Learning Plan Engine · Internal Showcase Vol. 01 · System Overview / 2026

上岸仓用户学习计划
系统化方案介绍

A Planning System for Civil Service Exam Preparation

这不是一张统一课表,而是一套根据 身份、基础、阶段、周期 四维交叉, 自动生成备考路径、资源组合、推送节奏与陪伴闭环的计划系统。 它试图回答的不是“大家学什么”,而是“什么人在什么时间、以什么方式、优先学什么”。

Core Thesis · 核心命题

统一的不是课表,而是决策逻辑
差异化的不是口号,而是资源、节奏与闭环

真正重点并不在 36 张组合表本身,而在于前置的三条判断: 共性痛点决定产品形态、差异化痛点决定内容配置、时间约束决定阶段裁剪。 所有个性化学习计划,都只是这三条判断向下展开后的不同输出。

01
Chapter One · System Overview

系统总览 · 四维模型与三条结论

这套方案的基本结构可以概括为:用户先被识别,再被分流,最后进入不同节奏的同一资源系统。 计划不是“填空题”,而是一台把用户条件翻译成路径和动作的解释器。

Dimension 01

身份

决定计划的呈现形态与交付节奏。

  • 在职:碎片化时间,按分钟切任务
  • 在校:时间不固定,按周度弹性安排
  • 全职:整块时间更多,按日程清单推进
Dimension 02

基础

决定学习内容、诊断深度和服务配置。

  • 0基础:建立认知与体系
  • 有基础:纠偏、止损、补弱
  • 基础好:诊断卡点、提分突破
Dimension 03

阶段

决定此刻“最先应该推什么”。

  • 入门:认知建立与启动体验
  • 系统:系统课与主线训练
  • 提升:专项突破与方法纠偏
  • 冲刺:整卷转化与状态管理
Dimension 04

周期

决定阶段是否完整经历,是否需要压缩裁剪。

  • 120-180 天:完整四阶段
  • 90-120 天:四阶段压缩
  • 45-90 天:主线精简推进
  • <45 天:冲刺优先
个性化备考计划 = 身份形态 × 基础配置 × 阶段资源 × 周期裁剪 One engine, many outputs · 同一引擎,多种输出
Conclusion A

共性痛点决定产品形态

在职、在校、全职最突出的共性问题,本质都与时间条件相关,所以最终需要的是三套不同形态的计划,而不是一份统一模板。

Conclusion B

差异化痛点决定内容配置

0基础、有基础、基础好,对应的是三种完全不同的内容组织逻辑。差异不只是先后顺序,而是学习内容、工具和服务密度都不同。

Conclusion C

时间约束决定阶段裁剪

不是所有用户都要完整经历“入门 → 系统 → 提升 → 冲刺”。时间越短,越强调跳过非关键动作,把资源集中在分数转化最高的位置。

Reading Hint · 阅读提示 36 种组合本质上是 同一套规则在不同条件下的输出结果。 展示层不再机械展开 36 张大表,而是优先把它们背后的决策机制说清楚。
02
Chapter Two · Decision Console

计划引擎 · 交互式方案推演

下面这块直接把核心决策过程可视化。切换用户条件后,可以观察系统如何调整 阶段路径、交付节奏、资源重心和运营表达

方案解释器

选择一个用户状态,页面会自动重组推荐路径。

Live Output · 实时方案输出

产品形态
内容策略
周期判断
运营画像
03
Chapter Three · Stage Resource System

阶段资源系统 · 每一阶段该推什么

阶段决定的不是用户是谁,而是系统应该在这一刻把什么内容推到前台。 这套系统最重要的基础之一,是把资源稳定拆成了 课、题、资料、对话、工具 五类, 使每个阶段都可以被清晰装配。

阶段判断

    04
    Chapter Four · Matrix Lens

    资源矩阵与模块规划 · 从资源类型到建设清单

    当资源矩阵继续向下落地,就会变成具体的建设模块。这里关注的不再是“资源属于哪一类”, 而是 哪些模块先做、哪些模块 5 月交付、由谁响应,以及它们如何支撑阶段化计划。

    Module Planning · 建设清单筛选

    按模块类型切换,直接查看建设清单与响应分工

    模块名称 难度 优先级 5月交付 主要内容与功能说明 响应方
    05
    Chapter Five · Persona Packaging

    运营画像 · 36 组合如何转成可传播表达

    运营表达层需要做的一件事,是把复杂的组合表重新翻译成用户能够理解、运营能够传播、销售能够讲述的画像语言。 也就是说,底层是 36 种路径,前台不应该直接让人看见 36 种复杂组合。

