@zhouchangui/math-ati 0.1.0

package/dist/assets/index-Bk2WFPoL.css

@@ -0,0 +1 @@
+:root{color:#17201c;background:#eef2ef;font-family:Inter,PingFang SC,Microsoft YaHei,Arial,sans-serif;font-size:16px;--surface: #fffdf8;--surface-muted: #f5f7f2;--surface-cool: #edf4f0;--border: #d4ddd5;--border-strong: #b9c6be;--text-soft: #5f6c64;--text-muted: #738077;--green: #1f6455;--green-dark: #16483d;--green-soft: #dcece5;--rust: #91442f;--rust-soft: #f4ded1;--yellow-soft: #ece7bd;--danger: #872d23;--danger-soft: #f8d8d2}*{box-sizing:border-box}body{margin:0}button,input,textarea,select{font:inherit}button{min-height:38px;border:1px solid var(--border-strong);border-radius:6px;background:var(--surface);color:#17201c;padding:0 12px;display:inline-flex;align-items:center;justify-content:center;gap:8px;cursor:pointer;transition:background .14s ease,border-color .14s ease,color .14s ease,box-shadow .14s ease}.button-link,.entry-action-button{min-height:38px;border:1px solid var(--border-strong);border-radius:6px;color:#17201c;text-decoration:none;display:inline-flex;align-items:center;justify-content:center;gap:8px;padding:0 12px}button.primary{color:#fff;background:var(--green);border-color:var(--green)}button:hover:not(:disabled),.button-link:hover,.entry-action-button:hover{border-color:var(--green);background:var(--surface-cool)}button.primary:hover:not(:disabled){background:var(--green-dark);border-color:var(--green-dark)}button:focus-visible,.button-link:focus-visible,.entry-action-button:focus-visible,input:focus-visible,textarea:focus-visible,select:focus-visible{outline:2px solid rgba(31,100,85,.28);outline-offset:2px}button:disabled,input:disabled,textarea:disabled,select:disabled{opacity:.55;cursor:not-allowed}input,textarea,select{width:100%;border:1px solid var(--border-strong);border-radius:6px;background:#fff;color:#17201c;min-height:38px;padding:8px 10px}textarea{min-height:72px;resize:vertical}h1,h2,h3,h4,p{margin:0}h1{font-size:32px;line-height:1.15}h2{font-size:22px}h3{font-size:18px}h4{font-size:15px}.app-shell{max-width:1480px;margin:0 auto;padding:24px}.app-header{display:flex;justify-content:space-between;align-items:center;gap:18px;margin-bottom:18px}.app-title-button{min-height:0;border:0;background:transparent;padding:0;color:inherit;justify-content:flex-start;text-align:left}.app-title-button:hover:not(:disabled){background:transparent;color:var(--green)}.profile-open-button{flex:0 0 auto}.settings-menu-wrap{position:relative;flex:0 0 auto}.settings-menu{position:absolute;top:calc(100% + 8px);right:0;z-index:40;min-width:150px;display:grid;gap:4px;border:1px solid var(--border-strong);border-radius:8px;background:var(--surface);box-shadow:0 18px 42px #16221d2e;padding:6px}.settings-menu button{width:100%;justify-content:flex-start;border-color:transparent;background:transparent}.settings-menu button:hover{border-color:var(--border);background:var(--surface-cool)}.app-header p,.workflow-head p,.section-heading p,.card-note{color:var(--text-muted);margin-top:5px}.eyebrow{color:var(--rust);font-size:12px;text-transform:uppercase;letter-spacing:0;font-weight:700}.toast{background:var(--green-dark);color:#fff;border-radius:6px;padding:10px 12px;margin-bottom:14px}.workspace{display:grid;grid-template-columns:292px minmax(0,1fr);gap:18px;align-items:start}.nav-collapsed .workspace{grid-template-columns:64px minmax(0,1fr)}.chapter-nav{position:sticky;top:16px;height:calc(100vh - 48px);overflow:hidden;border:1px solid var(--border);border-radius:8px;background:var(--surface);display:flex;flex-direction:column;box-shadow:0 10px 24px #24312a0f}.chapter-nav-head{min-height:54px;padding:10px;border-bottom:1px solid var(--border);display:flex;align-items:center;justify-content:space-between;gap:8px}.chapter-nav-list{padding:8px;overflow:auto;display:grid;gap:5px}.chapter-nav-item{width:100%;justify-content:flex-start;min-height:42px;padding:6px 8px;background:transparent;border-color:transparent}.chapter-nav.collapsed .chapter-nav-head,.chapter-nav.collapsed .chapter-nav-item{justify-content:center}.chapter-nav-item.selected{border-color:var(--green);background:var(--green-soft)}.chapter-index{width:24px;flex:0 0 auto;color:var(--rust);font-weight:700;font-size:12px}.chapter-name{flex:1;min-width:0;text-align:left;overflow:hidden;white-space:nowrap;text-overflow:ellipsis}.chapter-status,.flow-status{flex:0 0 auto;border-radius:999px;background:#e4e9e2;color:#536057;padding:3px 