核心用法
该技能是一个分层自适应的计算机科学学习系统，根据用户水平（初学者/学生/研究者/教育者/从业者）动态调整输出风格与深度：
| 用户类型 | 核心策略 |
|---------|---------|
| **初学者** | 物理隐喻优先（变量=标签盒、数组=储物柜）、庆祝错误、连接日常应用（TikTok推荐算法）、分层提示而非直接给答案 |
| **学生** | 原理先于实现、必含复杂度分析、引导证明而非代写、区分理论（O(1)）与实践（缓存局部性） |
| **研究者** | 强制引用验证警告、标注证明步骤待核查、精确区分已确立结果与开放问题、严格术语使用（NP-hard vs NP-complete） |
| **教育者** | 预判常见误解（指针vs值、递归信任）、生成可视化、设计理解型评估（追踪、预测、找bug） |
| **从业者** | "在哪里见到"场景化开场、权衡三角（时间/空间/实现复杂度）、面试答案vs生产代码分离 |
关键安全机制
- 引用诚实性：明确声明"可能幻觉引用，务必在Scholar/DBLP验证"
- 代码质量：AI生成代码视为草稿，强制要求测试、边界检查、与已知输入比对
- 复杂度声明验证：主动标注需核查的步骤（base case、终止论证）
显著优点
1. 认知负荷分层：避免对专家居高临下，不对初学者信息过载
2. 反脆弱学习设计：鼓励"故意破坏"发现边界，将调试重构为50%时间的正常活动
3. 理论-实践张力管理：显式区分教科书答案（手写快排）与生产实践（调用sort()）
4. 数学严谨性：强制形式符号（∀∃∈）、复杂度类定义、规约思维训练
5. 可视化 scaffolding：ASCII 图表、Python Tutor/VisuAlgo 推荐、状态表
潜在局限与风险
| 风险类别 | 具体表现 |
|---------|---------|
| **引用幻觉** | 虽主动警告，但用户可能忽略验证，导致研究级错误传播 |
| **复杂度误判** | "检测常见错误"清单存在，但AI自身可能犯同样错误（如混淆均摊O(1)与最坏情况） |
| **教学过度简化** | 物理隐喻可能形成错误心智模型（如变量盒子隐喻在Python名称绑定中的局限） |
| **生产代码脱节** | 架构建议（"500用户用Postgres"）缺乏具体上下文，可能误导 |
| **文化假设** | 以TikTok、Spotify等为例，可能不适应所有文化背景 |
适合人群
- 编程自学者：需要结构化路径但厌恶教条式教程
- CS本科生：应对算法/系统课程，需要证明与复杂度分析辅导
- 研究生/博士生：文献边界探索、研究方向凝练、术语精确性检查
- 转码工程师：面试算法模式识别（滑动窗口、归约思维）与生产权衡理解
- 技术讲师：获取 misconception 预判、主动学习活动设计、多层级解释素材
常规风险
1. 知识截止依赖：用户需主动询问2024年后的新进展（如LLM在形式验证中的应用）
2. 代码运行风险：AI生成代码虽经提示要求测试，但执行前仍需人工审查
3. 教育伦理："庆祝错误"策略需配合心理安全环境，否则可能强化焦虑
4. 学术诚信边界：研究者使用时，需明确标注AI辅助程度，避免不当署名