Agent Skills: 高考数学命题研究

系统研究高考数学真题,基于题目结构、设问梯度、评分逻辑和历年变化反推可验证的命题意图,并转化为学生可训练的“看到什么→想到什么→为什么”方法。用于单题深度拆解、同专题跨年研究、同年跨卷比较、易错点分析和高质量变式设计。

UncategorizedID: Dwsy/agent/gaokao-question-research

Install this agent skill to your local

pnpm dlx add-skill https://github.com/Dwsy/agent/tree/HEAD/skills/gaokao-question-research

Skill Files

Browse the full folder contents for gaokao-question-research.

Download Skill

Loading file tree…

skills/gaokao-question-research/SKILL.md

Skill Metadata

Name
gaokao-question-research
Description
系统研究高考数学真题,基于题目结构、设问梯度、评分逻辑和历年变化反推可验证的命题意图,并转化为学生可训练的“看到什么→想到什么→为什么”方法。用于单题深度拆解、同专题跨年研究、同年跨卷比较、易错点分析和高质量变式设计。

高考数学命题研究

Purpose

把“猜出题人想法”改造成可复用、可验证的命题研究流程。

目标不是声称知道命题者的真实心理,而是依据题面、课程要求、设问结构、解法路径、评分点和历年同类题,推断最有证据支持的考查意图,并把结论转化为学生能训练的识别能力。

Setup

无需额外安装。

优先使用用户提供的真题、答案、评分细则和年份卷别信息。材料不完整时,明确哪些结论属于推断,不把猜测写成事实。

Core Principle

每个结论都尽量落到这条链条:

题面证据 → 结构识别 → 所需能力 → 典型错误 → 区分度 → 教学动作

面向学生时,最终压缩为:

看到什么 → 想到什么 → 为什么这样想

Workflow

1. 建立题目身份

先记录:

  • 年份、卷别、题号、题型、分值
  • 主干知识点与相关知识点
  • 已知答案或评分点(如果提供)

如果题目来源不明确,不虚构年份、卷别或官方出处。

2. 做“裸题解剖”

先不急着求解,分析题面本身:

  • 给了哪些条件?哪些条件是显性的,哪些需要转译?
  • 问法属于求值、证明、存在性、范围、最值、零点、参数讨论还是结构判断?
  • 是否存在熟悉结构被新符号、新情境或新表述包装?
  • 哪个条件最可能是突破口?哪个条件最容易被忽略?
  • 信息量中哪些是核心,哪些可能用于制造认知负荷?

3. 还原标准解题路径

给出一条最自然、最可评分的主路径,并说明:

  • 第一步为什么应该这样启动
  • 中间每次转换的依据
  • 哪一步体现核心能力,而不只是计算
  • 是否存在明显更长但学生容易误走的路径
  • 若有多解法,比较它们分别暴露了什么数学结构

不要只给答案;重点解释“为什么从这里想到这里”。

4. 反推命题意图

从以下六个维度逐项判断:

  1. 考什么:核心知识、方法和数学思想是什么。
  2. 为什么这样包装:是否在测试迁移、阅读、建模、图形转化、符号理解或陌生情境适应。
  3. 真正的突破口:优秀考生会优先识别什么结构、条件或不变量。
  4. 预设错误路径:基础不牢或策略不佳的学生最可能在哪里失分。
  5. 区分度位置:哪一步区分不同水平学生,区分的是知识、策略、运算还是表达。
  6. 设问梯度:若有多小问,后一问如何利用、推广、反转或抽象前一问。

对“命题意图”的表述使用证据化措辞,例如:

  • “从设问梯度看,更可能是在考……”
  • “这一条件的作用表明题目重点不只是计算,而是……”
  • “若结合前一问,可推断第二问主要测试……”

避免无证据断言“出题人就是想让学生……”。

5. 建立学生错误地图

至少区分四类失分:

  • 概念错误:定义、性质、适用条件不清。
  • 识别错误:看到了条件,但没有识别结构。
  • 策略错误:选了低效、不可持续或漏情况的路径。
  • 执行错误:计算、符号、书写、分类讨论或边界处理出错。

对每类错误给出一个教学纠偏动作,而不只写“粗心”。

6. 提炼学生可迁移规则

把教师分析转写成学生语言:

  • 看到什么信号?
  • 第一反应应该是什么?
  • 这个反应为什么成立?
  • 哪些条件下不能机械套用?

优先形成短规则,而不是口诀堆砌。

7. 生成最小变式

每道典型题至少设计 2 个变式方向:

  • 保结构变包装:核心方法不变,只换情境、符号、图形或表述。
  • 改一个关键条件:迫使原方法失效或发生分支,检验学生是否真正理解适用边界。

如有必要再增加:反向设问、参数化、开放化或跨知识点组合。

每个变式都说明“改了什么、为什么改、想测什么”,不要为了变难而变难。

Longitudinal Research

当用户提供同一专题多年份真题时,做纵向研究:

  1. 按年份建立题目序列。
  2. 统一标注知识点、核心方法、入口信号、情境包装、运算量、设问层级和区分点。
  3. 区分“稳定内核”和“变化外壳”。
  4. 找出重复出现的能力要求,以及逐年改变的表达方式。
  5. 总结未来复习应训练的能力,不直接做具体年份押题。

输出重点:

多年没变的是什么?近年变化的是什么?学生应该练什么不变量?

Horizontal Research

当用户提供同一年不同卷别或不同地区试卷时:

  • 比较相同模块考查的共同能力
  • 比较不同包装和入口设计
  • 比较难度来源是知识、识别、运算、阅读还是综合
  • 找出不能被单一“题型套路”覆盖的变化

Standard Output

分析单题时优先使用以下结构:

题目定位

  • 来源:
  • 模块:
  • 核心知识:
  • 核心方法:

命题结构

  • 表层问法:
  • 隐藏结构:
  • 关键条件:
  • 突破口:

命题意图推断

  • 主要考查:
  • 包装目的:
  • 区分度所在:
  • 证据:

考生心理与错误地图

  • 第一处卡点:
  • 典型误区:
  • 错误类型:
  • 纠偏动作:

标准突破路径

给学生的三句话

  • 看到:
  • 想到:
  • 因为:

变式方向

Research Table

批量研究时使用统一字段:

年份|卷别|题号|知识点|核心方法|入口信号|关键条件|命题意图|典型错误|区分点|设问梯度|变式方向|同类题

Quality Rules

  • 区分“事实”“题面证据”“合理推断”。
  • 不把标准答案路径等同于唯一正确思路。
  • 不用“粗心”“没想到”作为错误原因的终点,要继续追问具体认知缺口。
  • 不为了展示技巧而优先使用偏门解法。
  • 不用少量真题直接宣称稳定命题规律。
  • 做跨年结论时,说明样本范围和例外。
  • 最终服务于学生能力迁移,而不是制造押题幻觉。