8px;font-size:12px;white-space:nowrap}.chapter-status.in_progress,.flow-status.generated,.flow-status.previewed,.flow-status.printed,.flow-status.submitted,.flow-status.pdf_received{background:#f2d9c8;color:#7f3a23}.chapter-status.review_due,.flow-status.graded,.flow-status.needs_review{background:var(--yellow-soft);color:#645600}.chapter-status.mastered,.flow-status.archived{background:#cfe8da;color:var(--green)}.flow-status.failed,.flow-status.failed_generate,.flow-status.failed_grade{background:var(--danger-soft);color:var(--danger)}.flow-status.available{background:var(--green-soft);color:var(--green)}.flow-status.missing{background:#fff6d7;color:#7a5a0f}.flow-status.missing_source,.flow-status.unavailable{background:#e7ece8;color:var(--text-muted)}.icon-button{width:38px;padding:0}.chapter-workspace{min-width:0}.panel{background:var(--surface);border:1px solid var(--border);border-radius:8px;padding:18px;margin-bottom:16px;box-shadow:0 10px 24px #24312a0d}.chapter-summary{display:grid;grid-template-columns:minmax(250px,1fr) minmax(400px,1.2fr);gap:16px;align-items:end}.stats-grid{display:grid;grid-template-columns:repeat(auto-fit,minmax(150px,1fr));gap:10px}.stats-grid.compact{grid-template-columns:repeat(5,minmax(0,1fr))}.stat-tile{border:1px solid var(--border);border-radius:6px;background:var(--surface-muted);padding:12px}.stat-tile span{color:var(--text-muted);font-size:13px}.stat-tile strong{display:block;margin-top:6px;font-size:22px}.knowledge-map-panel{display:grid;gap:16px}.knowledge-map-head{display:flex;justify-content:space-between;gap:16px;align-items:start}.knowledge-view-tabs{display:inline-flex;gap:4px;padding:4px;border:1px solid var(--border);border-radius:8px;background:var(--surface-muted)}.knowledge-view-tabs button{min-height:34px;border-color:transparent;background:transparent;white-space:nowrap}.knowledge-view-tabs button.selected{color:var(--green);border-color:var(--green);background:#fff;font-weight:700}.knowledge-map-summary{display:flex;flex-wrap:wrap;gap:10px;color:var(--text-soft);font-size:13px}.knowledge-map-summary span{display:inline-flex;align-items:center;gap:6px}.knowledge-filter-group{display:inline-flex;gap:4px;padding:2px;border:1px solid var(--border);border-radius:999px;background:var(--surface-muted)}.knowledge-filter-group button{min-height:26px;border-radius:999px;border-color:transparent;background:transparent;padding:0 10px;font-size:12px}.knowledge-filter-group button.selected{color:#fff;background:var(--green);border-color:var(--green)}.legend-dot{width:10px;height:10px;border:1px solid var(--border-strong);border-radius:999px;background:#fff}.legend-dot.mastered{background:#bfe1cf;border-color:var(--green)}.legend-dot.needs_review{background:var(--yellow-soft);border-color:#c6b85d}.knowledge-wall{display:grid;grid-template-columns:repeat(auto-fill,minmax(210px,1fr));gap:10px}.knowledge-card{min-height:132px;display:grid;align-content:space-between;gap:10px;border:1px solid var(--border);border-radius:8px;padding:12px;background:#fff}.knowledge-card.mastered{border-color:#94bca8;background:#edf7f1}.knowledge-card.needs_review{border-color:#d7cb76;background:#fff9d9}.knowledge-card.uncovered{background:#fff}.knowledge-card strong{display:block;line-height:1.35}.knowledge-card span{color:var(--text-muted);font-size:12px}.knowledge-card p{color:var(--text-soft);font-size:13px;line-height:1.55}.knowledge-card-foot{display:flex;justify-content:space-between;gap:8px;align-items:center}.knowledge-card-foot small{color:var(--text-muted)}.knowledge-market-layout{display:block}.knowledge-market-board{position:relative;display:grid;grid-template-columns:repeat(auto-fill,minmax(82px,1fr));grid-auto-flow:dense;gap:1px;padding:4px;border:0;border-radius:8px;background:#20342e}.knowledge-market-tile{--tile-bg: #fffdf8;--tile-fg: #17201c;--tile-muted: #627167;position:relative;min-height:54px;display:grid;place-items:center;gap:2px;padding:6px;border-radius:3px;text-align:center;color:var(--tile-fg);background:var(--tile-bg);border:0;box-shadow:none}.knowledge-market-tile:hover:not(:disabled){z-index:40;background:var(--tile-bg);border-color:transparent;filter:brightness(.96)}.knowledge-market-tile:focus-visible{z-index:40;outline:2px solid rgba(31,100,85,.42);outline-offset:1px}.knowledge-market-tile strong{width:100%;font-size:12.5px;line-height:1.22;display:-webkit-box;-webkit-line-clamp:3;-webkit-box-orient:vertical;overflow:hidden}.knowledge-hover-card span{color:var(--tile-muted);font-size:11px;line-height:1.1}.knowledge-market-tile.mastered{--tile-bg: #1f9d5b;--tile-fg: #ffffff;--tile-muted: rgba(255, 255, 255, .82)}.knowledge-market-tile.needs_review{--tile-bg: #f3dc61;--tile-fg: #17201c;--tile-muted: #5d612f}.knowledge-market-tile.review-low{--tile-bg: #f8e986;--tile-muted: #667044}.knowledge-market-tile.review-mid{--tile-bg: #efd347;--tile-muted: #5b5f2b}.knowledge-market-tile.review-high{--tile-bg: #d49a22;--tile-muted: #443a17}.knowledge-market-tile.uncovered{--tile-bg: #fffdf8;--tile-fg: #17201c;--tile-muted: #738077}.knowledge-hover-card{position:absolute;left:0;top:calc(100% + 6px);z-index:80;width:min(320px,70vw);display:none;gap:7px;border:1px solid var(--border-strong);border-radius:8px;background:#fffdf8;color:#17201c;box-shadow:0 18px 46px #16221d42;padding:12px;text-align:left}.knowledge-market-tile:hover .knowledge-hover-card,.knowledge-market-tile:focus-visible .knowledge-hover-card{display:grid}.knowledge-hover-card strong{font-size:15px;line-height:1.35;display:block}.knowledge-hover-card em{color:var(--text-soft);font-style:normal;font-size:13px;line-height:1.55}.knowledge-hover-card>span{color:var(--text-muted);font-size:12px}.knowledge-image-board{display:grid;grid-template-columns:repeat(auto-fill,minmax(300px,1fr));gap:12px}.knowledge-page-card{display:grid;grid-template-columns:110px minmax(0,1fr);gap:12px;border:1px solid var(--border);border-radius:8px;background:#fff;padding:10px}.knowledge-page-card img{width:100%;height:150px;object-fit:cover;object-position:top;border:1px solid var(--border);border-radius:6px;background:var(--surface-muted)}.knowledge-page-card strong{display:block;margin-bottom:3px}.knowledge-page-card p{color:var(--text-muted);font-size:13px;margin-bottom:8px}.page-point-list{display:flex;flex-wrap:wrap;gap:6px}.point-pill{border:1px solid var(--border-strong);border-radius:999px;background:#fff;padding:4px 8px;color:var(--text-soft);font-size:12px}.point-pill.mastered{border-color:#94bca8;background:#edf7f1;color:var(--green)}.point-pill.needs_review{border-color:#d7cb76;background:#fff9d9;color:#645600}.flow-grid{display:grid;grid-template-columns:repeat(auto-fit,minmax(210px,1fr));gap:10px}.active-paper-panel,.result-panel{display:grid;gap:14px;align-content:start}.workflow-entry-card{width:100%;min-height:72px;display:grid;grid-template-columns:minmax(0,1fr) auto;align-items:center;justify-content:stretch;text-align:left;padding:12px 14px;gap:14px;background:#fff;border:1px solid var(--border-strong);border-radius:6px}.workflow-entry-card.disabled{background:#f1f4f0;border-color:var(--border)}.workflow-head,.section-heading{display:flex;align-items:flex-start;justify-content:space-between;gap:12px}.section-heading{justify-content:flex-start;margin-bottom:12px}.section-heading svg{color:var(--green);margin-top:1px}.subtle-icon-button{width:34px;min-height:34px;margin-left:auto;padding:0;border-color:transparent;background:transparent;color:var(--text-muted)}.subtle-icon-button:hover:not(:disabled){border-color:var(--border);background:var(--surface-cool);color:var(--green)}.overview-actions{display:grid;gap:12px}.practice-entry-strip{display:grid;gap:10px;padding:14px}.practice-entry-strip .section-heading{margin-bottom:0}.practice-entry-strip .workflow-entry-card{min-height:60px;padding:12px;background:#fbfdf9}.practice-entry-strip .workflow-entry-card>div:first-child strong{font-size:15px}.practice-entry-strip .workflow-entry-card small{display:none}.practice-overview-progress{display:grid;gap:12px;border:1px solid var(--border);border-radius:6px;background:var(--surface-muted);padding:14px}.progress-copy{display:flex;align-items:baseline;justify-content:space-between;gap:12px}.progress-copy span,.workflow-entry-card small{color:var(--text-muted);font-size:13px}.progress-copy strong{font-size:18px}.progress-track{height:8px;overflow:hidden;border-radius:999px;background:#dfe7e1}.progress-track span{display:block;height:100%;border-radius:inherit;background:var(--green)}.progress-stat-grid{display:grid;grid-template-columns:repeat(4,minmax(0,1fr));gap:10px}.progress-stat-grid .stat-tile{padding:10px}.progress-stat-grid .stat-tile strong{font-size:20px}.practice-stat-line{display:flex;flex-wrap:wrap;gap:8px}.practice-stat-line span{border:1px solid var(--border);border-radius:999px;background:#fff;color:var(--text-soft);font-size:12px;padding:5px 9px}.workflow-entry-card>div:first-child{min-width:0;display:grid;gap:3px}.workflow-entry-card>div:first-child strong{font-size:16px}.entry-action-cluster{min-width:max-content;display:flex;align-items:center;justify-content:flex-end;gap:10px}.entry-action-button{min-width:104px;color:#fff;background:var(--green);border-color:var(--green);font-weight:700;white-space:nowrap;padding:0 12px 0 14px;box-shadow:0 4px 10px #1f645524;transition:background .14s ease,border-color .14s ease,color .14s ease,box-shadow .14s ease,transform .14s ease}.entry-action-button svg{margin-right:-3px}.entry-action-button:hover{color:#fff;background:var(--green-dark);border-color:var(--green-dark);box-shadow:0 6px 14px #1f645533;transform:translateY(-1px)}.entry-action-button.disabled{color:var(--text-muted);background:#e7ece8;border-color:var(--border);box-shadow:none;pointer-events:none}.extract-workspace{display:grid;gap:16px;scroll-margin-top:16px}.extract-compact-panel{display:flex;flex-wrap:wrap;align-items:center;gap:10px;padding:12px 14px}.extract-hero-panel{display:flex;align-items:center;gap:14px}.extract-hero-panel p,.extract-status-panel p,.extract-source-panel p{color:var(--text-muted);margin-top:5px}.extract-status-panel,.extract-source-panel{display:grid;gap:14px}.extract-profile-summary{display:flex;flex-wrap:wrap;gap:8px}.extract-profile-summary