题库系统已经很会出题、很会判分。但它们几乎都停在分数这一层—— 学生拿到一个 62 分，然后自己猜是哪儿丢的。
错题本按时间排，不按知识排。同一个「等效氢判断」错了 8 次，学生以为自己错的是 8 道不同的题。
Prism 把错因收敛到命题点，8 次错归到 1 个洞。
一次考试下来，老师知道班级均分 71，但不知道是「沉淀溶解平衡」集体塌了，还是「Ksp 图像」看不懂。
Prism 给出班级知识光谱，最短的那根柱子就是讲评的靶子。
题目按章节分类，但一道题常常横跨两三个知识点。单标签分类撑不起多因素归因。
Prism 用多标签加三层粒度，让归因有依据，而不是靠猜。
下面是题库里的两道真实题目。两道刻意选了相反的情况—— 一道证据充足，一道证据不足。
诊断必须是可复现的算法——同一个学生、同样的作答，两次跑出来的结论必须一样。 所以我们把它分成确定性内核和 AI 外壳，各自用对的工具。
把人教版五册教材拆成三层可计算的知识骨架，并让每一道题挂到骨架上。
用掌握度 θ 描述每个知识点，层级贝叶斯收缩处理「题目不够」的情况。
以诊断出的薄弱点为锚，检索同类真题生成变式，再过一遍校验层。
诊断要尽可能细，但题库在早期总有些知识点题目不够。 三层索引加贝叶斯收缩让我们两头都要：证据够就下钻到命题点，不够就退回上层。
同一份诊断结果，两种读法。
每道错题给出具体塌掉的是哪个命题点，以及它在教材里的位置。
以薄弱点为锚生成变式题，练的是那一个洞，不是再来一套卷子。
掌握度 θ 随作答累积更新，薄弱点从红转绿的过程可以回看。
一次作答同时更新多个知识点的证据，诊断性越强，要做的题越少。
最薄弱：Ksp 计算与图像分析（θ 0.31）。 这一章你错了 6 题，其中 5 题都卡在图像读取，不是公式不会。
一次考试后生成全班的知识结构图，哪根柱子最矮一目了然，讲评有靶子。
按班级薄弱分布组卷，而不是按章节平均分挑题。
多标签归因能把「知识点没掌握」与「图像信息读取失误」分开统计。
只读接入现有题库数据，独立部署，不打扰已有的用户与登录体系。
建议讲评顺序：Ksp 图像分析 → 沉淀溶解平衡 → 电离平衡常数。 这三项是本次单元测的主要失分来源。
它有自己的内核、自己的数据、自己的部署。要接进谁家平台，就走一层标准接口—— 贴上去，用它的题，但不共用它的血管。
题库数据只读取，不写回。你原有的题目、用户、登录体系一行不用改。
独立目录、独立进程、独立数据库，出问题不影响主站。
换一套知识图谱就能换学科，内核与流水线复用。
不是再造一个题库，也不是再做一个 AI 老师。 是把「知道自己哪里不会」这件原本要碰到一个好老师才能得到的事， 变成每个学生交掉一次作业就能拿到的东西。
平均分、得分率、年级排名。他知道班级整体考得怎么样， 但不知道这 42 个人各自卡在第几步。
讲评课只能按得分率从低到高再讲一遍。
拿到 62 分和一本错题，然后自己猜：是公式没记住，还是题意没读懂。 猜错了，就再刷 300 道。
刷题解决不了「不知道自己不知道」。
能测到知识点掌握率这一层。武汉中学的化学课上，平台测出班级「σ 键与 π 键」 掌握率只有 22.67%，备课组据此做专项突破——这已经是很扎实的数据了。
但它回答不了「为什么是 22.67%」。
同样一次作答，切得越细，越能回答「为什么」。 这四层不是我们分的，是市面上真实存在的四层。
自适应学习不是新概念。上一个想做成这件事的团队，倒在了别的什么地方。
自适应学习的先驱，累计融资 1.8 亿美元，巅峰时 1500 万学生使用， 2019 年被 Wiley 以约 1700 万美元收购。复盘结论很干脆： 知识图谱和题库握在出版商手里，自己没有内容，就没有诊断的地基。
来源：华创证券行业复盘 · Wiley 公开收购信息统一课标、高考标准化、教辅题库供给充足——这恰恰是知识图谱诊断能长出来的土壤。 2026 年 4 月，教育部等五部门印发《人工智能+教育行动计划》， 明确提出「研发智能学伴，推动学生个性学习」。
来源：教科信〔2026〕1 号 · 中国政府网野心要配得上约束。这三条决定了 Prism 是个诊断系统，不是又一个聊天机器人。
同一个学生、同一次作答，两次跑出来的结论必须一模一样。 做不到这一点，老师就不会信它。
所以诊断是算法，不是大模型。AI 用在出题和组卷上。
说到哪一层，就要说清有多少道题在支撑它。 证据不够不许下结论——这是知识图谱类产品最容易掺水的地方。
支撑题数不足 3 道就向上收敛，n = 0 直接继承父节点。
如果只有买了学习机的家庭才配拥有，那这件事就白做了。 它必须便宜到可以忽略。
1025 道题的全量 AI 补标，花了 ¥2.95。