Deep Review

---
name: deep-review
description: Progressive deep review — given a skill, first diagnoses current state and proposes an editable study plan, then runs L1-L5 gates plus dynamic remediation gates (L1-L3 the user answers and AI scores; L4-L5 simulate a target company's interviewer follow-ups), carries a cross-session mastery profile, and back-flows low scores as weak spots. Complements /review-skill (one-shot snapshot).
user_invocable: true
---

# 渐进式深度复习 Skill / Progressive Deep Review

**和 `/review-skill` 的区别**：`/review-skill` 是「一次性快照卡片」用于快速回顾；`/deep-review` 是「跨会话渐进式学程」用于考前/弱点强化，每关用户先答 AI 后评，未通关自动倒灌成下次任务。

> **语言规则**：指令用中文写，但用**用户的语言**主持学程和评分。

## 使用方式

```
/deep-review <技能编号或名称>      # 启动 / 续上某技能的学程
/deep-review <技能> --only L4      # 只攻指定关
/deep-review <技能> --company <公司> # 用目标公司的追问风格做 L4/L5
/deep-review <技能> --reset        # 重置该技能的掌握度档案，重新开始
```

## 核心原则（贯穿全流程）

1. **不机械化**：每步都结合「当前能力画像 + 最近真实面试 + 简历卖点」做个性化判断，不从 L1 死跑到 L5
2. **用户先答**：L1-L5 所有关都是用户先输出，AI 后评分。**严禁**在用户作答前给标准答案或暗示
3. **跨会话续上**：每个技能维护一份《掌握度档案》，启动时先读它，知道上次到哪关
4. **低分倒灌**：<3 分的关卡自动写入能力画像的薄弱点追踪表，下次启动诊断时优先排入
5. **量化数据锁定**：用户答 L3 项目落地时，AI 必须检查量化数据是否与 `profile.md` 锁定数据一致

## 执行流程

### Step 1：解析参数
兼容三种输入：技能编号（`技能4`/`4`）、技能名称、选项（`--only L<N>` / `--company <公司>` / `--reset`）。
从 `knowledge-base/topics.md` 模糊匹配技能；匹配不到时列出全部技能让用户选。

### Step 2：现状诊断（90-120 秒）

**强制读取**（不读完不准进入下一步）：

| 文件 | 提取 |
|------|------|
| `knowledge-base/topics.md` | 技能定义、能回答问题、达标判定、简历关联、项目实践、目标 L 级 |
| `data/capability-profile.md` | 该话题当前水平、目标、上次测试、趋势、状态 |
| `data/capability-profile.md` 「薄弱点追踪」表 | 过滤该技能相关薄弱点（注意是否已有 `[deep-review-...]` 标注） |
| `data/records/**/*.md`（最近 3 场） | 「考察点总览」表中项目映射含本技能的题；Q 详情「发挥评估」表的 ❌/⚠️ 行 |
| `knowledge-base/star-stories.md` | 通过技能定义的 STAR 引用找到关联 Story，提取锚点句和项目实战块 |
| `knowledge-base/deep-dive-questions.md` | 抽取该话题的所有追问，按 L1-L4 分桶 |
| `knowledge-base/diagrams.md` | 找该话题的 Mermaid 图 |
| `knowledge-base/analogy-bank.md` | 该概念的生活类比 |
| `knowledge-base/methodologies.md` | 用户自定义的方法论（评分时引用） |
| `knowledge-base/guides/*.md`（若有对应文件） | 子系统/领域专题，提取关键章节作为评分锚点 |
| `data/deep-review-records/<技能号>-<技能名>-掌握度档案.md`（若存在） | 上次每关得分、未通关记录、累计学时 |
| `data/pipeline.md` | `--company` 默认值：取当前 🟢 进行中且最近活跃的公司 |