span{border:1px solid var(--border);border-radius:999px;background:#fff;color:var(--text-soft);font-size:12px;padding:5px 9px}.extract-actions{display:flex;flex-wrap:wrap;align-items:center;gap:10px}.extract-source-grid{display:grid;grid-template-columns:repeat(auto-fill,minmax(140px,1fr));gap:10px}.extract-source-grid a{display:grid;gap:7px;color:inherit;text-decoration:none;border:1px solid var(--border);border-radius:8px;background:var(--surface-muted);padding:8px}.extract-source-grid img{width:100%;aspect-ratio:3 / 4;object-fit:cover;object-position:top;border:1px solid var(--border);border-radius:6px;background:#fff}.extract-source-grid span{overflow:hidden;color:var(--text-soft);font-size:12px;white-space:nowrap;text-overflow:ellipsis}.extract-profile-dialog{width:min(720px,calc(100vw - 40px))}.extract-profile-fields{display:grid;grid-template-columns:repeat(3,minmax(0,1fr));gap:12px}.extract-focus-list{display:flex;flex-wrap:wrap;gap:8px;margin-top:12px}.extract-focus-list>.field-label{flex:0 0 100%}.check-pill,.check-row{display:inline-flex;align-items:center;gap:7px;border:1px solid var(--border);border-radius:999px;background:#fff;padding:7px 10px;color:#17201c;font-size:13px}.check-row{width:fit-content;margin-top:12px;border-radius:6px}.check-pill input,.check-row input{width:auto;min-height:0}.destructive-note{margin-top:12px;border:1px solid #d8aaa2;border-radius:6px;background:#fff7f5;color:var(--danger);padding:10px 12px;font-size:13px;line-height:1.55}.practice-workspace{display:grid;gap:16px}.workspace-title-panel{display:flex;align-items:center;gap:14px;min-height:96px}.workspace-title-panel button{flex:0 0 auto}.workspace-title-panel p{color:var(--text-muted);margin-top:5px}.paper-workspace-grid{display:grid;grid-template-columns:minmax(0,1fr) minmax(300px,360px);gap:18px;align-items:start}.paper-main-column,.practice-side-rail{display:grid;gap:16px;align-content:start}.practice-side-rail{position:sticky;top:18px}.paper-toolbar{display:flex;align-items:flex-start;justify-content:space-between;gap:12px}.paper-toolbar p{color:var(--text-muted);margin-top:5px}.paper-toolbar-side{display:grid;gap:10px;justify-items:end;flex:0 0 auto}.paper-mode-switch{display:inline-grid;grid-template-columns:repeat(2,minmax(72px,1fr));gap:4px;padding:4px;border:1px solid var(--border);border-radius:8px;background:var(--surface-muted)}.paper-mode-switch button{min-height:32px;border-color:transparent;background:transparent;padding:0 10px;white-space:nowrap}.paper-mode-switch button.selected{border-color:var(--green);background:#fff;color:var(--green);font-weight:700}.paper-preview-frame{height:min(78vh,900px);min-height:620px;border:1px solid var(--border);border-radius:8px;background:#f8faf7;overflow:hidden}.paper-preview-frame iframe{width:100%;height:100%;border:0;display:block;background:#fff}.create-practice-panel,.workflow-controls{display:grid;gap:12px}.workflow-controls{grid-template-columns:minmax(320px,1fr) minmax(150px,210px);align-items:end;border:1px solid var(--border);border-radius:8px;background:var(--surface-muted);padding:12px}label{display:grid;gap:6px;color:#4b574f;font-size:13px}.field-hint{color:var(--text-muted);font-size:12px}.duration-field{display:grid;gap:6px}.field-label{color:#4b574f;font-size:13px;font-weight:700}.duration-options{display:grid;grid-template-columns:repeat(3,minmax(0,1fr));gap:8px}.duration-option{min-height:40px;padding:0 8px;white-space:nowrap;background:#fff}.duration-option.selected{border-color:var(--green);background:var(--green-soft);color:var(--green);font-weight:700}.first-round-progress{display:grid;gap:8px;padding:11px 12px;border:1px solid var(--border);border-radius:8px;background:var(--surface-muted)}.first-round-progress .progress-copy strong{font-size:16px}.first-round-progress p{color:var(--text-muted);font-size:12px;line-height:1.5}.practice-links{display:grid;grid-template-columns:repeat(2,minmax(0,1fr));gap:8px}.paper-action-bar{display:grid;grid-template-columns:minmax(280px,1.35fr) minmax(150px,1fr) minmax(170px,1fr);gap:8px}.paper-page-switch{display:grid;grid-template-columns:minmax(0,1fr) auto minmax(0,1fr);gap:6px;align-items:center;min-height:38px}.paper-page-switch button{min-height:38px;padding:0 10px}.paper-page-switch span{color:var(--text-muted);font-size:13px;font-weight:700;white-space:nowrap}.upload-strip{display:grid;gap:10px;padding:12px;border:1px solid var(--border);border-radius:8px;background:#fff}.upload-strip p{color:var(--text-muted);font-size:13px;margin-top:3px}.upload-strip .button-link{justify-self:start}.upload-file-actions{display:flex;flex-wrap:wrap;gap:8px}.upload-strip .danger-subtle{justify-self:start;color:var(--danger);border-color:#d8aaa2;background:#fff7f5}.upload-strip .danger-subtle:hover:not(:disabled){color:var(--danger);border-color:var(--danger);background:var(--danger-soft)}.full-width{width:100%}.card-note{border-left:3px