前言¶

给孩子讲错题的 Agent 常遇到一个尴尬：孩子发来一道错题，Agent 只能就题讲题——把这一题的解法复述一遍，下次换个数字还是错。真正该做的是找出这道题背后”为什么错”的根本原因：是哪个先修知识点没掌握，才导致卡在这一步。

下面介绍的 Skill 把这件事做成了对话内诊断：一道错题发来，Agent 调用确定性引擎，沿知识点先修依赖图反推根因，直接在聊天框给出根因链和验证题。全程不需要起服务、不需要开浏览器，也不依赖模型做定位判断。

这是什么¶

中小学科目错题根因诊断，坐标 @user_c6a1d8c8/marble-knowledge-graph，由社区开发者 user_c6a1d8c8 发布，当前版本 1.0.0，SkillHub 分类 education。

一句话定位：给 Agent 用的 K-9（小学+初中）七科错题根因诊断工具。覆盖数学、英语、语文、物理、化学、生物、地理七科。底层是按教材目录手工拆解的 1500+ 知识点先修依赖图，用于确定性定位根因；验证题由对话模型实时出。

它是给 Agent 调用的 Skill，不是给人开网站用的：没有独立站点，主形态就是对话里收错题、出诊断。

1、确定性根因定位。收到一道错题后，Agent 调用引擎（按官方说明为 engine/diagnose.py）沿先修依赖 DAG 反推，找出最该先补的底层知识点，而不是只订正当前这一题。定位过程零模型依赖，结果稳定可复现，同一道错题每次诊断一致。

2、七科知识图谱。数学、英语、语文为完整 1-9 年级合并总图；物理、化学、生物、地理为初中单图。按官方说明，七科各有一套定位层（locate_node 做确定性定位，diagnose 做 DAG 反推），各自独立维护，绕开小模型定位不稳的问题。

3、对话内呈现。根因链和验证题直接在聊天框呈现，不需要起服务、不需要开浏览器。验证题由对话模型实时生成，判卷比对时才调用 LLM。

4、定位与出题分离。定位 + 根因零模型依赖；只有出验证题和判卷比对才调 LLM，调用成本可控。

已抓取资料中没有给出官方安装命令。可核实的信息如下：

安装命令和在 Cursor / Codex CLI / Claude Code 中的具体启用方式未在已抓取资料中核实到，此处不写推测命令，建议从上面的 SkillHub 页面获取安装说明后再配置。

按官方说明，主形态是对话内诊断，流程如下：

1、任意对话收到孩子的错题（题目内容、图片转写或选项均可）。

2、Agent 调用 engine/diagnose.py，引擎用七科中对应科目的定位层确定性定位节点，再沿先修依赖 DAG 反推，返回根因链：缺的是哪个底层知识点、它通向当前错题的依赖路径。

3、在聊天框呈现根因链，并用对话模型现出一道验证题（针对根因知识点，而不是原题）。

4、孩子作答后，判卷比对时才调用 LLM。

以上步骤全程在对话内完成，不启动额外服务。

适合：① 在对话里收到错题后要给根因 + 验证题的场景；② 需要新建或扩展知识图谱的场景；③ 需要修改某科定位层的场景；④ 需要新增科目的场景；⑤ 需要统一审查图谱质量（validate/ 目录）的场景。

注意几点：覆盖范围是 K-9 七科，高中不在范围内；数学、英语、语文是 1-9 年级合并总图，物理、化学、生物、地理只有初中图谱，小学段的理科诊断不适用。根因定位是确定性的，但验证题由对话模型生成，质量取决于对话模型本身。来源是社区发布，安装与更新策略需自行确认。

这个 Skill 的价值在于把”订正一题”换成”补上为什么错”：确定性引擎保证根因稳定可复现，七科图谱保证覆盖教材主干，对话内形态让它可以直接嵌入现有的答疑流程，不用额外搭基础设施。

官方地址：https://api.skillhub.cn/user_c6a1d8c8/marble-knowledge-graph