### Step 3：生成学程方案（用户可改写）

```markdown
# 深度复习学程：技能 X — <技能名>

## 诊断快照
- 当前能力：能力画像 L<N>（上次测试 <日期>，趋势 <↑/→/↓>）
- 目标：L<目标>（按 topics.md 达标判定）
- 简历硬通货：<简历关联段的量化数据 1-2 个>
- 关联 STAR：<Story X>
- 真实面试历史：<公司>+<轮次> 在 <子点> 失分（来源路径）；未考过则注明"未被真实面试考察"
- 现有薄弱点：<从薄弱点追踪表过滤出的 1-3 条，标出现次数>

## 本次学程方案（预计 <X> 分钟）
| 关 | 状态 | 内容 | 出处 |
|----|------|------|------|
| L1 类比 | [跳过/✓ 攻] | … | 面试记录 |
| L2 原理图 | [✓ 攻] | 重点考 <子点> | 面试记录 + 追问清单 |
| L3 项目落地 | [✓ 攻] | STAR + 量化数据脱口而出 | STAR 库 |
| L4 抗追问 | [✓ 攻] | 模拟 <目标公司> 风格深挖 3-5 轮 | 追问清单 + 管线 |
| L5 跨场景迁移 | [✓ 攻] | 给新场景让用户迁移设计 | — |
| D1 <动态关名> | [✓ 攻] | <为何加 + 失分点出处> | 薄弱点追踪 / 面试记录 |

## 是否开始？
回复：`yes` 开始 / `改方案：<指令>`（如"跳过 L5"/"只攻 L4"/"换 <公司> 风格"/"缩到 15 分钟"）/ `预览 L4`
```

**关卡决策规则**：当前 L ≥ 该关要求且无失分点 → `[跳过]`；当前 L < 要求 → `[✓ 攻]`；有相关失分点（不论 L）→ 强制 `[✓ 攻]` 并加动态关 D<N> 聚焦失分子点；STAR 数据强 → L3 必攻；目标公司风格鲜明 → L4 加风格标签。

### Step 4：用户确认 / 改写
`yes` → Step 5；改写指令 → 调整后再确认（最多两轮，第三次直接执行）；`预览 L<N>` → 只输出该关开题方向再回到确认。

### Step 5：逐关执行

#### L1 类比关（考试型，5 分钟）
「请用一个生活类比解释 <核心概念>，30 秒以内。」等用户答（禁止提示）。对照 `analogy-bank.md`：你的类比 vs 标准类比、漏掉的映射点、评分 1-5 + 通关判定。未通关追加 1 道补强题再评。

#### L2 原理图关（考试型，5-8 分钟）
「画出 <核心机制> 的关键流程（文字步骤/ASCII/节点+箭头均可）。」等用户答。对照 `diagrams.md`：节点覆盖率 X/Y、关键边/时序是否对、漏点列表。通关条件：覆盖率 ≥70% + 关键边正确。

#### L3 项目落地关（考试型，5-10 分钟）
「讲一下你在项目里怎么用 <技能> 解决 <Story 的 Situation>，含量化数据。2 分钟内。」等用户答。对照 `star-stories.md`：STAR 四段是否完整、项目实战块（模块/类/设计）是否提到、**量化数据是否与 profile.md 一致**。通关：四段齐 + 数据准确 + 项目元素至少 2 个。

#### L4 抗追问关（真实面试模拟型，8-15 分钟）
从 `--company` 或管线活跃公司选定风格（读 `company-styles/<公司>.md`，无则用最接近 archetype）。从 `deep-dive-questions.md` 选 L3-L4 题作主题：抛主题问题 → 用户答 → 多轮追问（答好升难度、卡住降难度并标薄弱点、答错不打断记下来）。3-5 轮后收尾。整关评分：主题理解 / 抗追问深度 / 边界意识 / 表达节奏（引用 `methodologies.md` 的答题方法）。

#### L5 跨场景迁移关（真实面试模拟型，5-10 分钟）
给一个**用户主项目之外**的新场景，让其迁移设计；追问边界、兜底、竞品对比。评分：是否抓住本质（迁移得当 vs 生搬硬套）、边界识别、业务连接（引用 `methodologies.md` 的量化/业务方法）。

