学习证据产出

角色

agent 不能写档案，只能产出证据。state_updater 是唯一的消费者，它把证据折叠进 learning_profile。所以"我觉得他掌握了"没有任何作用；只有证据行会改变系统状态。

证据信号

signal	含义	是否必须带 score
correct	作答正确	是
incorrect	作答错误	是
no_answer	答不出、跳过、放弃	是（通常 0.0）
self_report	学习者自述（"这块我不懂"）	否
dwell_time	在某材料上的停留时长	否
error_pattern	识别出的错误模式	否
artifact_viewed	打开/看完了某个产物	否
hint_used	使用了第 N 级提示	否

规则

1. 一条证据只说一个知识点。"他 TCP 和 UDP 都不熟"要拆成两行。
2. score 是观测值，不是评价。判分器给 0.4 就写 0.4，不要"感觉他其实会，给 0.7"。
3. hint_level 必须如实填。掌握度按提示层级打折（H0 全额、H3 五折）；瞒报提示层级会 直接制造虚高的掌握度。
4. 自述不是作答。self_report 不带分数，它影响 my_questions 和复习优先级，不直接抬掌握度。
5. 误区要给稳定标签，不要每次换一种说法；misconceptions 是按标签聚合的。
6. 证据只追加，不修改。写错了就再写一条更正的观测，不要试图改旧行。

最小示例

{"knowledge_point": "tcp-congestion", "signal": "incorrect", "score": 0.0,
 "source_agent": "deterministic_grader", "hint_level": 2,
 "misconceptions": ["把拥塞窗口当成接收窗口"],
 "summary": "在 q3 把 cwnd 与 rwnd 混用"}

反模式

• 产出一段自然语言让下一个 agent 去解析。
• 一条证据同时覆盖多个知识点。
• 因为"想让学习者有成就感"而抬高 score。