用AI把高中数学装进知识库后,它开始提醒我哪里还没学懂

首先提前剧透一下由NextClaw搭建出来的高中数学知识图谱。《安装说明》看本号置顶贴图

教了几年数学的老师，都有一个观察：

好学生和普通学生的区别，不是谁做的题多，而是谁脑子里的知识是成网的。

举个例子。

一道题说：从含 4 件次品的 10 件产品中不放回地抽取 3 件，求次品数 X 的分布列。

好学生的脑子里会自动跑出一条链：

不放回 → 每次抽取不独立 → 不满足二项分布的前提 → 这是超几何分布 → 套分布列模板：定取值、逐值算概率、验证和为 1。

四步，四个知识点串在一起，几秒钟反应过来。

普通学生呢？二项分布是二项分布，超几何是超几何，独立性是独立性——三个孤立的知识点背得都熟，但在脑子里没有连上。

这道题他大概率会把"抽 3 件"直接套进二项分布，错得毫无知觉。

这不是天赋差异。是知识的组织方式不同。

但传统的学习方式——课堂笔记、错题本、期末画一张思维导图——全都是线性的、一次性的。

做完就扔，概念之间的关联始终是隐性的。

学生看到的永远是一条条孤立的知识点，从来没有人把整张网摊开给他看过。

我在想：能不能先把这张网真正建出来，让它可以被看见、被查询、被每天使用？

于是有了这套用 NextClaw 搭建的高中数学 LLM Wiki。

这一篇要讲的，就是这张网建好之后的事：怎么让它从"好看的图谱"，变成一台每天推着你复习的引擎。

很多人的高中数学资料，最后都会变成几个文件夹：

• • 课本知识点
• • 错题截图
• • 试卷 PDF
• • 收藏的讲题视频
• • AI 聊天里的一段解答

资料不少，但真正遇到“导数不等式怎么下手”“圆锥曲线弦长题总错在哪里”时，还是得重新翻、重新搜、重新问。

问题不在于资料不够，而在于它们没有形成一张能复用、能复习、能持续维护的知识网络。

这就是我想用 LLM Wiki 做高中数学的原因。

它不是让 AI 再写一份知识点总结，而是把教材、题目、错因、方法和复盘，逐步编译成一套可查询、可链接、可维护的 Markdown 知识库。

数学最适合做 LLM Wiki 的地方

高中数学不是单纯“背公式”。

真正拉开差距的，往往是这几件事：

• • 看见题目，能不能识别它属于什么结构；
• • 知道一个公式，能不能判断它的适用条件；
• • 做错之后，能不能定位到底是概念、方法还是计算出了问题；
• • 学完一个章节，能不能迁移到后面的导数、数列、概率、解析几何中。

这些都不是单页笔记能解决的。

例如，“均值不等式”不应只是一条公式。它应该连向：

• • 函数最值；
• • 不等式放缩；
• • 构造函数；
• • 等号成立条件；
• • 常见误用；
• • 对应的典型题和错题。

这样，一页知识点才不只是“抄过”，而是未来解题时真正能被调用的节点。

1、知识库目录结构

高中数学知识库的目录，可以按下面的结构组织：

这套系统先把资料分成两层：

• • _raw/         原始资料、截图、章节笔记、试卷、临时想法
• • concepts/     概念、定义、公式与性质
• • skills/       方法与技巧
• • references/   教材、试卷、原题、课程资料
• • synthesis/    专题综述、题型模型、章节索引、公式总表

