Adaptive Planner — 自适应规划引擎

核心问题

现有四个引擎解决的是单次重混的”怎么做”。但一个更关键的问题是：

面对这个具体的人，在这个具体的时刻，整体的重混策略应该是什么？

同样是「分数」这个概念：

一年级男孩，喜欢足球 → 用切分足球场的方式讲，动画+互动
一年级女孩，喜欢画画 → 用分颜料调色的方式讲，视觉+动手
三年级学生，已经学过基础 → 不再讲”什么是分数”，而是讲分数运算，用数轴可视化
初中生回顾分数 → 直接讲分数与代数的关系，从算术跳到抽象
一个有数学焦虑的孩子 → 先用游戏建立信心，再慢慢引入概念
一个数学天赋极强的孩子 → 跳过基础，直接给有挑战性的问题

这不是简单的”风格调整”或”难度调整”，而是需要一个理解人的全貌、做出整体规划的智能层。

Adaptive Planner 的职责

1. 构建学习者画像（Learner Profile）

不是简单的标签，而是一个多维度的、动态演化的画像：

┌─────────────────────────────────────────┐
│  学习者画像                               │
│                                          │
│  基础信息                                 │
│  ├── 年龄 / 年级 / 发展阶段               │
│  ├── 性别 / 文化背景 / 语言               │
│  └── 角色（学生/自学者/专业人士）           │
│                                          │
│  认知状态                                 │
│  ├── 已掌握的知识（知识图谱中的已点亮节点）  │
│  ├── 当前正在学习的内容                    │
│  ├── 前置知识是否牢固                      │
│  └── 认知发展阶段（皮亚杰：具体运算/形式运算）│
│                                          │
│  学习偏好                                 │
│  ├── 偏好的媒介形态（视觉/听觉/动手）       │
│  ├── 偏好的风格（故事/逻辑/游戏）           │
│  ├── 注意力持续时间                        │
│  └── 最佳学习时段                         │
│                                          │
│  兴趣与动机                               │
│  ├── 兴趣标签（足球/动漫/编程/音乐...）     │
│  ├── 内在动机 vs 外在动机                  │
│  ├── 当前情绪状态（好奇/焦虑/厌倦/自信）    │
│  └── 学习目标（考试/好奇/工作需要）         │
│                                          │
│  历史行为                                 │
│  ├── 哪些重混版本效果好（停留时间、完成率）   │
│  ├── 哪些方式导致了放弃                    │
│  ├── 困惑热点（反复回看的位置）             │
│  └── 学习节奏模式                         │
└─────────────────────────────────────────┘

2. 动态规划重混策略（Remix Strategy）

根据学习者画像，Adaptive Planner 为每次重混生成一个策略方案，而不是直接生成内容：

输入：学习者画像 + 目标知识点（分数）

Adaptive Planner 输出：

{
  "策略": {
    "切入角度": "用足球场分区来引入分数概念",
    "原因": "该学习者7岁男孩，兴趣标签包含足球，
             认知阶段为具体运算期，需要具象化",

    "语义密度": {
      "level": "入门",
      "scope": "只讲什么是分数，不涉及运算",
      "前置检查": "确认理解等分概念"
    },

    "风格": {
      "表达方式": "游戏化、探索式",
      "语言水平": "一年级词汇量",
      "情感基调": "鼓励、有趣"
    },

    "媒介": {
      "主形态": "互动动画",
      "辅助": "语音讲解",
      "避免": "大段文字"
    },

    "HITL策略": {
      "检查点": "每个概念后插入一个简单的互动问题",
      "困惑响应": "如果回答错误，切换到更简单的比喻",
      "激励机制": "每完成一步给一个足球相关的小奖励"
    },

    "后续路径": [
      "掌握后 → 进入分数大小比较",
      "如果困难 → 回退到等分概念巩固"
    ]
  }
}

这个策略方案再交给四个引擎去执行。

3. 实时调整（Adaptive Loop）

规划不是一次性的，而是在学习过程中持续调整：

Adaptive Planner 输出初始策略
        │
        ▼
四引擎执行 → Remix Stage 展示
        │
        ▼
用户交互（顺利 / 困惑 / 放弃 / 跳过）
        │
        ▼
Adaptive Planner 收到反馈
        │
        ├── 顺利 → 加速，提升难度
        ├── 困惑 → 换一种切入角度
        ├── 放弃 → 大幅调整策略（换形态？换比喻？降难度？）
        └── 跳过 → 该知识点可能已掌握，标记并跳过
        │
        ▼
输出调整后的策略 → 四引擎重新执行

4. 长期学习路径规划（Learning Path）

超越单个知识点，规划长期学习路径：

「分数」学习路径 — 一年级男孩版

第 1 步: 等分概念（切蛋糕动画）          ✅ 已掌握
第 2 步: 什么是分数（足球场分区互动）      ◀ 当前
第 3 步: 分数的表示（写法练习游戏）        ○ 下一步
第 4 步: 分数的大小比较（谁的蛋糕大？）    ○
第 5 步: 简单的同分母加法（拼图游戏）      ○
...

每一步的重混策略都根据前一步的表现动态调整。

与其他组件的关系

Adaptive Planner 是四引擎的上游决策层：

学习者画像 + 目标知识点
        │
        ▼
┌─────────────────────┐
│  Adaptive Planner   │
│  自适应规划引擎       │
│                     │
│  · 理解学习者全貌     │
│  · 规划重混策略       │
│  · 实时调整          │
│  · 长期路径规划       │
└──────────┬──────────┘
           │ 策略方案
           ▼
  Semantic Density + Style + Medium + Facilitation
           │
           ▼
      Remix Stage
           │
           ▼ 用户行为反馈
  Adaptive Planner（更新画像、调整策略）

它让整个系统从**“通用重混”升级为”千人千面的个性化重混”**。

与 Style Engine 的区别

Style Engine 关注的是表达层面的偏好（口语/学术、视觉/文字）。 Adaptive Planner 关注的是认知层面的全局规划（学什么、学多深、用什么切入角度、以什么节奏推进）。

Style Engine 是 Adaptive Planner 的输入之一 — Planner 在制定策略时会参考 Style Engine 提供的风格偏好数据。

类比

如果四个引擎是制作团队，Remix Stage 是工作坊，那么 Adaptive Planner 就是私人教学顾问 — 它了解你是谁、你在哪里、你要去哪里，然后告诉制作团队”给这个人做这样的内容”。

不是导演（那是 Facilitation Engine），而是站在导演背后的策划人 — 它决定”拍什么”，导演决定”怎么拍”。