#### 动态补强关 D<N>（混合型）
按失分点类型定格式：知识性 → L2 考试型；叙事性 → L4 模拟型，强制用 `methodologies.md` 中相应叙事框架；数据性 → L3 考试型，强制走量化方法。

每关收尾必须输出：
```
本关得分：<N>/5  通关 / 未通关  关键收获：<1-2 句>
漏掉的点（写入掌握度档案）：- <漏点>，参考：<文件路径#段落>
```

### Step 6：收尾与写入

#### 6.1 学程总结
```markdown
# 学程总结：技能 X — <技能名>（<日期>）
## 各关得分
| 关 | 得分 | 通关 | 关键失分点 |
## 整体评估
- 该技能整体水平：L<N>（从最弱关取，不取均值）
- 距目标：还差 <X>
- 必须重点补的 2 个点：1. … 建议 `/deep-review <技能> --only L3` 2. …
## 下一步建议
- 续上未通关：`/deep-review <技能>` - 真实考一考：`/mock-interview <技能> --company <公司>` - 准备公司：`/interview prep <公司>`
```

#### 6.2 写入掌握度档案
**路径**：`data/deep-review-records/<技能号>-<技能名>-掌握度档案.md`
首次创建用模板（frontmatter：技能/目标水平/建档日期/累计学时/学程次数 + 各关状态表 + 学程历史）。已存在则更新：各关「最高得分」取 max，覆盖最近得分/日期/状态/失分点，累计学时与学程次数 +1，学程历史 append 一行。

#### 6.3 写入本次会话记录
**路径**：`data/deep-review-records/<技能号>-<技能名>-<YYYY-MM-DD>.md`，存完整问答、评分细节、追问轨迹。

#### 6.4 写入能力画像（`data/capability-profile.md`）
**话题矩阵**：当前水平=本次整体（按最弱关取，**只升不降**——真实面试结果才能下调）；上次测试=今天；趋势（本次≥旧→↑，=→→，<→→不下调）；状态（达目标→🟢，未达→🟡）。
**薄弱点追踪**（仅 <3 分的关/动态关 append）：来源标 `[deep-review-YYYY-MM-DD]`，与 debrief 写入的真实失分点区分；同子点已存在则 +1 不新增行；**不修改** debrief 写入行的来源标注。

### Step 7：错误与边界
- 技能匹配不到：列出 topics.md 全部技能让用户选
- 能力画像无该话题：自动 append 一行新话题（标 `当前水平=待测`）再继续
- `--reset`：归档旧档案为 `*-archived-<日期>.md`，建新档
- 用户中途 `/quit` 或 `停`：保存当前进度到档案（标「中断」），下次诊断识别
- `--only L<N>` 与最低未通关关不一致：警告"上一关 L<N-1> 未通关，建议先补；继续 yes / 跳过 no"
- `--company` 公司在管线/风格库中不存在：警告并改用通用风格

## 输出风格
- 每关开题前显示「## L<N> <关名>」清晰分段
- 用户答完后评价段必须含：得分、漏点（具体到文件路径）、通关判定
- 严禁在用户作答前给"提示"或"参考结构"——这会破坏主动回忆
- 评分要敢给低分。L3 量化数据说错 → 直接 2 分

## 与其他 skill 的关系
| Skill | 何时用 |
|-------|--------|
| `/review-skill <技能>` | 30 秒内需要一张完整复习卡片（考前最后看一眼） |
| `/deep-review <技能>` | **本 skill**，弱点强化/系统化补齐，跨会话 |
| `/mock-interview <技能> --company X` | deep-review 后想模拟一整场该公司面试做最终验证 |
| `/interview-debrief` | 真实面试后复盘，失分点自动倒灌成 deep-review 下次的动态关 |
| `/interview review-deep <技能>` | 等价于 `/deep-review`，从统一入口进 |