_raw/ 是收件箱，不要求整洁。

你可以把老师发来的讲义、错题整理、微信里转来的图片先放进去；之后再通过 ingest 流程，把它们提炼成正式页面。

这样做的好处是：原始资料始终保留，正式知识页面也不会被临时内容污染。

2、知识点页面结构

一张高中数学知识点页面，可以按下面的结构组织：

# 知识点名称## 概念与定义## 核心公式与性质## 前置知识## 常见题型## 常用方法## 易错点## 关联页面## 待核验项

但这不是要求每页填满八个标题。

原则是：顺序固定，没有内容就省略。

比如“函数单调性”会重点写定义、判定、参数题、导数联系和易错点；“构造函数”作为方法页，则重点写适用信号、基本步骤和常见坑。

更重要的是，概念页不重复抄方法的完整内容。

“导数应用”可以链接到 [[构造函数]]、[[分类讨论]]；“构造函数”再专门解释什么时候该用、怎样构造、容易漏掉什么。

这样，知识点、方法和题型各自有边界，又能彼此连接。

3、解题方法页面结构

一张高中数学解题方法页面，可以按下面的结构组织：

 ---  title: 高中数学-方法名称  category: skill  tags: [数学, <域级标签>, <方法名称>]  sources: []  summary: >-    一句话说明这个方法解决什么问题、适用什么条件。  provenance:    extracted: 0.0    inferred: 0.0    ambiguous: 0.0  lifecycle: draft  tier: supporting  ---  # 方法名称  一句话说明：这个方法的目标、核心思路与适用范围。  ## 适用信号  - 题目出现……  - 已知条件具有……  - 目标需要证明、求值、比较或分类……  ## 前置知识  - [[concepts/相关概念]]  - [[concepts/相关公式或性质]]  ## 基本步骤  1. 明确题目的对象、条件、定义域或参数范围。  2. 识别可调用的结构或转化方向。  3. 按方法的核心步骤处理。  4. 检查边界、等号条件、分类是否完整。  5. 回到原题，写出结论。  ## 常见变体  - 变体一：出现……时，改用……  - 变体二：若……，需要先……  ## 常见坑  - 忽略方法的适用前提。  - 漏掉定义域、参数范围或分类讨论。  - 中间结论成立，但未回代原题。  - 将充分条件误当成必要条件。  ## 典型题  - [[references/相关原题或试卷]]  - [[synthesis/相关题型模型]]  ## 关联页面  - [[concepts/相关概念]]  - [[skills/相关方法]]  - [[synthesis/相关专题]]  ## 待核验项  - 尚未确认的结论、题型边界或来源。  使用规则：  - 适用信号、基本步骤、常见坑 通常是方法页的核心。  - 前置知识、常见变体、典型题、待核验项 按需出现，没有内容就省略。  - 概念页只链接到方法页，不重复展开完整步骤；方法页也不重复解释概念定义。

从"好看的图谱"变成一台推着你复习的引擎

下面具体讲怎么把一套已经建好的高中数学 LLM Wiki，从"好看的图谱"变成一台每天推着你复习的引擎。顺便你会看到，这台引擎在运转过程中，还替我抓出了原始资料里的两处笔误。

先交代现状。经过前几篇的流程，这套 Wiki 目前长这样：

• • 41 张概念页，覆盖高中数学全部主干章节
• • 2 张方法页（捆绑法与插空法、隔板法）
• • 2 张综合页（立体几何方法选择、集合与概率的代数结构）
• • 7 张章节参考页
• • 一份控制标签词表：11 个域级标签，每页最多 5 个标签
• • 图谱 14 个颜色组，按域上色

页面数量不算多。但接下来你会看到——

复习引擎需要的不是页面数量，而是页面上的三个字段。

玩法一：给每一页装上"复习状态"

Markdown 页面的 frontmatter，本质上是一个小型数据库。

大多数人只用它放标题和标签。但既然每个知识点都是一张独立页面，那"我掌握得怎么样"这件事，也完全可以记在页面自己身上。

于是给全部 43 张概念页和方法页，统一加上三个字段：

mastery: 未评估          # 未评估 | 薄弱 | 一般 | 熟练last_reviewed: null      # 上次复习日期next_review: 2026-07-16  # 下次该看它的日期

这里有一个容易做错的细节：初始值不要虚构。

AI 可以帮你把 43 页的字段一次性初始化好，但它不知道你真实的掌握程度——你自己在没做题之前也不知道。所以所有页面统一初始化为"未评估"，全员进入首轮复习队列。

