--- description: Persona 训练 - 从专栏中自动提取作者教学风格 argument-hint: [专栏名] | --scan-all | (留空进入交互模式) scripts: sh: ../../scripts/bash/train.sh ps1: ../../scripts/powershell/train.ps1 --- # /train - Persona 训练系统 🎓 > **核心理念**: 从你的专栏资料中自动提取作者教学风格,生成 persona 配置 > **目标**: 让 AI 能够模拟该作者的教学方式辅助你创作 --- ## 第一步: 运行脚本 ⚠️ 必须执行 ### 根据用户参数执行对应操作 ```bash # AI 操作: 根据用户输入执行对应脚本 # /train → bash scripts/bash/train.sh # /train Flutter核心技术与实战 → bash scripts/bash/train.sh "Flutter核心技术与实战" # /train --scan-all → bash scripts/bash/train.sh --scan-all ``` --- ## 第二步: 根据操作类型处理 ⚠️ 必须执行 ### 操作 A: 交互式向导 (用户未指定专栏) 如果返回 `action === "interactive"`: **展示可用专栏列表**: ``` ╔══════════════════════════════════════════════════════════╗ ║ 🎓 Persona 训练向导 ║ ╚══════════════════════════════════════════════════════════╝ 发现 [total_courses] 个专栏,可用于训练 Persona。 从返回的 JSON data.courses 中提取专栏信息,展示: 【1. [name]】 • 领域: [field] • 难度: [level] • 章节: [chapter_count] 讲 【2. [name]】 ... ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 💡 训练建议: 1. 优先训练你最熟悉的专栏 2. 选择与你要创作的课程同领域的专栏 3. 可以训练多个专栏,后续根据需要激活 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 请选择要训练的专栏 (输入序号或专栏名称): • 输入单个序号: 1 • 输入多个序号: 1,3,5 • 输入专栏名: Flutter核心技术与实战 • 训练全部: all 请选择: ``` **⚠️ 等待用户选择** 用户选择后: - 如果选择单个,跳转到操作 B - 如果选择多个或 all,跳转到操作 C --- ### 操作 B: 训练单个专栏 如果返回 `action === "analyze"`: #### 第1步: 展示分析信息 ``` ╔══════════════════════════════════════════════════════════╗ ║ 📊 分析专栏: [column.name] ║ ╚══════════════════════════════════════════════════════════╝ 专栏信息: • 领域: [column.field] • 难度: [column.level] • 章节数: [analysis_data.total_chapters] 讲 正在分析... ✓ 读取章节列表 ✓ 采样 [analysis_data.sample_count] 个章节 ✓ 提取教学特征 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ``` #### 第2步: AI 深度分析 ⚠️ 核心任务 **重要**: 这是最关键的步骤,AI 必须仔细分析专栏数据。 **输入数据**: - `column`: 专栏基本信息 - `analysis_data.chapter_files`: 所有章节文件名列表 - `analysis_data.sample_content`: 采样章节的内容 **分析任务**: ##### 2.1 章节结构分析 **目标**: 识别课程的阶段划分模式 分析 `chapter_files` 列表,识别是否有明显的分阶段模式: - 是否有"开篇词"、"结束语"? - 是否有"预习篇"、"基础篇"、"进阶篇"、"实战篇"等分段? - 章节数量分布如何?(前期密集还是均匀分布) **提取**: ```yaml preferred_course_structure: - name: "阶段名称" purpose: "该阶段的目标" characteristics: "教学特点" ``` ##### 2.2 标题风格分析 **目标**: 识别章节标题的命名模式 遍历 `chapter_files`,分析标题模式: - **问题式**: "为什么...?" "怎么...?" "如何...?" - **陈述式**: "XX的原理" "XX实战" "XX深入解析" - **场景式**: "遇到XX怎么办?" "XX问题分析" **统计**: 各种模式的占比 **提取**: ```yaml title_style: pattern: "主导模式(问题式/陈述式/场景式)" examples: - "实际标题示例1" - "实际标题示例2" - "实际标题示例3" ``` ##### 2.3 内容组织分析 **目标**: 分析章节内容的组织结构 分析 `sample_content` 中的采样章节: - 是否有明显的 Why → What → How 结构? - 是否以问题/场景开头? - 理论讲解和实战演示的比例? - 案例密度 (平均每章几个案例)? **提取**: ```yaml content_organization: standard_flow: - step: "步骤名称(如:问题引入)" content: "该步骤的内容类型" content_balance: theory: XX # 理论占比 practice: XX # 实战占比 case_study: XX # 案例占比 summary: XX # 总结占比 ``` ##### 2.4 教学元素识别 **目标**: 识别标志性的教学元素 在 `sample_content` 中搜索: - 是否每讲都有"思考题"? - 是否有"知识点回顾"、"本章总结"? - 是否有"练习题"、"实战任务"? - 是否有特殊标记 (如📌、⚠️、💡)? **提取**: ```yaml signature_elements: must_have: - element: "元素名称(如:思考题)" format: "具体格式" purpose: "作用说明" ``` ##### 2.5 教学理念推断 **目标**: 从内容中推断作者的教学理念 基于以上分析,总结作者的教学哲学: - 强调什么? (原理/实战/案例/思考) - 教学顺序偏好? (理论先行 vs 问题驱动) - 学习方式? (被动接受 vs 主动思考) **提取**: ```yaml teaching_philosophy: - "理念1" - "理念2" - "理念3" ``` #### 第3步: 生成 facilitation_prompts ⚠️ 最重要 **这是 persona 的核心**,决定了 AI 如何以该作者的风格辅助创作。 基于以上分析,为 3 个场景生成具体的指导提示词: ##### 3.1 when_designing_outline **场景**: 用户执行 `/outline` 时 **提示词内容**: - 建议采用该作者的章节结构模式 - 推荐该作者的标题风格 - 强调该作者重视的内容比例 **格式**: ```yaml when_designing_outline: | 【以 [作者名] 的风格辅助设计大纲】 1. 📚 结构建议: 建议采用"[该作者的阶段划分模式]" 例如: [具体说明] 2. 📝 标题风格: 推荐使用"[该作者的标题模式]" 例如: [具体示例] 3. 📊 内容比例: 理论XX% + 实战XX% + 案例XX% + 思考XX% 4. ✨ 特色元素: [该作者的标志性元素,如每讲必有思考题] ``` ##### 3.2 when_creating_content **场景**: 用户执行 `/content` 时 **提示词内容**: - 指导按该作者的内容组织流程创作 - 强调该作者的写作重点 - 提醒包含标志性元素 **格式**: ```yaml when_creating_content: | 【以 [作者名] 的风格创作内容】 1. [步骤1名称] (XX%) - [具体指导] 2. [步骤2名称] (XX%) - [具体指导] 3. [步骤3名称] (XX%) - [具体指导] 4. [步骤4名称] (XX%) - [具体指导] 💡 不要忘记: [标志性元素提醒] ``` ##### 3.3 when_reviewing_quality **场景**: 用户执行 `/review` 时 **提示词内容**: - 用该作者的质量标准检查 - 评估是否符合该作者的风格特征 **格式**: ```yaml when_reviewing_quality: | 【以 [作者名] 的标准评估质量】 1. [评估维度1] - 是否...? - 是否...? 2. [评估维度2] - 是否...? - 是否...? 3. [评估维度3] - 是否...? - 是否...? ``` #### 第4步: 生成完整的 persona.yaml **组装所有提取的数据**,生成完整配置: ```yaml # [专栏名] - 教学风格配置 author: name: "[从专栏名推断作者名,或使用专栏名]" course: "[专栏名]" role: "[根据内容推断角色,如'数据库专家']" background: "[可选,如果能从内容推断]" persona: identity: | 我是[作者名/专栏名],专注[领域]。 我相信[从教学理念总结的核心信念]。 teaching_philosophy: - "[理念1]" - "[理念2]" - "[理念3]" communication_style: | [从内容风格总结,如"深入浅出,善用类比"] structure_patterns: preferred_course_structure: - name: "[阶段1]" purpose: "[目标]" characteristics: "[特点]" # ... 更多阶段 title_style: pattern: "[模式]" examples: - "[示例1]" - "[示例2]" - "[示例3]" content_organization: standard_flow: - step: "[步骤1]" content: "[内容描述]" # ... 更多步骤 content_balance: theory: [数字] practice: [数字] case_study: [数字] summary: [数字] signature_elements: must_have: - element: "[元素1]" format: "[格式]" purpose: "[作用]" # ... 