角完成了一轮系统性可用性改进：新增面向教师的只读学情视图（授权门控、薄弱热点与红边清单、近七日作答趋势与示例班级演示）、学情报告一键导出与作业单文件互传，并为学生提供新手引导与术语词典、对话历史本地留存、图谱显示精简与启动加载提示等体验优化；全部改进经二十四项端到端断言验证通过。
在此基础上，应用进一步保障了 AI 能力的可用性与响应速度：云端请求采用并发闸与排队机制避免相互阻塞，推理型模型的思维链以流式方式实时呈现，出题链路在题池为空时先给出过渡题并由后台生成的 AI 新题自动替换，失败请求自动重试且故障冷却时间仅为八秒。实测表明，练习首题可在零点二秒内呈现，AI 新题约十九秒完成替换，思考过程在二点六秒内即可见，全流程无运行期错误，并经真实云端链路端到端复验确认。
在工程质量层面，本设计构建了以持续集成门禁、黄金契约用例与编排意图六方对拍为核心的多层保障体系：密钥信封支持轮换与吊销，本地状态按五类分片存储并具备旧版迁移与残缺合并能力，前端共享代码由单一来源生成并纳入门禁校验，运行期错误经诊断缓冲可观测并导出，全部变更须经十七项自动化校验与三百余项单元测试确认无回归，同一套门禁在持续集成环境中实跑并修复了三处环境相关的缺陷。
本设计以纯前端形态交付，无需后端服务，同时发布版本一致的 Windows 与 Android 安装包，为个人自学工具的低成本普及提供了可行方案。
关键词： 知识债；知识图谱；光学字符识别；受约束智能体；间隔重复
地址： ClassTechStar/-Knowledge-Debt-Astral-Path: 《知债：星穹学途》（Knowledge Debt: Astral Path）是一个跨课程知识债诊断与修复智能体——用确定性公式找出你“欠”了哪门课的先修债，用约束满足生成可完成的还债计划，用受约束智能体陪你一步步销账，同时守住教育伦理底线。
