pasm-tutor

Learning tutor agents built on the PASM cognitive engine. LearningTutor tracks per-topic mastery with an EMA (single bad attempt does not crater it), selects the weakest topic next (with 20% jitter to avoid grinding one topic), replies in an encouraging template that admits difficulty and offers the smallest actionable step, and exports a stable machine-readable snapshot (mastery / weakest / average / history_size / tier) for downstream profile engines. Wrong answers are stored as salience-3 memories so related mistakes can be recalled. Zero LLM dependency, offline-runnable. Keywords: pasm, tutor, mastery, adaptive practice, student profile, offline.

PASM 学习陪伴智能体（pasm-tutor）

给学生的陪伴式学习助手：薄弱点定位 + 最弱优先选题 + 鼓励式对话 + 学情可机读导出。 零 LLM 依赖、断网可用、状态可持久化。

python

from pasm_agents import LearningTutor

t = LearningTutor(agent_id="xiaoya", persona={
    "name": "小雅", "grade": "五年级",
    "topics": ["分数加减", "面积计算", "行程问题", "鸡兔同笼"],
})

t.report("分数加减", 0.4)      # 报告一次作答得分（0~1）
t.report("分数加减", 0.5)
t.report("面积计算", 0.9)

print(t.pick_next())          # -> '行程问题'（最弱优先）
print(t.mastery("面积计算"))   # -> 0.27
print(t.chat("分数加减好难"))  # 鼓励 + 具体下一步
print(t.chat("我哪里不行"))    # 直接给出最弱项 + 掌握度
print(t.snapshot())           # 学情结构（纯 JSON，画像层可直接消费）

这个技能给你什么

能力	说明
掌握度追踪	每个知识点一个 0~1 掌握度，用 EMA 平滑，越近的表现权重越高
最弱优先选题	pick_next() 有 80% 概率挑最薄弱的知识点，20% 随机防"只刷熟题"的假象
鼓励式对话	按当前掌握度与近期表现渲染语气；说"我不会"和说"我会了"给不同反馈
学情可机读导出	snapshot() 输出纯 dict（学生 / 各知识点掌握度 / 最弱项 / 平均 / 档位），画像层可直接消费

你主要就用这几个方法：report(topic, score) · pick_next() · chat() · mastery(topic) · snapshot() · save()。

它跑在什么之上：基座 pasm-skills + 应用框架 pasm-framework

本技能的内容在 pasm-agents 仓，它依赖两层： BaseAgent（记忆读写 / 情绪 / 动作选择 / 反馈 / 持久化的通用实现）在基座里， 产品智能体只是在其上定了 persona、动作池和回复模板； 应用框架则提供"把智能体接成完整应用 / 服务"的那一层（插件子系统、HTTP 网关、流式输出）。

	是什么	装它
pasm-skills（基座）	只提供能力，不含任何智能体	pip install pasm-skills
pasm-framework（应用框架）	应用级表面：插件子系统 / HTTP 网关 / 流式输出	pip install pasm-framework
pasm-agents（本技能来源）	游戏 NPC / 老人陪伴 / 学习陪伴 + 7 个验证智能体	pip install pasm-agents

装 pasm-agents 会自动带上基座与框架，一条命令搞定 —— 用本技能里的智能体不需要你直接接触框架层。 只装基座时 python -m pasm_skills list 显示 0 个智能体 —— 那是刻意的，不是你装错了。 想用基座写自己的智能体：https://github.com/arronJack/pasm-skills/blob/master/docs/TUTORIAL.md 想做带 HTTP 接口 / 智能客服 / 站点嵌入的应用：见 pasm-framework 仓的 docs/tutorials/。

什么时候用

• 需要按知识点追踪掌握度，而不是只记总分；
• 需要自适应选题：总是推最该练的那个，而不是随机或顺序出题；
• 需要鼓励式对话而不是打击式反馈（"这一步你上次也栽了，我们换个讲法"）；
• 需要一份机器可读的学情快照，接进自己的画像 / 报表 / 家长端。

0. 铁律

1. 掌握度用 EMA 追踪：report(topic, score) 做指数滑动平均 （新 = 旧*0.7 + 本次*0.3），单次失手不会把掌握度打到谷底，连续失误才真正下探。

2. 选题可解释：pick_next() 返回"当前掌握度最低的知识点"， 同时给出理由 —— 不是黑箱推荐。

3. 回复必须鼓励式：不说"你怎么又错了"，说"这块确实容易混，我们换个角度"。

4. 零 LLM 依赖：讲解走模板 + 知识点状态，不调用外部大模型；断网可跑。

5. 学情可导出：snapshot() 输出稳定结构的纯 JSON， 上层画像引擎可以直接消费，不需要解析自然语言、也不需要伸手进内部字典。

6. 触发词要指向题目，宽词一律不收：

   • 抱怨分支只认「不会 / 搞不懂 / 太难 / 做不出」这类明确指向题目的说法， 不收光杆「难」—— 否则「我今天很难过」（情绪）会被答成"先做 3 道分数加减"；
   • "学会了"分支不收「OK」这种两字母串，它会命中任何含 OK 的文本；
   • 判定不了就落到默认分支（无法判定 = 放行），不硬猜。