掌握度只有一个来源：你真实复习过、真实做错过之后，亲手改这个字段。

复习一页，评一页。做错一题，降一页。字段慢慢从"未评估"分化成"薄弱、一般、熟练"，这张知识网络就开始有了你的指纹。

知识网络是 AI 编译出来的，掌握度地图只能由你自己跑出来。

玩法二：一张 Dataview 表，免费打造一个 Anki

字段有了，接下来让它们动起来。

在 _meta/dashboard.md 里放四个 Dataview 视图。它们全部是活的查询，随页面字段自动更新，不需要任何手工维护：

① 复习优先级 —— 核心视图。所有概念页和方法页，按"薄弱 → 未评估 → 一般 → 熟练"排序，同级内按 next_review 日期升序。每天打开，最上面的就是今天该看的。

② 待核验清单 —— 所有 lifecycle: draft 的页面。AI 生成的内容核验一页升级一页，这张表自动缩短，等于一个验收看板。

③ 易错总览 —— 所有带 #易错 标签的页面。考前把这张表过一遍，等于把全库的易错点小节集中检阅。

④ 按域浏览 —— 全部概念页按 11 个域级标签分组。这是标签归一化的直接红利：词表没统一之前，这张表根本做不出来。

再配一条简单的推迟规则，间隔重复就成型了：

复习完改三个字段，页面自动沉到队列里它该在的位置。

没有装任何间隔重复插件，没有把知识点搬进另一个 App。就是 frontmatter 加一张 Dataview 表——

用知识库自己的零件，拼出了一个 Anki。

玩法三：错题三层链——原题、错因、方法各归其位

错题本是每个学生都被要求做、但很少有人真正回头看的东西。

问题出在结构上：传统错题本把原题、错因、正确解法抄在同一页纸上。它是一个终点——抄完就结束了，和你的知识体系没有任何连接。

在 Wiki 里，一道错题被拆成三层，各归其位：

references/2026-07-模考-第16题.md        ← 原题（题目本身是材料）        ↓ wikilinkconcepts/高中数学-离散型随机变量.md      ← 错因（页内"易错点"小节）        ↓ wikilinkskills/高中数学-分布列求解模板.md        ← 方法（可复用的解题模型）

为什么这样拆？因为题目本身是材料，解题经验才是可复用知识。

原题放 references/，它是证据，永远不用改。

错因指向概念页的易错小节——如果这个错误模式还没被收录，就补一条。这条易错点从此服务所有后续复习，而不是只服务这一道题。

方法指向 skills/ 方法页——如果方法页还不存在，这道错题就是建页的最好时机。

最后一步，把闭环接回复习引擎：把对应概念页的 mastery 改成"薄弱"。

这一页明天就会出现在复习队列最顶端。

错题不是终点，是引擎的燃料。

玩法四：识别信号与适用信号，互为镜像

这套 Wiki 的页面模板里，藏着一个专门为做题设计的机关。

概念页有一节"常见题型"，每条长这样：

识别信号：相同元素分给不同对象、每份至少一个 → 隔板法，参见 [[高中数学-隔板法]]