    Archetype 01

    在职碎片化学习型

    计划经常被工作节奏打断,更需要把整块课程拆成细颗粒动作,让零散时间也能形成连续推进。

    • 关键词:碎片时间、工作日微课、周末复盘
    • 适配:在职人群全基础段
    Archetype 02

    个性化时间规划型

    不是没有时间,而是时间并不稳定。需要通过周度调度、学习日选择和可增减任务来适配现实波动。

    • 关键词:周任务、弹性安排、动态调度
    • 适配:在校、全职人群主形态
    Archetype 03

    零基础全程伴学型

    最怕一开始就被信息量淹没,需要先做认知引导和体验式启动,再逐步搭建体系和主线训练。

    • 关键词:认知建立、体验启动、全阶段覆盖
    • 适配:0基础各周期组合
    Archetype 04

    乱学止损纠偏型

    已经投入过时间与资源,但没有形成稳定主线,需要重新识别“保留、巩固、重建、舍弃”。

    • 关键词:纠偏、主线重建、投入止损
    • 适配:有基础各周期组合
    Archetype 05

    卡点诊断突破型

    不是完全不会,而是分数卡在定位薄弱点、稳定率和突破顺序上,更依赖诊断和专项转化。

    • 关键词:薄弱定位、专项突破、稳定率提升
    • 适配:基础好各周期组合
    Archetype 06

    临考冲刺型

    已经进入考前窗口,扩内容价值下降,整卷转化、稳态管理和应试技巧的优先级显著提升。

    • 关键词:时间极短、整卷优先、状态管理
    • 适配:45-90 天与 <45 天组合
    Communication Rule · 表达原则 对外表达建议优先讲“你属于哪类备考状态、这套计划为什么适合你”,而不是直接讲底层结构。 底层结构用于保证系统正确,前台画像用于让用户迅速建立理解与信任。
    06
    Chapter Six · Execution Loops

    执行闭环 · 计划不是生成后就结束

    学习计划真正区别于内容目录的地方,在于它必须拥有反馈、复盘与再调整能力。 这里强调的不是抽象的“闭环”二字,而是不同人群、不同画像在 整体计划、阶段切换、日推进、周复盘 上到底如何运转。

    闭环解释器

    闭环有两条观察线:一条看学习成熟度,一条看时间组织方式。 切换画像后,可以直接查看该画像下的整体闭环、阶段切换、日闭环和周闭环。

    整体闭环
    主阶段
    日闭环重心
    周闭环重心
    07
    Chapter Seven · Sequence Collaboration

    计划各环节时序流转逻辑

    这一版把静态标签、动态标签、召回策略、排序规则、任务分发、日周闭环、异常检测与干预动作都展开到同一张协作时序图里, 直接展示 每一层到底读什么、算什么、推什么、何时回写、何时重排、何时介入

