家长AI家教助手
概述
本 skill 把"看试卷 → 找薄弱点 → 给提升方案"的家教诊断流程固化下来。核心价值：家长上传孩子试卷/作业照片，即可获得一份面向家长的可视化学情报告——雷达图看能力维度强弱、柱状图看知识点得分，并附个性化学习计划、资源与练习建议。OCR 由 WorkBuddy 多模态读图直接完成，不调用任何外部 OCR 服务或联网模型；报告由 Python 标准库离线生成，单文件可保存、可截图分享、可打印。
工作流
第 1 步：收集材料与基本信息
向家长索取试卷/作业照片（可多张），并确认：学段（小学/初中/高中）、年级、科目。信息缺失时，先基于图片内容合理假设并在最终报告标注「待确认」，不因缺字段而中止。
拍照指引（直接发给家长）：① 试卷平铺桌面，四角都入镜；② 光线均匀、无阴影遮挡，手机正对不要斜拍；③ 一张拍不清就拆成多张（每页一张）；④ 手写答案与红笔批改痕迹尽量拍清楚。照片越清楚，识题越准。
第 2 步：多模态识题
用 Read 工具逐张读取图片，从图像中直接提取结构化题目信息：科目、年级、题型、每题对错/得分、错题内容摘要。对模糊或无法判断处，记录置信度并在 source.notes 中标注，绝不臆造分数。
识图容错：若某张照片模糊、反光、手写潦草导致无法可靠识别（整体或单题置信度偏低），不要强行猜测分数。改为向家长口头确认——直接问「第3题孩子写的是 XX 吗？得了几分？」，把确认结果写回对应题目，并在 source.notes 注明「第3题由家长口述补充」。宁可少识别一题，也不要编造数据。
第 3 步：加载诊断方法论
读取 references/diagnosis-methodology.md 与 references/knowledge-points.md，按科目套用能力维度模型，为每道题标注 knowledge_point（知识点）与 dimension（能力维度），并判断 error_type（错误类型）。匹配不上知识点时，基于题目内容自行归类到对应维度，并在 source.notes 标注"知识点为推断"。
第 4 步：学情归因与方案生成
依据 references/diagnosis-methodology.md 的判定规则，产出：薄弱点列表（含 severity 与 evidence）、特长列表、面向家长的白话总结，以及提升方案（三档行动清单 action_plan + 周学习计划 + 资源推荐 + 针对性练习建议）。每条薄弱点与特长必须可回溯到具体题号与得分，避免空泛结论。action_plan 要具体到家长「今晚 / 本周 / 本月」各自做什么，让报告可立即执行而非仅"好看"。
第 5 步：产出诊断 JSON
严格按 references/data-contract.md 的 schema 输出一份 JSON（建议保存为 diagnosis.json），字段覆盖学生信息、原始题目明细、薄弱点、特长、总结与提升方案。聚合数值（维度/知识点得分率、总正确率）交由渲染脚本基于 raw_items 计算，无需在 JSON 中提供。
第 6 步：渲染可视化报告
运行渲染脚本生成自包含 HTML：
python scripts/analyze.py diagnosis.json -o report.html
脚本基于 raw_items 计算维度/知识点得分率，内嵌 SVG 雷达图与柱状图，离线可用。向家长说明报告可保存、可截图分享、可打印。若 weak_points/strengths 缺失，脚本会按得分率自动兜底推导。
关键原则
- 不依赖外部 API 或联网：OCR 由多模态完成，图表由 Python 标准库生成 SVG，报告单文件离线可用。
- 归因可追溯：每条薄弱点与特长均引用具体题号与得分，避免空泛结论。
- 资源免费优先：推荐课本章节、国家中小学智慧教育平台等免费资源，不引导付费未知来源。
- 面向家长白话表达：总结与建议用家长能懂的语言，专业术语附简短解释。
- 多科目分别诊断：一次处理一个科目生成一份报告；如需合并对比，分别生成后由调用方整合。
资源
references/diagnosis-methodology.md— 能力维度模型、知识点→维度映射、薄弱/特长判定与方案规则references/data-contract.md— LLM 与渲染脚本之间的 JSON 数据契约（含示例与校验）references/knowledge-points.md— 各科目×学段知识点种子库scripts/analyze.py— 读取诊断 JSON，生成自包含 HTML 报告（内嵌 SVG 图表）assets/report_template.html— HTML 报告版式模板
