AI 学习路径推荐：别把薄弱点变成焦虑清单
刷题久了，很容易发现自己哪里都薄弱：DP 不稳，图论害怕，字符串忘模板，二分边界老写错。AI 学习路径推荐如果只列一堆薄弱点，很快就变成焦虑清单。真正有用的推荐，应该把薄弱点转成可执行的训练计划。
学习路径不是“你不会什么”，而是“下一周先补什么，怎么补，怎么验证”。别把人吓跑。
一、先用证据识别薄弱点
薄弱点要来自做题记录、错误类型、耗时、提示使用次数，而不是用户一句“我觉得我不行”。
flowchart TD A[刷题记录] --> B[错误分类] A --> C[耗时统计] A --> D[提示使用] B --> E[薄弱点识别] C --> E D --> E E --> F[训练计划]证据越具体，推荐越靠谱。
二、错误类型比标签更重要
同样是 DP，错误可能是状态定义错、边界初始化错、转移顺序错、空间压缩错。推荐要细到错误类型。
weakness: topic: dynamic_programming error_type: state_definition evidence: wrong_cases: 6 avg_hint_used: 2.1看到这个，训练计划就可以专门练状态定义，而不是泛泛地说“多刷 DP”。
三、训练计划要小步可完成
一周计划不要塞 50 道题。可以是 5 道同类题 + 1 次复盘 + 1 次无提示重做。能坚持，比看起来猛更重要。
week_plan: day1: 复习状态定义模板 day2-day4: 练 3 道一维 DP day5: 练 2 道二维 DP day6: 无提示重做错题 day7: 写复盘学习系统要帮助建立节奏，不是制造负债。
四、推荐要有退出条件
什么时候算这个薄弱点改善了？比如连续 5 道同类题无提示通过，边界错误下降，能口述状态转移。没有退出条件，学习路径会无限拉长。
AI 可以给计划，但用户需要看到进度条。进步可见，焦虑才会少一点。
推荐系统还要控制题目难度梯度。一直给困难题，会劝退；一直给简单题，又没成长。可以按通过率、提示次数和耗时动态调整。
difficulty_policy: if pass_rate > 80% and avg_hint < 1: raise difficulty if pass_rate < 40%: lower difficulty and add guided examples刷题路径不是健身房暴力加重量。肌肉要刺激，也要恢复。算法学习同理，题目要刚好够难。
每周复盘也很重要。AI 可以总结本周常见错误，但用户要自己写一句“下周我先改什么”。这句承诺比十条建议更有用。
推荐系统还要避免单一题型刷麻。比如连续刷十道二分，短期熟练，换成图论立刻断电。可以用主线加穿插：主攻一个薄弱点，同时保留少量旧题复习。
weekly_mix: focus: dynamic_programming review: [binary_search, stack] new_topic: graph_bfs这样既有突破，也不容易把旧知识全还回去。
学习路径最后要落到每天可执行的任务。越具体，越不容易被拖延击穿。
计划越小，越容易真的完成。
能完成的计划，才会变成下一次自信的来源。
五、总结
AI 学习路径推荐要用证据识别薄弱点，把错误类型拆细，生成小步训练计划，并设置退出条件。
别把薄弱点变成焦虑清单。好的学习路径，应该让人知道今天先做哪一步。