   回归护栏：python -m pasm_agents.selftest_tutor（12 项，秒级，退出码 0/1）。

   ⚠️ 这个护栏有个前车之鉴值得你知道：它原来断言"回复里提到的知识点 == 本次 pick_next()"，结果偶发失败 —— 因为 pick_next() 是带抖动的，而渲染回复时 会再调一次，等于对两次独立随机抽样要求相等。 你自己写测试时别这么写：要确定性的最弱项，用 snapshot()["weakest"]。

1. 30 秒上手

bash

pip install pasm-agents                    # 自动带上基座 pasm-skills（推荐）
# 没有 PyPI 环境时改源码安装：
#   git clone https://gitee.com/arronzheng/pasm-agents && cd pasm-agents && pip install -e .

pasm-agents demo tutor                 # 预置剧本（小雅 30 天 × 4 题）
pasm-agents run tutor --id=my_tutor    # 交互模式
pasm-agents inspect my_tutor           # 看落盘快照

2. persona 里必须有的东西

字段	必填	说明
name	✅	学生称呼
grade	建议	年级，写进回复模板
topics	✅	知识点列表。这张表就是你的课程大纲
tone	建议	语气（默认"温柔、耐心"）

不传 topics 时用内置的 6 个五年级知识点：分数加减 / 面积计算 / 行程问题 / 鸡兔同笼 / 质因数分解 / 图形对称。

3. 掌握度与选题

python

print(t.report("行程问题", 0.3))     # -> {'topic': '行程问题', 'new_mastery': 0.09}
print(t.report("行程问题", 0.35))    # -> {'topic': '行程问题', 'new_mastery': 0.168}

print(t.mastery("行程问题"))          # 0.168
print(t.pick_next())                 # '行程问题'（现在最低）
print(t.snapshot())
# {
#   "student": "小雅", "grade": "五年级",
#   "mastery": {"分数加减": 0.12, "面积计算": 0.27, "行程问题": 0.168, ...},
#   "weakest": "图形对称",
#   "average": 0.145,
#   "history_size": 3,
#   "tier": "light"
# }

pick_next() 有 20% 的抖动：80% 概率给最弱项，20% 随机选一个防"刷同一个知识点"。 要严格确定性的选题，直接用 snapshot()["weakest"]。

推荐阈值（由调用方决定，本技能只提供数值与排序）： 掌握度 < 0.5 视为薄弱，0.5~0.8 巩固，> 0.8 可推进新内容。

4. 对话

python

print(t.chat("分数加减好难"))     # 共情 + 具体下一步（不是空洞鼓励）
print(t.chat("我哪里不行"))       # 直接列最弱项 + 掌握度数字
print(t.chat("我会了"))           # 鼓励 + 推两道巩固

回复模板走的是"承认难度 + 给最小可行动作"，避免"加油你可以的"这类无效安慰。 渲染集中在 _render_reply(text, facts, mood)，子类可覆盖。

5. 用错题记忆做横向关联

每次 report 会顺带写一条记忆：得分 < 0.6 记 salience=3 + category="错题"， 否则 salience=2 + category="进步"。所以它能做"这道题和上次那道错的是一类"：

python

t.observe("上次在'相遇问题'上把速度和当成路程了",
          tags=["错题", "行程问题"], salience=3, category="错题")
print(t.chat("行程问题又不会了"))   # 能召回上次那条错题

若 PASM 核心可用（tier=core/bionic），report 还会把分数转成强化量 （delta = score - 0.5）驱动核心的学习层。

6. 交互模式

bash

pasm-agents run tutor --id=my_tutor --persona-file=personas/xiaoya.json

直接打字对话。可用命令：

命令	作用
report <知识点> <0~1 分数>	记录一次作答，返回新掌握度
next	看下一个该练的知识点
snapshot	导出学情 JSON
mood	看当前情绪
act	执行一个动作
observe <文本>	手动写一条记忆
feedback <praise|poke|scold> [动作]	给反馈
quit	退出并 save

7. 档位透明

tier	含义	何时启用
bionic	仿生：完整 PASM 核心 + emotion 模块（需 torch）	pip install pasm-agents[torch]
core	完整：PASM 核心（memory + learning，无 torch）	PASM_PYTHON 指向带核心的 Python
light	轻量：纯内置（重要度淘汰 + 字面检索 + softmax 权重）	任何机器

8. 已知短板（如实说明）

• 没有遗忘曲线：掌握度只增不减，停练的知识点不会自动衰减。 study-tutor 验证智能体用"前 5 天练、之后彻底停练"的场景测过，decay_works = 0。 需要衰减的话，调用方可以定期 report(topic, 更低的分) 手动拉低 —— 但那是绕路，不是内置能力。
• 跨表述检索是字面匹配：memvec 是字符 n-gram 哈希，不是语义模型。 换个说法问同一个知识点，未必召回得到。

这两条改的是产品行为而非缺陷，所以本仓选择如实标注、不偷偷糊上去。

9. 与验证层的关系

本仓的 pasm_agents/verifiers/study_tutor.py 是专门验证这类教学智能体的智能体： 跑 30 天 × 4 题 × 6 个知识点，测学情结构对不对、有没有遗忘机制、错题关联能不能召回。 snapshot() 的形状与它定义的学情结构一致，所以上层画像层可以直接复用同一套字段。

10. 相关技能

• pasm-npc —— 游戏 NPC 智能体
• pasm-companion —— 老人陪伴智能体
• pasm-longterm-verify —— 验证层入口：回答"跑久了还是好的吗"