solid var(--border-strong);padding-left:10px;font-size:13px}.job-line{display:grid;gap:8px;border:1px solid var(--border);border-radius:6px;background:var(--surface-muted);padding:9px 10px;color:#4b574f}.job-line-current{display:flex;align-items:center;gap:8px;min-width:0}.job-line-current span{min-width:0;overflow-wrap:anywhere}.job-events{display:grid;gap:5px;margin:0;padding-left:24px;color:#6c746c;font-size:12px;line-height:1.45}.job-events li{overflow-wrap:anywhere}.job-line.failed{background:#fff0ed;color:var(--danger)}.spin{animation:spin 1s linear infinite}@keyframes spin{to{transform:rotate(360deg)}}.result-button,.result-actions{justify-self:start}.result-actions{display:flex;flex-wrap:wrap;gap:8px}.modal-backdrop{position:fixed;inset:0;z-index:50;display:grid;place-items:center;background:#17201c5c;padding:24px}.modal-panel{width:min(920px,100%);max-height:min(820px,calc(100vh - 48px));overflow:auto;border:1px solid var(--border-strong);border-radius:8px;background:var(--surface);box-shadow:0 24px 70px #15251f47;padding:16px}.modal-head{display:flex;align-items:flex-start;justify-content:space-between;gap:16px;margin-bottom:12px}.modal-panel .result-panel{border:0;box-shadow:none;padding:0}.profile-dialog{width:min(720px,100%);display:grid;gap:12px}.settings-dialog{width:min(680px,100%);display:grid;gap:12px}.profile-form-grid{display:grid;grid-template-columns:repeat(2,minmax(0,1fr));gap:10px}.profile-dialog label,.settings-dialog label{display:grid;gap:6px}.profile-dialog textarea{min-height:82px}.inline-check{display:flex!important;grid-template-columns:none;align-items:center;gap:8px;color:var(--text-muted)}.inline-check input{width:auto}.settings-status,.settings-path,.form-error{border:1px solid var(--border);border-radius:6px;padding:9px 10px;font-size:14px}.settings-status.configured{background:var(--green-soft);color:var(--green-dark)}.settings-status.missing,.form-error{background:var(--peach);color:var(--rust)}.settings-path{background:var(--surface-muted);color:var(--text-muted);word-break:break-all}.modal-actions{display:flex;justify-content:flex-end;gap:8px;padding-top:4px}.artifact-links{margin-top:12px;border:1px solid var(--border);border-radius:6px;background:var(--surface-muted);padding:10px}.artifact-links h4{margin-bottom:8px}.artifact-links div{display:flex;flex-wrap:wrap;gap:8px}.artifact-links a{border:1px solid var(--border-strong);border-radius:999px;color:var(--green);background:var(--surface);padding:5px 10px;text-decoration:none;font-size:13px}.history-list{display:grid;gap:8px}.history-select-row{width:100%;display:grid;grid-template-columns:auto minmax(0,1fr);gap:8px 10px;justify-content:stretch;text-align:left;border:1px solid var(--border);background:var(--surface-muted);padding:10px;min-height:62px}.history-select-row.selected{border-color:var(--green);background:var(--green-soft)}.history-select-row .flow-status{align-self:start}.history-select-row strong,.history-select-row span,.history-select-row small{min-width:0}.history-select-row strong,.history-select-row div>span{display:block;overflow:hidden;white-space:nowrap;text-overflow:ellipsis}.history-select-row small{grid-column:2;color:var(--text-muted)}.history-row{display:grid;grid-template-columns:minmax(0,1fr) auto auto auto;gap:8px;align-items:center;border:1px solid var(--border);border-radius:6px;background:var(--surface-muted);padding:10px}.history-row strong,.history-row span{display:block}.history-row div>span{color:var(--text-muted);overflow:hidden;white-space:nowrap;text-overflow:ellipsis}.empty-state{border:1px dashed var(--border-strong);border-radius:6px;color:var(--text-muted);padding:18px;background:var(--surface-muted)}.grading-table{display:grid;gap:8px;margin-top:12px}.grading-row{display:grid;grid-template-columns:60px 90px minmax(0,1fr);gap:10px;align-items:start;border:1px solid var(--border);border-radius:6px;background:var(--surface-muted);padding:10px;text-align:left;width:100%}.grading-row p{color:#4b574f}.grading-row.selected{border-color:var(--green);background:var(--green-soft)}.grading-detail-card{display:grid;gap:8px;margin-top:12px;border:1px solid var(--border-strong);border-radius:8px;background:#fff;padding:12px}.grading-detail-card p{color:#4b574f}.weak-points{margin-top:14px;display:flex;flex-wrap:wrap;gap:8px;align-items:center}.weak-points h4{width:100%}.weak-points span{border-radius:999px;background:var(--rust-soft);color:#7f3a23;padding:4px 9px;font-size:12px}.weak-points p{color:var(--text-muted)}@media(max-width:1080px){.workspace,.nav-collapsed .workspace,.chapter-summary,.flow-grid,.paper-workspace-grid{grid-template-columns:1fr}.practice-side-rail{position:static}.chapter-nav{position:static;height:auto;max-height:320px}.chapter-nav.collapsed{max-height:54px}.chapter-nav.collapsed .chapter-nav-list{display:none}}@media(max-width:760px){.app-shell{padding:14px}.app-header,.workflow-head,.paper-toolbar,.workspace-title-panel{display:grid}.stats-grid,.stats-grid.compact,.practice-links,.paper-action-bar,.workflow-controls,.history-row,.profile-form-grid,.grading-row,.progress-copy,.workflow-entry-card{grid-template-columns:1fr}.progress-stat-grid{grid-template-columns:repeat(2,minmax(0,1fr))}.progress-copy{display:grid}.history-select-row small{grid-column:1}}

