知
知识学习
Knowledge Mode
任何知识体系都可以被拆解成概念网络：前置依赖、层级结构、关联路径。 Manifold 让 AI 的输出从"讲义"变成"可导航的知识地图"—— 学习的路标，而不是一堵文字墙。
P.06 / SPEC
标注集 & 渲染
ANNOTATION SET — 标注集
[[concept:概念]]— 概念标记[[prereq:前置]]— 前置依赖[[rel:关联]]— 概念间关联[[path:路径]]— 学习路径[[ex:例子]]— 示例标记[[quiz:检测]]— 掌握度检测
RENDERING — 渲染冲击
概念网络图、前置依赖树、个性化学习路径。让"学不会"可以被定位——不是你不努力，是你不知道缺了哪块前置拼图。
WHY — 优先级
信息损失 ★★★★★ / 渲染冲击 ★★★☆☆ / 共鸣 ★★★★☆ / 互补性 ★★★☆☆ —— 总分 15/20。覆盖人群最广的垂类，是 Manifold 开放标注集生态的长期方向。
SCENE — 典型场景
"看不懂傅里叶变换"→ Manifold 沿前置依赖树回溯：复数 → 积分 → 三角函数，定位缺口 → 生成只属于你的补习路径，每一步可检测、可追问。
P.06 / DEMO
知识不是墙，是地图
Manifold 标注示意：
[[concept:fourier]]傅里叶变换[[/]]
[[prereq:complex]]前置：复数运算[[/]]
[[prereq:integral]]前置：积分[[/]]
[[rel:signal]]关联：信号处理[[/]]
渲染效果：
前置依赖树
┌──────────┐
│ 傅里叶变换 │
└────┬─────┘
┌──────────┼──────────┐
┌────┴───┐ ┌───┴────┐ ┌──┴─────┐
│ 复数 │ │ 积分 │ │ 三角函数 │
│ ✓ 已掌握 │ │ ✗ 缺口 │ │ ✓ 已掌握 │
└────────┘ └────────┘ └────────┘
学习路径已重新规划：积分 → 傅里叶变换
NEXT / VERTICALS