核心用法
Zhizhi Math Coach 是一套面向中国小学数学的本地化 AI 辅导系统。家长或学生通过自然语言指令（如"批改这张卷子"或"出一张练习"）触发任务，系统依托本地学习档案完成闭环：
1. 拍照批改：上传作业照片，AI 识别手写答案与教师批改痕迹，标记错题并区分"阅读/建模/计算/检查"等错误类型，对不确定笔迹标记 need-confirmation。
2. 归因诊断：对比历史错题与薄弱点档案，推断错误根因（概念混淆/迁移失败/间隔遗忘/粗心失误），生成家长版与学生版双重解释。
3. 知识讲解：调用 knowledge-points/ 下的结构化卡片，从具体实物、画图或数位值出发，避免直接套公式。
4. 靶向练习：基于诊断选择策略（错题变式/薄弱点专项/间隔复习/迁移检测等），生成 worksheet-spec.json，经脚本输出可打印 PDF/HTML 练习卷与答案密钥。
5. 档案更新：自动写入错题本、薄弱点追踪、学习进度仪表盘，支持长期数据沉淀。
6. 可选发布：配置 GitHub Pages 后，可生成公开访问的儿童端练习链接，方便微信/飞书分享。
显著优点
- 本地化持久记忆：所有学习记录存于用户本地 Git 仓库，非云端黑盒，隐私可控且支持离线使用。
- 多模态深度推理：推荐搭配具备图像理解能力的前沿推理模型（如 GPT-5.x），可处理手写体、几何图、低质量照片。
- 中国课标对齐：内置人教版等教材范围、学期节奏、寒暑假与考试窗口规则，练习自动匹配教学进度。
- 结构化生成流程：练习卷通过 JSON spec → 脚本 → PDF/HTML 的确定性流程产出，非自由生成，质量稳定、可复现。
- relapse 与迁移追踪：区分"复发""迁移失败""间隔遗忘"，避免简单重复，针对性设计变式题。
- 家长友好设计：输出分家长版（详细归因）与学生版（简洁鼓励），沟通成本低。
潜在缺点与局限性
- 模型依赖重：照片批改、几何图识别、复杂应用题推理均依赖多模态大模型，若使用轻量纯文本模型会显著降级。
- 初始化门槛：需运行 Python 脚本初始化学习空间，对非技术家长存在命令行操作成本。
- PDF 生成依赖 Chrome/Chromium：无浏览器环境时仅输出 HTML，需手动打印。
- 云同步需自行配置：GitHub SSH Deploy Key、Pages 工作流等进阶功能需家长按指引完成，非一键即开。
- 版权敏感：系统不内置教材原文，仅引用课标范围与术语，家长需自备课本。
- 手写识别置信度边界：字迹潦草、涂改严重时可能触发
need-confirmation，需人工复核。
适合人群
- 小学 1–6 年级学生家长，希望建立长期错题档案与薄弱点追踪。
- 重视数据隐私、偏好本地存储而非 SaaS 云服务的家庭。
- 具备基础命令行/GitHub 操作能力，或愿意学习的技术型家长。
- 需要针对性补强（如应用题迁移、几何空间观念）而非简单刷题的学生。
常规风险
- 过度依赖 AI 诊断：复杂学习障碍（如阅读障碍、数感缺失）需专业评估，系统归因仅供参考。
- 公开仓库误传敏感数据：若启用 GitHub Pages，需确保仓库为私有或仅发布儿童端文件，避免错题照片、诊断记录泄露。
- 自动推送误操作：脚本仅在用户显式指令下执行 git push，但家长需理解"本地-云端"边界，防止误提交。
- 模型幻觉风险：低置信度归因可能伴随错误解释，系统已设计验证题与人工确认机制，但仍需家长监督。
- 长期数据管理：多年级累积文件增多，需定期归档或清理，避免仓库膨胀。