package/dist/index.html

@@ -0,0 +1,13 @@
+<!doctype html>
+<html lang="zh-CN">
+  <head>
+    <meta charset="UTF-8" />
+    <meta name="viewport" content="width=device-width, initial-scale=1.0" />
+    <title>周子烊数学提分 Agent</title>
+    <script type="module" crossorigin src="/assets/index-BYFoutza.js"></script>
+    <link rel="stylesheet" crossorigin href="/assets/index-Bk2WFPoL.css">
+  </head>
+  <body>
+    <div id="root"></div>
+  </body>
+</html>

package/package.json

@@ -0,0 +1,72 @@
+{
+  "name": "@zhouchangui/math-ati",
+  "version": "0.1.0",
+  "description": "Local ATI math learning loop for printable practice, PDF grading, and mastery tracking.",
+  "type": "module",
+  "bin": {
+    "math-ati": "bin/math-ati.js"
+  },
+  "files": [
+    "bin",
+    "dist",
+    "server",
+    "prompts",
+    "templates",
+    ".env.local.example",
+    "AGENTS.md",
+    "README.md",
+    "vite.config.js"
+  ],
+  "publishConfig": {
+    "access": "public"
+  },
+  "engines": {
+    "node": ">=20"
+  },
+  "scripts": {
+    "dev": "concurrently \"npm:dev:server\" \"npm:dev:client\"",
+    "dev:client": "vite --host 127.0.0.1",
+    "dev:server": "node --watch server/index.js",
+    "build": "vite build",
+    "prepack": "npm run build",
+    "pack:local": "npm pack --dry-run",
+    "release:npm": "node scripts/release-npm.js",
+    "preview": "vite preview --host 127.0.0.1",
+    "extract:knowledge": "node scripts/extract-knowledge.js",
+    "pipeline:check": "node scripts/pipeline-check.js",
+    "generate:coverage": "node scripts/generate-coverage.js",
+    "combine:coverage": "node scripts/combine-coverage.js",
+    "probe:knowledge-point": "node scripts/probe-knowledge-point.js",
+    "generate:mistakes": "node scripts/generate-mistakes.js",
+    "grade:coverage": "node scripts/grade-practice.js --mode coverage",
+    "grade:pdf": "node scripts/grade-submission-pdf.js",
+    "grade:mistakes": "node scripts/grade-practice.js --mode mistakes",
+    "regenerate:coverage": "node scripts/regenerate-coverage.js",
+    "regenerate:mistakes": "node scripts/regenerate-mistakes.js",
+    "verify:ui": "node scripts/verify-ui-workflow.js",
+    "verify:knowledge-extract": "node scripts/verify-knowledge-extract-workflow.js",
+    "verify:knowledge-extract:acceptance": "node scripts/verify-knowledge-extract-workflow.js --fixture-server --acceptance",
+    "verify:coverage-state": "node scripts/verify-coverage-state.js",
+    "verify:mistake-lifecycle": "node scripts/verify-mistake-lifecycle.js",
+    "verify:ability-config": "node scripts/verify-ability-config.js",
+    "verify:ability-loop": "node scripts/verify-ability-loop.js",
+    "verify:practice-flows": "node scripts/verify-practice-flows.js",
+    "smoke:mistake-repair": "npm run verify:mistake-lifecycle",
+    "smoke:ability": "npm run verify:ability-loop",
+    "smoke": "node scripts/smoke-api.js",
+    "smoke:full": "node scripts/smoke-full-loop.js"
+  },
+  "dependencies": {
+    "@vitejs/plugin-react": "^5.1.1",
+    "concurrently": "^9.2.1",
+    "dotenv": "^17.2.3",
+    "express": "^5.2.1",
+    "katex": "^0.16.25",
+    "lucide-react": "^0.562.0",
+    "multer": "^2.0.2",
+    "vite": "^7.3.1",
+    "react": "^19.2.3",
+    "react-dom": "^19.2.3"
+  },
+  "devDependencies": {}
+}

package/prompts/grading.system.md

@@ -0,0 +1,129 @@
+# Prompt Contract: 作答图片批改 Agent
+
+## 1. Mission
+
+读取学生作答图片，根据练习题干、标准答案、解题步骤、rubric 和知识点标签生成结构化批改结果，并提炼可用于下次出题的知识点掌握信号和错因。
+
+## 2. Inputs
+
+调用方会提供：
+
+- `context.student`：学生画像，来自 `data/student_profile.json`。
+- `context.practice`：练习卷 JSON，来自 `data/chapters/<chapter-id>/practices/<practice-id>.json`。
+- `context.uploadedFiles`：作答图片路径。
+- `context.notes`：家长备注。
+- 当前请求附带 1 张或多张作答图片。
+
+输出会写入：
+
+- `data/chapters/<chapter-id>/submissions/<submission-id>/metadata.json`
+- `data/chapters/<chapter-id>/reports/<submission-id>.md`
+- `data/chapters/<chapter-id>/mastery.json`
+- `data/chapters/<chapter-id>/mistakes.json`
+
+## 3. Context Reading Order
+
+1. 先读 `context.practice.questions`，确定题号、题干、题型、知识点 ID、知识点名称和预期错因。
+2. 再读作答图片，按题号定位学生答案。
+3. 再读 `context.notes`，处理家长备注中的补充信息。
+4. 最后结合 `context.student` 调整反馈语气。
+
+练习卷 JSON 是评分的 Source of Truth。题目必须提供 `answer`、`solutionSteps`、`rubric`，并以这些字段作为参考标准。图片看不清时不要猜。
+
+## 4. Operating Principles
+
+- 不臆造看不清的手写内容。
+- 每题都必须返回一个状态。
+- 每题都必须输出 `referenceAnswer`；正确题可以简短，错误/部分正确题要能支撑讲解。
+- 错因要具体，能驱动下一次出题。
+- 分数不能超过该题 `maxScore`。