方法页有一节"适用信号"，每条长这样：

" 个相同的球分给  个不同的盒子"、"每组至少一个" → 标准隔板：

注意到了吗？这两节互为镜像。

从概念页出发：我在复习"排列组合"，看到某类题面特征该用什么方法，一跳就到方法页。

从方法页出发：我在复习"隔板法"，看到它能解决哪些题面特征，一跳回概念页。

考场上真正的难点，从来不是"隔板法公式是什么"，而是"这道题该用隔板法吗"。识别信号训练的正是这个判断。

由此衍生一个进阶玩法——考我模式：让 AI 从 Wiki 里抽取识别信号，反向出题。

AI：一道题说"把 10 个相同的名额分给 7 个班级，每班至少一个"，用什么方法？你：隔板法，。AI：正确。追问：如果允许某些班级为零呢？

答错了？对应页面 mastery 降为薄弱，自动接回复习队列。

整个问答的素材全部来自你自己的页面。

AI 出的每道题，都有页面可溯源——它不是在考你，是在陪你巡检自己的知识网络。

玩法五：图谱不是装饰品，是体检报告

图谱好看，但好看不是目的。

这套 Wiki 的图谱配了 14 个颜色组：11 个域级标签各一色，方法页、综合页、参考页按目录各一色。其中有一条特殊规则：

#易错 标签的蓝色，排在所有颜色组之前。

也就是说，不管一张页面属于哪个域，只要它带着易错标记，图谱上就是蓝色。打开图谱，蓝色节点的分布就是你的"雷区地图"——哪个板块蓝点密集，哪个板块就是考前重点。

图谱还能看出三种病：

• • 孤立节点：没有连线的页面，说明它还没织进网络，交给 /cross-linker
• • 异常巨大的节点：连线过多，说明主题可能拆得不够细，考虑拆页
• • 只有目录关系、没有方法关系的区域：说明这个板块只完成了收纳，还没真正"编译"

图谱不是用来欣赏的，是用来发现哪里还没长好的。

玩法六：沿依赖链找病根

高中数学的知识不是并列的，是有依赖方向的。

这套 Wiki 在 frontmatter 里用类型化关系记录了这个方向：

relationships:  - target: "[[高中数学-排列组合]]"    type: uses        # 本页依赖排列组合  - target: "[[高中数学-概率基础]]"    type: extends     # 本页建立在概率基础之上

uses 和 extends 都是先修语义。于是可以做传递查询：

学正态分布之前，需要先掌握哪条链？→ 正态分布 → 离散型随机变量 → 排列组合 + 概率基础 → 集合运算

这条链最实用的场景是找病根：当某一页被评为"薄弱"时，先别急着刷这一页的题——沿着 uses 边往上游查一层。

分布列算不对的人，病根经常在排列组合。

圆锥曲线联立总出错的人，病根经常在韦达定理。

在下游刷题，不如在上游补课。依赖链让"往上游查"从一句经验，变成一次可以真正执行的查询。

玩法七：AI 写的每一句话，都欠你一次核验

这套 Wiki 有一条硬约定：AI 生成的内容必须带溯源标注。

• • 从原始资料忠实提取的内容，不加标记
• • AI 综合补充的内容，逐条标 ^[inferred]
• • 来源含糊或冲突的内容，标 ^[ambiguous]

每张新页面出生时都是 lifecycle: draft，出现在仪表盘的"待核验清单"里。你对照教材核验一页，升级一页 evergreen。

这个流程看起来是负担，直到它抓住了真问题。

摄取第 14、15 章时，AI 发现了原始资料里的两处笔误：一处是二项式系数中间项的公式排版错乱，一处把"互斥事件"写成了"互反事件"。两处都被按标准结论修正，并标上 ^[ambiguous] 留待人工确认——而不是悄悄照抄，也不是悄悄改掉。

还有一处更微妙：资料里相关系数  的强弱分界用 0.25/0.75，而部分教材用 0.3/0.75。这种口径冲突被单独记进了矛盾清单，标注"以任课教师口径为准"。

一套会给资料纠错、并且把裁决权交还给你的复习系统——这是溯源标注真正的价值。

AI 负责发现和起草，人负责裁决。裁决权不外包，这在教育场景里不是效率问题，是底线问题。

终局玩法：把 Wiki 打包成你的私人数学家教

当大部分页面升级为 evergreen、掌握度地图跑出轮廓之后，还有最后一层玩法。

把整套成熟的 Wiki 打包成一个 Agent Skill。

打包之后，在任何会话里问数学题，AI 不再泛泛地从互联网知识里作答，而是用你自己的知识体系来讲解：你的符号习惯、你归纳的识别信号、你踩过的易错点、你命名的方法页。

