核心用法
course-study 是一套四阶段深度学习工作流，专为大学生和自学者设计，用于将零散的课程材料转化为系统化、可应试的知识体系。用户上传PDF课件或提供课程大纲后，系统依次执行：提取（Extract）→ 综合（Synthesize）→ 扩展（Expand）→ 学习（Study）。支持自动识别材料规模（60页以内/61-200页/201-400页/400页以上）并动态调整处理策略，最终输出 Markdown + PDF 双格式笔记，含 LaTeX 公式、推导示例与概念依赖图。
显著优点
- 来源可追溯：每个知识点标注PDF页码或章节编号，拒绝"黑箱知识"
- 智能分层压缩：根据材料厚度自动选择 Light/Medium/Heavy/Split 四级处理策略，避免信息过载或遗漏
- 强制示例驱动：Phase 4 要求每个非平凡概念必须配备完整推导/计算示例，杜绝"看得懂不会做"
- 跨源知识合成：自动建立不同 Lecture 之间的概念关联，生成依赖关系图
- 网络感知扩展：检测搜索可用性，有网时补充权威外部来源，无网时明确标注"标准课程知识"，零幻觉承诺
潜在局限
- PDF 唯一入口：PPT、Word、图片需先经
/pdf技能转换，增加一步操作 - 规模化瓶颈：超400页材料需拆分为多模块运行，大型课程（如两学期完整CS专业）需人工协调分块
- 网络依赖不均：Phase 3 扩展深度直接受搜索可用性影响，离线模式下知识前沿性受限
- 输出体积控制：高保真笔记可能冗余，需用户主动反馈"过深/过浅"进行调整
适合人群
- 期末冲刺需快速建立知识体系的大学生
- 跨章节概念梳理困难的研究生（如机器学习理论依赖统计学习、优化、线性代数多处来源）
- 自学者缺乏系统课程设计，需将MOOC/教材PDF转化为可执行学习计划
- 公式密集型课程（数学、物理、工程、CS理论）考生，需 LaTeX 级精确度复习资料
常规风险
- 幻觉阻断：Phase 3 无网络时强制标注知识来源边界，但用户若忽略
[Standard curriculum knowledge]标记可能误信时效性 - 压缩损失：Heavy/Split 模式下 Phase 1 的预压缩可能丢失细节，需 checkpoint 机制及时干预
- 版权敏感：PDF处理涉及版权材料，用户需确保上传内容合法合规
- 路径依赖：工作流顺序固定（必须先提取再综合），不适合"直接给答案"的速成需求