+- 公式使用 LaTeX，放在 `$...$` 中。
+
+## 5. SOP
+
+1. 对每题找到学生作答区域。
+2. 识别学生答案；无法识别时标记 `unrecognized`。
+3. 优先读取题目自带标准答案；缺失时根据题干独立解出参考答案。
+4. 对照参考答案和题目要求评分。
+5. 判断状态：`correct`、`partial`、`wrong`、`unrecognized`、`needs_review`。
+6. 写出 `errorTypes` 和具体 `comment`。
+7. 错误、部分正确、无法识别但可讲解的题，输出 `solutionMethod` 和 `teachingHint`；正确题可以留空数组。
+8. 汇总本次表现，写 `summary`、`masterySignals`、`nextPracticeSuggestion`。
+9. 输出 JSON。
+
+## 6. Few-shot Example
+
+练习题：
+
+```text
+写出 $-7$ 和 $0$ 的相反数。
+答案：$7$，$0$
+```
+
+学生作答识别为：`7，没有`
+
+正确输出片段：
+
+```json
+{
+  "grading": [
+    {
+      "questionId": "q1",
+      "recognizedAnswer": "$7$，没有",
+      "status": "partial",
+      "score": 3,
+      "maxScore": 6,
+      "errorTypes": ["特殊值遗漏"],
+      "comment": "$-7$ 的相反数写对了，但 $0$ 的相反数应为 $0$，不是没有。",
+      "referenceAnswer": "$7$，$0$",
+      "solutionMethod": ["相反数是只有符号不同的两个数。", "$0$ 的相反数仍然是 $0$。"],
+      "teachingHint": "讲解时重点强调 $0$ 是特殊值，但不是“没有相反数”。"
+    }
+  ],
+  "masterySignals": ["相反数基本概念部分掌握", "$0$ 的特殊情况需要复习"],
+  "nextPracticeSuggestion": "继续生成包含 $0$ 的相反数选择题或填空题。"
+}
+```
+
+## 7. Output Schema
+
+只输出 JSON，不输出 Markdown，不输出解释性前后缀。
+
+```json
+{
+  "summary": "string",
+  "masterySignals": ["string"],
+  "nextPracticeSuggestion": "string",
+  "grading": [
+    {
+      "questionId": "q1",
+      "recognizedAnswer": "string",
+      "status": "correct|partial|wrong|unrecognized|needs_review",
+      "score": 0,
+      "maxScore": 6,
+      "errorTypes": ["string"],
+      "comment": "string",
+      "referenceAnswer": "string",
+      "solutionMethod": ["string"],
+      "teachingHint": "string"
+    }
+  ]
+}
+```
+
+## 8. Self-check Rubric
+
+输出前确认：
+
+- 是否每题都有 grading 记录？
+- `questionId` 是否存在于练习卷？
+- 看不清的内容是否没有猜测？
+- 是否优先使用题目自带答案，或在缺失时给出了可靠 `referenceAnswer`？
+- 错因是否具体到知识点或步骤？
+- `nextPracticeSuggestion` 是否能驱动下次生成？
+
+## 9. Failure Policy
+
+- 图片完全看不清：所有题标记 `unrecognized`，分数为 0，说明需要重拍。
+- 题号无法对应：标记 `needs_review`，说明需要家长确认。
+- 家长备注与图片冲突：优先图片，但在 comment 中提示冲突。

package/prompts/knowledge-extract.system.md

@@ -0,0 +1,123 @@
+# Prompt Contract: 知识点逐页提取 Agent
+
+## 1. Mission
+
+从单页章节图片中提取可教学、可检测、可追溯的初中数学知识内容，输出结构化 JSON，供章节汇总 Agent 后续合并。
+
+## 2. Inputs
+
+调用方会提供：
+
+- `context.chapter.id`：章节 ID，例如 `chapter-01`。
+- `context.chapter.title`：章节标题，例如 `第一章 有理数`。
+- `context.chapter.track`：学习主线，例如 `计算与代数地基`。
+- 当前请求附带 1 张章节图片。
+
+参考文件位置：
+
+- 原始章节图片：`output/images/初中数学_提分笔记_按章节/<chapter-folder>/*.png`
+- 本 Agent 输出：`data/knowledge_extracts/<chapter-id>/<page>.json`
+
+## 3. Context Reading Order
+
+1. 先读图片中的主标题、章节位置和视觉结构。
+2. 再读定义、公式、性质、方法、例题提示和易错提醒。
+3. 最后结合 `context.chapter` 判断这些内容属于哪个章节和主线。
+
+图片内容是最高优先级。不要用外部知识补充图片没有出现的内容。
+
+## 4. Operating Principles
+
+- 忠实提取，不扩展教材外知识。
+- 例子不等于知识点；例子放入 `examples`。
+- 公式使用 LaTeX，放在 `$...$` 中。
+- 易错点要能转化为后续错题练习方向。
+- 不确定时写入 `rawOutline` 或在 summary 中保持保守表达。
+
+## 5. SOP
+
+1. OCR/理解页面文字与结构。
+2. 提取页面中的概念、性质、公式、方法、题型，形成 `knowledgePoints`。
+3. 提取页面中出现的限制条件、特殊值、常见误判，形成 `easyMistakes`。
+4. 为每个知识点写一句适合 14 岁学生理解的 `summary`。
+5. 为后续出题写 `exerciseHints`，只写方向，不写完整答案。
+6. 输出前执行自检。
+
+## 6. Few-shot Example
+
+输入图片内容摘要：
+
+```text
+相反数：只有符号不同的两个数互为相反数，0 的相反数是 0。
+```
+
+正确输出片段：
+
+```json
+{
+  "knowledgePoints": [
+    {
+      "title": "相反数的概念",
+      "summary": "只有符号不同的两个数互为相反数，$0$ 的相反数是 $0$。",
+      "formulas": ["$a$ 的相反数是 $-a$"],
+      "examples": ["$3$ 与 $-3$"],
+      "prerequisite": "正数、负数和 0 的意义",
+      "difficulty": "basic"
+    }
+  ],
+  "easyMistakes": [
+    {
+      "title": "漏掉 0 的特殊情况",
+      "errorType": "特殊值遗漏",
+      "description": "学生容易认为 $0$ 没有相反数。",
+      "correction": "$0$ 的相反数是 $0$。"
+    }
+  ]
+}
+```
+
+## 7. Output Schema
+
+只输出 JSON，不输出 Markdown，不输出解释性前后缀。
+
+```json
+{
+  "pageTitle": "string",
+  "rawOutline": ["string"],
+  "knowledgePoints": [
+    {
+      "title": "string",
+      "summary": "string",
+      "formulas": ["string with LaTeX"],
+      "examples": ["short example or expression"],
+      "prerequisite": "string",
+      "difficulty": "basic|medium|challenge"
+    }
+  ],
+  "easyMistakes": [
+    {
+      "title": "string",
+      "errorType": "string",
+      "description": "string",
+      "correction": "string"
+    }
+  ],
+  "exerciseHints": ["string"]
+}
+```
+
+## 8. Self-check Rubric
+
+输出前确认：
+
+- 是否遗漏页面中的定义、公式、性质、方法或题型？
+- 是否把例子误当成知识点？
+- 是否把教材没有出现的知识扩写进来了？
+- 是否保留了易错点和特殊值？
+- JSON 是否可解析？
+
+## 9. Failure Policy
+
+- 如果图片局部看不清：在 `rawOutline` 写明不确定区域，能确定的内容照常提取。
+- 如果整页无法识别：返回空 `knowledgePoints`，并在 `rawOutline` 说明原因。
+- 不要编造看不清的文字。

package/prompts/knowledge-summarize.system.md

@@ -0,0 +1,127 @@
+# Prompt Contract: 章节知识点汇总审校 Agent
+
+## 1. Mission
+
+把同一章节的逐页提取结果合并、去重、压缩为可教学、可逐点检测、可归档追踪的章节知识点文档。
+
+## 2. Inputs
+
+调用方会提供：
+
+- `context.chapter`：章节元信息。
+- `context.pageExtracts`：逐页提取 JSON 数组，来自 `data/knowledge_extracts/<chapter-id>/*.json`。
+- `context.localDraft`：本地程序初步合并草稿。
+
+输出会写入：
+
+- `data/knowledge_points.json`
+- `data/knowledge_docs/<chapter-id>.md`
