企业官网建设流程全解析

os-taxonomy 是什么：1,900 个微主题连成的先修知识图谱，5 分钟吃透这张 4-15 岁开放学习地图

【免费下载链接】os-taxonomy项目地址: https://gitcode.com/GitHub_Trending/os/os-taxonomy

os-taxonomy（Marble Skill Taxonomy）是 Marble 团队开源的小学生学习知识图谱：把 4~15 岁"该学什么"拆成1,900 个微主题，用4,013 条前置依赖边连成一张有向无环图，并对齐3,881 条国家课程标准。纯 JSON、零依赖，研究和产品都能免费商用。

一、它到底在解决什么问题 🧭

课程数据长期只有两种活法：一份平铺的标准清单，或者锁死在某款产品里。前者回答"考什么"，但不回答"按什么顺序学"；后者能学，但你拿不到数据。os-taxonomy 走的是第三条路——一张连通的学习图谱：

• 每个节点是一个"可教的最小知识点"，附带掌握证据，而不是只有名字；
• 每条边都标hard/soft强度，还有一句人话理由；
• 每个主题都能链接回它提炼自的国家课程标准条款，数据可溯源。

说白了，它不是一张课程清单，而是一张先修知识图谱。

二、核心数据一览 📊

学科分布（节选）：

三、仓库里有什么：核心文件速览 📦

结构定义在 schema/ 目录，每个 JSON 都有对应的 JSON Schema。

四、JSON 长什么样：3 个真实样例 🔍

一个微主题节点，取自 data/topics.json：

{ "id": "mt_N8CpN1EJrP", "type": "CONCEPTUAL", "subject": "English", "domain": "Grammar & Punctuation", "name": "Building sentences", "ageRangeStart": 4, "ageRangeEnd": 6, "evidence": [ "Distinguish between complete sentences and fragments", "Compose a complete sentence with a subject and verb" ], "assessmentPrompt": "If {{name}} says something like \"The dog\", ...", "standards": ["ccss-ela:L.K.1f", "uk-nc-2013:Eng.App2.Y1.Sent.1"] }

evidence是它区别于普通知识点列表的关键字段：一个知识点不再是一句口号，而是可核查的掌握标准；assessmentPrompt里的{{name}}占位符填上孩子名字就是一道具体的评估题。

一条前置依赖边，取自 data/dependencies.json：

{ "topicId": "mt__00ZSLnB7p", "prerequisiteId": "mt_VBl1T1sFCM", "strength": "hard", "reason": "Must understand vibrations make sound before finding volume patterns" } { "topicId": "mt_02DH7sGXCi", "prerequisiteId": "mt_H7DquwQi_F", "strength": "soft", "reason": "Capital letter formation supports correct sizing in joined writing" }

hard表示必须先掌握（学"音量大小的规律"前必须懂"振动产生声音"），soft表示有帮助但非阻塞。带一句人话理由的依赖边不多见——图可以直接讲给家长和老师听，而不只是喂给算法。

一条家长摘要，取自 data/clusters.json：

"Your child is learning the building blocks of writing — how to make complete sentences, use capital letters and punctuation marks correctly…"

按"学科 + 领域 + 年龄"每岁一条，共 176 条，是现成的"孩子这个岁数在学什么"文案。

五、拿到手能干什么：5 个典型场景 🚀

1. 学习路径推荐：依赖图本身是 DAG，做拓扑排序/回溯即可生成个性化先修路径；
2. 学习缺口诊断：用assessmentPrompt+evidence生成评估题，定位孩子卡在哪一环；
3. 课程对标分析：拿 4,120 条主题↔标准链接做覆盖率统计，快速回答"我们覆盖了多少 NGSS / ACARA v9 条款"；
4. AI 伴学上下文：微主题粒度刚好是 LLM 出题、讲解、追踪掌握的合适单元，JSON 直接喂进去；
5. 教学研究与基准：干净的 DAG + SHA-256 校验和，可直接做知识追踪（knowledge tracing）研究的评测数据。

git clone https://gitcode.com/GitHub_Trending/os/os-taxonomy

六、一条命令验证数据完整性 ✅

仓库内置零依赖校验脚本 scripts/validate.mjs，检查结构、引用完整性（每条边、每条主题↔标准引用都能解析）、声明数量与实际数量、SHA-256 校验和，任何一项不符都以非零码退出，方便直接挂进 CI 做数据回归：

node scripts/validate.mjs node --test scripts/teaching-research.test.mjs

七、License：能用在哪、不能用在哪儿 ⚖️

重点在这里：ODbL 区分"衍生数据库"和"生成作品"——你拿它做商业产品不用开源产品本身，只需把对分类法本身的改进回馈社区；署名格式见 CITATION.cff，来源出处见 PROVENANCE.md。

八、总结：谁该收藏 🎯

• 教育开发者：现成的先修关系 + 掌握证据 + 标准对齐，省掉几个月的人工梳理；
• AI 工程师：JSON 直接加载，做伴学、出题与学习路径规划；
• 家长：用 176 条集群摘要看懂 4~15 岁每一步在学什么；
• 研究者：带校验和、带 Schema 的开放教育图谱基准数据。

记住 3 个数字：1,900 个微主题、4,013 条前置边、3,881 条标准对齐——纯 JSON、零依赖、免费商用（ODbL 1.0 + CC BY-SA 4.0），node scripts/validate.mjs一键验真。

【免费下载链接】os-taxonomy项目地址: https://gitcode.com/GitHub_Trending/os/os-taxonomy