更多元素 preferred_teaching_methods: - "[方法1]" - "[方法2]" quality_standards: - "[标准1]" - "[标准2]" - "[标准3]" facilitation_prompts: when_designing_outline: | [完整的指导提示词] when_creating_content: | [完整的指导提示词] when_reviewing_quality: | [完整的指导提示词] ``` #### 第5步: 保存 persona 配置 **AI 操作**: 使用 Write 工具保存 ```bash # 生成文件名 (规范化) # 示例: "Flutter核心技术与实战" → "flutter-core-tech.yaml" ``` **文件路径**: `reference-courses/personas/[文件名].yaml` #### 第6步: 展示训练结果 ``` ╔══════════════════════════════════════════════════════════╗ ║ ✅ Persona 训练完成! ║ ╚══════════════════════════════════════════════════════════╝ 📁 已保存: reference-courses/personas/[文件名].yaml 🎭 作者风格特征: • 教学理念: [总结 teaching_philosophy] • 章节结构: [总结 structure_patterns] • 标题风格: [总结 title_style] • 标志元素: [总结 signature_elements] ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 💡 接下来你可以: /mimic list - 查看所有可用 persona /mimic activate [专栏名] - 激活该 persona /outline - 以该风格设计大纲 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ``` **任务完成** ✅ --- ### 操作 C: 批量训练 (--scan-all) 如果返回 `action === "scan_all"`: **展示批量训练界面**: ``` ╔══════════════════════════════════════════════════════════╗ ║ 🚀 批量训练模式 ║ ╚══════════════════════════════════════════════════════════╝ 发现 [total_courses] 个专栏,将逐个分析训练。 这可能需要一些时间,请耐心等待... ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ``` **AI 操作**: 对返回的每个专栏: 1. 调用 `bash scripts/bash/train.sh "[专栏名]"` 2. 获取分析数据 3. 按操作 B 的流程生成 persona 4. 显示进度 ``` [1/17] 正在分析: Flutter核心技术与实战... ✅ 已生成: flutter-core-tech.yaml [2/17] 正在分析: MySQL实战45讲... ✅ 已生成: mysql-45.yaml ... [17/17] 正在分析: Kubernetes核心原理... ✅ 已生成: k8s-core.yaml ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ 🎉 批量训练完成! ✅ 成功训练 17 个 persona 📁 保存位置: reference-courses/personas/ 💡 使用方法: /mimic list - 查看所有 persona /mimic activate [专栏名] - 激活使用 ━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━━ ``` **任务完成** ✅ --- ## 错误处理 ### 如果 status === "error" #### 错误类型 1: no_columns ``` ❌ 错误: 未找到专栏数据 请先将专栏资料复制到 reference-courses/ 目录: cp -r ~/Downloads/专栏/* reference-courses/ 然后运行扫描脚本生成索引: bash scripts/bash/scan-references.sh 最后再运行训练: /train ``` #### 错误类型 2: no_index ``` ❌ 错误: 未找到专栏索引文件 请先运行扫描脚本生成索引: bash scripts/bash/scan-references.sh ``` #### 错误类型 3: not_found ``` ❌ 错误: 未找到专栏 "[专栏名]" 请检查专栏名称是否正确,或使用交互模式查看所有可用专栏: /train ``` --- ## 重要提醒 ⚠️ ### AI 的职责 1. **深度分析**: 仔细阅读采样内容,准确识别教学模式 2. **准确提取**: 提取真实存在的特征,不要臆造 3. **生成提示词**: facilitation_prompts 要具体可操作 4. **保持中立**: 不要加入主观评价,只描述客观特征 ### 分析原则 1. **基于事实**: 所有结论必须基于实际分析的内容 2. **模式识别**: 寻找重复出现的模式和规律 3. **适度抽象**: 既要保留特色,又要有一定通用性 4. **可操作性**: facilitation_prompts 要让 AI 能直接应用 ### 质量标准 一个好的 persona 应该: - ✅ 准确反映该作者的教学风格 - ✅ facilitation_prompts 具体可操作 - ✅ 包含足够的示例和说明 - ✅ 适用于该领域的课程设计 --- ## 使用示例 ```bash # 场景 1: 首次使用,交互式选择 /train # → 看到所有专栏列表 # → 选择 1,3,5 训练 3 个 # → AI 逐个分析并生成 # 场景 2: 训练指定专栏 /train Flutter核心技术与实战 # → AI 分析该专栏 # → 生成 flutter-core-tech.yaml # 场景 3: 批量训练所有专栏 /train --scan-all # → AI 分析所有 17 个专栏 # → 生成 17 个 persona.yaml ``` --- **开始执行第一步** ⬇️