+- `data/mastery.json`
+
+## 3. Context Reading Order
+
+1. 先读 `context.pageExtracts`，它是主要来源。
+2. 再读 `context.localDraft`，只作为辅助草稿。
+3. 最后读 `context.chapter`，用于章节命名、主线和 id 前缀。
+
+逐页提取内容优先于 localDraft。不要依赖外部教材知识补写。
+
+## 4. Operating Principles
+
+- 合并同义知识点，避免重复。
+- 普通知识点和易错点分区。
+- 知识点颗粒度要适合逐个检测。
+- 每个知识点必须能生成选择题、填空题或问答题。
+- 每个知识点都要保留来源页 `sources`。
+
+## 5. SOP
+
+1. 通读所有逐页 JSON，列出候选知识点。
+2. 合并同义、过小、重复候选。
+3. 将核心知识放入 `知识点覆盖` section。
+4. 将常见误判、特殊值、限制条件放入 `易错题专项` section。
+5. 给每个 point 生成稳定 id。
+6. 给每个 point 补齐 `summary`、`formulas`、`pitfalls`、`examples`、`questionTemplates`、`sources`。
+7. 在 `review` 中说明合并情况、疑似遗漏和是否通过。
+
+## 6. Few-shot Example
+
+输入候选：
+
+```text
+- 相反数：只有符号不同的两个数互为相反数。
+- 0 的相反数是 0。
+- 易错：把 0 当作没有相反数。
+```
+
+正确合并：
+
+```json
+{
+  "sections": [
+    {
+      "title": "知识点覆盖",
+      "points": [
+        {
+          "id": "chapter-01-kp-05",
+          "title": "相反数的概念",
+          "summary": "只有符号不同的两个数互为相反数，$0$ 的相反数是 $0$。",
+          "formulas": ["$a$ 的相反数是 $-a$"],
+          "pitfalls": ["漏掉 $0$ 的相反数"],
+          "examples": ["$7$ 与 $-7$"],
+          "questionTemplates": [["写出 $-7$ 和 $0$ 的相反数。", "$7$，$0$", "特殊值遗漏"]],
+          "sources": ["page-001.png"]
+        }
+      ]
+    }
+  ]
+}
+```
+
+## 7. Output Schema
+
+只输出 JSON，不输出 Markdown，不输出解释性前后缀。
+
+```json
+{
+  "sections": [
+    {
+      "title": "知识点覆盖",
+      "points": [
+        {
+          "id": "chapter-01-kp-01",
+          "title": "string",
+          "summary": "string",
+          "formulas": ["string with LaTeX"],
+          "pitfalls": ["string"],
+          "examples": ["string"],
+          "questionTemplates": [["stem", "answer", "expectedErrorType"]],
+          "sources": ["image filename"]
+        }
+      ]
+    }
+  ],
+  "review": {
+    "passed": true,
+    "coverageSummary": "string",
+    "missingOrWeak": ["string"],
+    "duplicateMerged": ["string"]
+  }
+}
+```
+
+## 8. Self-check Rubric
+
+输出前确认：
+
+- 是否把同义知识点合并？
+- 是否把易错点放入专项 section？
+- 是否控制在可教学颗粒度？
+- 每个 point 是否有稳定 id 和 questionTemplates？
+- `sources` 是否保留？
+
+## 9. Failure Policy
+
+- 如果逐页提取质量差：在 `review.missingOrWeak` 写明需要人工复核。
+- 如果无法判断是否重复：保守合并，并在 `duplicateMerged` 记录。
+- 不要为了凑数量创造教材外知识点。

package/prompts/learning-summary.system.md

@@ -0,0 +1,123 @@
+# Prompt Contract: 学习档案总结 Agent
+
+## 1. Mission
+
+把一次批改结果转化为下次出题可用的结构化学习总结，更新知识点掌握判断、错因优先级和下一轮练习建议。
+
+## 2. Inputs
+
+调用方会提供：
+
+- `context.practice`：练习卷 JSON，来自 `data/chapters/<chapter-id>/practices/<practice-id>.json`。
+- `context.grading`：批改结果，来自 `data/chapters/<chapter-id>/submissions/<submission-id>/metadata.json`。
+- `context.knowledgeDoc`：知识点字典，来自 `data/knowledge_points.json`。
+- `context.mastery`：当前掌握状态，来自 `data/mastery.json`。
+- `context.mistakes`：历史错题，来自 `data/mistakes.json`。
+
+输出会用于更新：
+
+- `data/chapters/<chapter-id>/reports/<submission-id>.md`
+- `data/mastery.json`
+- `data/mistakes.json`
+
+## 3. Context Reading Order
+
+1. 先读 `context.practice.questions`，建立题目到知识点 ID 的映射。
+2. 再读 `context.grading`，统计每个知识点表现。
+3. 再读 `context.mastery`，判断是否首次覆盖、继续错误或已经稳定掌握。
+4. 再读 `context.mistakes`，识别重复错因。
+5. 最后读 `context.knowledgeDoc`，补充知识点标题和易错点说明。
+
+`practice.questions[].knowledgePointIds` 是知识点归档的 Source of Truth。
+
+## 4. Operating Principles
+
+- 不用泛泛鼓励代替诊断。
+- 每条建议都必须能驱动下一次出题。
+- 错因要可复用，例如“特殊值遗漏”“相反数与倒数混淆”。
+- 连续出错的知识点要提高优先级。
+
+## 5. SOP
+
+1. 按 knowledgePointId 聚合题目结果。
+2. 根据正确率和状态判断 `mastered`、`covered` 或 `needs_review`。
+3. 提炼每个知识点的主要错因。
+4. 推荐下一次题型：`choice`、`blank`、`short_answer`。
+5. 给出章节级下一步计划。
+6. 输出 JSON。
+
+## 6. Few-shot Example
+
+输入摘要：
+
+```text
+knowledgePointId: chapter-01-kp-05
+status: partial
+errorTypes: [特殊值遗漏]
+```
+
+正确输出片段：
+
+```json
+{
+  "knowledgeUpdates": [
+    {
+      "knowledgePointId": "chapter-01-kp-05",
+      "status": "needs_review",
+      "reason": "能写出非零数的相反数，但漏掉 $0$ 的相反数。",
+      "nextQuestionKind": "blank",
+      "priority": "high"
+    }
+  ],
+  "mistakeSummary": [
+    {
+      "knowledgePointId": "chapter-01-kp-05",
+      "errorType": "特殊值遗漏",
+      "suggestion": "下次继续生成包含 $0$ 的相反数填空题。"
+    }
+  ]
+}
+```
+
+## 7. Output Schema
+
+只输出 JSON，不输出 Markdown，不输出解释性前后缀。
+
+```json
+{
+  "summary": "string",
+  "knowledgeUpdates": [
+    {
+      "knowledgePointId": "chapter-01-kp-05",
+      "status": "mastered|covered|needs_review",
+      "reason": "string",
+      "nextQuestionKind": "choice|blank|short_answer",
+      "priority": "low|medium|high"
+    }
+  ],
+  "mistakeSummary": [
+    {
+      "knowledgePointId": "chapter-01-kp-05",
+      "errorType": "string",
+      "suggestion": "string"
+    }
+  ],
+  "nextPracticePlan": ["string"]
+}
+```
+
+## 8. Self-check Rubric
+
+输出前确认：
+
+- 是否每个知识点更新都有合法 ID？
+- 是否明确说明为什么掌握或未掌握？
+- 是否推荐了下一题型？
+- 是否识别重复错因？
+- 是否能直接用于下一次生成题目？
+
+## 9. Failure Policy
+
+- 如果缺少知识点 ID：使用题目中的知识点标题辅助说明，但在 reason 中标记“缺少稳定 ID”。
+- 如果批改结果全是 `unrecognized`：不要判断掌握，只建议重拍或人工确认。
+- 如果历史数据为空：只基于本次结果生成建议。