Enhancements to the `amosblomqvist/learn` AI learning system, specifically introducing persistent knowledge graphs, mastery-driven concept collapsing, and real-time DAG node status updates.

# 让依赖图跨会话存活 —— 全局知识图、掌握度坍缩、课中图状态更新

## 背景

您好，您做的这个系统实在太好了，但是在我使用看来，每张 mermaid 依赖图只活在单个日志文件里。今天学 Transformer 画一张图，明天学 BERT 又画一张，两张图之间没有任何联系。可事实是，BERT 的 encoder 前置知识和 Transformer 课里已经验证过的节点大面积重合——self-attention、multi-head、残差 + LayerNorm，我在 Transformer 课上全部一遍过，学 BERT 时却又要重新被问一遍。

Phase 1 的探测目前是零先验的：每次都从零开始二分搜索认知边界。你在 demo 里也提到"可以在开头手动告诉它你已经懂什么"——这恰恰说明系统缺一个持久层，把这件事自动化。以下是我的几点拙见：

## 提案一：跨文件的全局知识图

建一个全局图文件（格式可以是带 frontmatter 的 Markdown 或 YAML），每个原子概念一个节点，带这些字段：

```yaml
- id: scaled-dot-product-attention
status: verified
established_in: "[[2026-08-26#节点2]]"
verified_on: 2026-08-26
depends_on: [softmax, dot-product-similarity]
misconception_history: []
```

每节课的 mermaid DAG 节点挂上全局 id。开新课时，agent 先读全局图：已 verified 的前置节点跳过或用一道抽查题确认，探测范围从"整个主题"收缩到"已掌握区域的边界"。只需要在你今天需要学习的知识点靠近的边界进行提问，就可以在你的认知边界进行更精确的扩展，LLM 也会更加了解你的水平

## 提案二：掌握驱动的坍缩与展开

全局图会随学习变大，但每次开课需要读的只是当前主题的前置邻域，不是全图。真正需要设计的是存储形态。你第一个视频里有个现成的答案：the click 就是压缩——一堆孤立事实坍缩成少数生成性概念。

对应到图上：一个子图被完整掌握后，坍缩成一个超级节点。关键细节：超级节点里存的不该是"Transformer：已掌握"这种死标签，而是那几个能重新生成整个子图的根（比如"所有 token 间通信都经 QKV 加权平均"）。细节忘了可以从根重新推导，这和你视频里"结构化知识不衰减，因为它由连接固定"的说法是同一个机制。

反向操作是展开：旧集群时间戳太久，或者新主题要深入依赖集群内部某个节点时，局部展开并抽查重验。重新验证的优先级建议按连接度排，而不是按时间排——连接稀疏的边缘节点才是最容易忘的，密连通区域几乎免维护。

## 提案三：课中实时更新 DAG 节点状态

这是最小、最容易实现的一个，也是前两个提案的数据来源。

目前 Phase 2 生成的 mermaid 图写完就不再动了，quiz 结果全散落在散文日志里。你的 demo 里有个细节：中途你自己往回翻日志找"我们学到图的哪个节点了"。静态图没有位置概念。

改动很小：teach 技能里加一条规则，每完成一个节点的 motivate → establish → connect → quiz-check 循环，重写一次 mermaid 代码块，更新节点颜色——灰是未开始，黄是当前节点，绿是已验证，红是测出误解（挂 misconce...