一个真正"懂你学习史"的家教。

再配上两个周期性动作，引擎就能长期运转：

• • 每周：/wiki-digest week 生成一份周报——本周复习了什么、哪些页面掌握度变化、新增了什么内容
• • 每天：/daily-update 挂上定时任务，晨间自动刷新索引和状态

这套玩法不只属于数学，也不只属于学生

回头看这台引擎的零件清单：三个复习字段、识别信号、易错标签、错题三层链、依赖链、溯源标注。

没有一个零件是数学专属的。

换一门科目，照样能转

物理：概念页装定律与模型，方法页装"受力分析模板""能量观点还是动力学观点"。识别信号照写不误——

识别信号：斜面 + 摩擦 + 缓慢移动 → 受力分析 + 准静态处理，参见 [[受力分析模板]]

化学：#易错 标签天然适合"方程式配平陷阱""实验操作顺序"这类高频失分点；矛盾清单则用来管理不同教材对同一实验现象的表述差异——和数学里  分界的口径冲突是同一个问题。

英语：错题三层链直接平移。完形填空的原题进 references/，错因指向语法点页的易错小节（"定语从句关系词误选"），方法指向"长难句拆解模板"。

历史、地理：依赖链换个语义照样成立。uses 边在数学里是"先修"，在历史里是"因果"，在地理里是"成因推导"——"分析安史之乱之前，先掌握哪条链"和"学正态分布之前，先掌握哪条链"是同一个查询。

而且多科不需要多个知识库。域级标签词表扩一层"科目"维度，图谱颜色组照旧，一个 vault 装下整个高中。

换一个角色，看的是不同视图

学生、教师、教研，用的是同一套页面结构，差别只在打开哪张视图：

对教师，最直接的一点是：把一个班的错题按三层链归位之后，"易错点"小节的引用频次就是天然的学情统计。蓝色雷区哪里密集，讲评课就讲哪里——不需要再做一次问卷。而概念页里那些"识别信号"，本来就是现成的课堂提问和变式命题素材：把信号读出来让学生答方法，就是一次即兴检测。

对教研，价值在另外两处。其一，uses/extends 依赖链就是一张可以查询的先修图谱，排课序、设计螺旋上升的教学路径时，它比经验靠谱。其二，还记得 AI 抓出"互反事件"笔误的那个流程吗？那本质上就是讲义校对流程——溯源标注让每一份下发资料都能回答"这句话是从哪来的、谁核验过"。教研成果沉淀成方法页和综合页，而不是散落在各自电脑里的 PPT。

学生用它复习，教师用它讲评，教研用它设计——同一份 Markdown，三种读法。

总结：知识库的价值，在建成之后才开始计算

把这一篇的玩法串成闭环：

每天打开复习仪表盘→ 复习队列顶端的页面→ 评掌握度，更新 next_review→ 做错题？原题进 references/，错因进易错小节，方法进 skills/→ 对应页面 mastery 降为薄弱，回到队列顶端→ 薄弱页沿 uses 链往上游查病根→ 考前打开易错总览和蓝色雷区地图→ 每周 digest 回顾，draft 页持续核验升级→ 页面足够成熟时，打包成私人家教 Skill

上一节说过，这套零件不属于数学，也不只属于学生。再往外走一步：任何有"掌握程度"概念的领域——考证、语言学习、面试准备、新员工培训——都可以用同样的三个字段和一张仪表盘，把静态知识库改造成复习引擎。

前几篇我们说：AI 负责簿记，人负责判断。

这一篇可以再加一句：

AI 负责编译知识，人负责运行它。

知识网络编译得再漂亮，不运行，就只是一座安静的藏经阁。

而运行它需要的，不过是每天打开仪表盘，看一眼队列顶端的那几页。

如果你也在关注 Obsidian、私有化知识库、LLM Wiki、OpenClaw 或 AI Agent 工作流，可以关注这个系列。我会继续分享 NextClaw 的真实搭建过程、产品设计和使用案例。