    用户
    数据采集层
    标签引擎
    用户画像
    资源召回引擎
    计划排序引擎
    计划分发引擎
    动态监控引擎
    推送服务
    阶段一 · 用户识别与画像构建
    注册 / 填写信息
    生成静态标签
    静态标签
    用户身份:在职 / 在校 / 全职 目标考试:国考 / 省考及试卷类型 目标省份 考试日期 学历、专业 学习方式偏好:听课为主 / 练习为主 / 学练结合 / 没有偏好 学科偏好:文科好 / 理科好 / 都一般 / 都不错 是否系统学习过:没系统学习过 / 有系统学习过 参考次数:0 次 / 1-3 次 / 3 次以上
    完成诊断测评
    更新基础等级标签
    诊断后标签
    用户基础:0 基础 / 有基础 / 基础好 初始薄弱模块列表 初始优势模块列表
    聚合初始用户画像
    初始画像层
    基础信息层:身份 + 目标 + 时间 + 基础等级 偏好信息层:学习方式偏好 + 学科偏好 能力评估层:薄弱模块 + 优势模块
    开始学习行为
    行为数据上报
    做题、看课、打卡等行为持续上报 数据采集层先沉淀原始学习记录
    传输行为数据
    动态标签计算
    做题行为指标:整体正确率、整体平均速度 分模块指标:各模块正确率、各模块平均用时 分知识点指标:各知识点正确率、掌握程度 看课行为指标:完播率、观看时长、模块偏好 时间行为指标:日均学习时长、学习时段分布、连续学习天数 学科偏好更新:按实际学习顺序和时长动态调整 学习形式偏好更新:按完播率和主动选择调整
    刷新用户画像
    动态画像层
    更新动态标签层:当前阶段、自律度、实际可用时长、薄弱模块变化 更新行为指标层:正确率趋势、速度趋势、活跃度 更新偏好层:学科偏好变化、形式偏好变化
    阶段二 · 计划生成与分发
    传入用户画像参数
    召回前置读取
    读取用户画像:身份 + 基础 + 阶段 + 薄弱模块 + 偏好 + 剩余天数 读取知识图谱依赖关系 读取模块学习顺序配置 读取召回权重矩阵:按身份 × 基础分层
    多路并行召回
    路 1:规则匹配召回(阶段 × 身份 × 基础 × 薄弱模块 × 剩余时间) 路 2:协同过滤召回(相似用户学习行为推荐) 路 3:热门兜底召回(同身份同基础热门资源) 路 4:个性化模型召回(用户 × 资源 embedding 匹配) 路 5:策略干预召回(人工强推 / 运营活动资源)
    返回候选资源集
    融合排序
    标签匹配度评分:阶段匹配 + 身份匹配 + 基础匹配 + 薄弱模块匹配 知识图谱依赖检查:前置知识点是否已学 学习顺序适配检查:模块推荐顺序是否符合 用户偏好加成:课程形式偏好 + 学科偏好 + 材料形式偏好 资源质量分加权:质量评级 + 难度适配 + 核心考点权重 召回路径权重加成 过滤去重:已学过跳过、已掌握跳过、前置未满足延后 按资源类型分组:课 / 题 / 资料 / 对话 / 工具
    返回有序资源列表
    分发编排
    确定推送阶段:入门 / 系统 / 提升 / 冲刺 确定推送节奏:工作日 / 周末、碎片 / 整块 选择推送渠道:push / 短信 / 微信 / App 内 编排每日任务:按用户可用时段排布 编排周度任务:周测 / 模考 / 复盘 注入对话节点:共识性 / 陪伴性 / 答疑性 注入工具入口:诊断工具 / 题库 / 报岗查询
    下发计划任务
    推送到用户端
    每日学习任务:指定时段 + 资源清单 + 预计时长 对话消息:学习提醒 / 阶段报告 / 正向反馈 周度报告:学习数据 + 优劣势分析 + 下周计划调整
    用户侧动作
    执行计划任务 忽略计划任务 完成计划任务
    阶段三 · 动态监控与闭环调整
    回流行为数据
    数据采集内容
    采集学习行为:做题记录 / 看课记录 / 打卡记录 采集交互行为:对话点击 / push 响应 / 工具使用
    推送行为数据
    日闭环指标
    今日任务完成率 今日正确率及达标判断 今日薄弱点触发检测:错题率突增 用户主动提问记录
    周闭环指标
    本周学习天数及完成率 周测成绩及排名 各模块正确率变化趋势 各模块投入时间分布 薄弱点攻克进度 连续学习天数及中断记录
    异常行为检测
    连续 3 天未学习 某模块错题率 > 60% 持续 1 周 实际学习时长 < 计划时长 50% 阶段模考得分环比提升 > 15% 距离考试进入冲刺窗口:< 45 天
    需调整标签
    更新动态标签
    标签回写项
    更新当前阶段 更新薄弱模块列表 更新用户基础等级:得分大幅提升时 更新自律度 / 活跃度
    刷新用户画像
    触发重新召回
    根据更新后画像重新召回资源
    重新排序
    重新生成计划
    重新下发调整后计划
    需调整分发
    调整推送时机 / 渠道 / 节奏
    分发节奏调整
    调整任务量:降低 20% 或保持 调整推送时段:匹配实际学习时间 调整周度安排:优先安排薄弱模块
    按新节奏重新下发
    需触发对话干预
    触发对话消息
    对话触发类型
    连续 3 天未学习 → 督学唤醒 错题率突增 → 主动推送点拨课 阶段转换 → 告知新阶段目标与方法 连续 7 天完成率 > 90% → 鼓励加量 考前陪伴 → 倒计时提醒 + 心理疏导
    发送对话消息
    需要人工干预
    触发人工关怀提示
    人工客服 / 微信私聊介入
    AB 实验数据回收
    对比各召回路径点击率 对比各召回路径完成率 对比各召回路径提分效果
    调优召回权重参数(按身份 × 基础分层调整)
    闭环完成,循环至阶段一 / 阶段二,继续识别、生成、分发、监控与调整。