痛点 1：迷茫    → "我该学什么？85门课，从哪开始？"
痛点 2：孤独    → "没有人一起学，遇到问题没人问"
痛点 3：低效    → "看了视频觉得懂了，过一周全忘了"
痛点 4：断档    → "学了两天就断了，再也捡不起来"
痛点 5：空洞    → "学了理论，不知道能做什么项目"
痛点 6：焦虑    → "AI 发展太快，我是不是落后了？"

之前：  用户 → 找课程 → 离开（一次性）
之后：  用户 → 找课程 → 制定计划 → 每日学习 → 练习巩固 → 项目实战 → 持续回来（日常化）

Step 1: 你的目标是什么？
  ○ 成为 AI 工程师（偏应用）
  ○ 成为 AI 研究员（偏理论）
  ○ 了解 AI 基础（科普向）
  ○ 转行进入 AI 领域

Step 2: 你目前的水平？
  ○ 零基础（不懂编程）
  ○ 有编程基础（会 Python）
  ○ 有 ML 基础（学过一些课程）
  ○ 有经验（做过项目）

Step 3: 你每周能投入多少时间？
  ○ 2-5 小时（业余）
  ○ 5-10 小时（半职）
  ○ 10+ 小时（全职学习）

Step 4: 你最感兴趣的领域？（可多选）
  □ 自然语言处理  □ 计算机视觉  □ 大语言模型
  □ 强化学习      □ 机器人      □ AI 安全
  □ ...（13个领域全部展示）

┌─────────────────────────────────────────────┐
│  🚀 你的 AI 学习路径                         │
│                                             │
│  预计总时长：120 小时                         │
│  推荐顺序：4 个阶段，8 门课                   │
│                                             │
│  阶段 1：基础（~30h）                        │
│  ├── [1] Andrew Ng ML 专项课 ⭐             │
│  └── [2] Python 数据科学基础                  │
│                                             │
│  阶段 2：核心（~40h）                        │
│  ├── [3] CS231n 计算机视觉                   │
│  └── [4] CS224n 自然语言处理                  │
│                                             │
│  阶段 3：进阶（~30h）                        │
│  ├── [5] 大语言模型原理                      │
│  └── [6] 深度学习实践                        │
│                                             │
│  阶段 4：实战（~20h）                        │
│  ├── [7] Kaggle 竞赛入门                     │
│  └── [8] AI 项目部署                         │
│                                             │
│  [一键添加到我的学习计划]  [调整路径]          │
└─────────────────────────────────────────────┘

┌─────────────────────────────────────────────┐
│  📅 今日学习任务          6月10日 周二        │
│                                             │
│  今天的推荐学习（基于你的路径）：              │
│                                             │
│  ☐ 继续：CS224n Lecture 5（还剩 1.5 小时）   │
│  ☐ 复习：昨日 ML 笔记中的 3 个概念           │
│  ☐ 挑战：完成一道 NLP 练习题                 │
│                                             │
│  🔥 连续学习：3 天                            │
│  本周目标：5 小时（已完成 2/5）               │
│                                             │
│  [开始今日学习]                               │
└─────────────────────────────────────────────┘

┌─────────────────────────────────────────────┐
│  📊 学习日历                                  │
│                                             │
│  1月  2月  3月  4月  5月  6月                │
│  ░░░ ░░░ ░░░ ░░░ ░░░ ▓▓░░░░░░░░░░░░░░░    │
│      ░░▓ ░░░ ░▓▓ ░░░ ▓▓▓▓░░░░░░░░░░░░░    │
│  ░░░ ░░░ ░░░ ░░░ ░░░ ░░░░░░░░░░░░░░░░░    │
│                                             │
│  ░ = 无学习  ▓ = 有学习（颜色深浅=时长）      │
│                                             │
│  最长连续：12 天  本月学习：8 小时             │
└─────────────────────────────────────────────┘

┌─────────────────────────────────────────────┐
│  🧠 AI 知识库  >  机器学习  >  监督学习       │
│                                             │
│  📌 概念卡片：梯度下降                        │
│                                             │
│  一句话：通过沿着损失函数的负梯度方向           │
│         迭代更新参数来最小化损失的方法。         │
│                                             │
│  核心公式：                                   │
│  θ = θ - α · ∇J(θ)                          │
│                                             │
│  关键要点：                                   │
│  • α 是学习率，控制步长大小                    │
│  • 过大会震荡，过小会收敛慢                    │
│  • 变体：SGD、Adam、RMSProp                   │
│                                             │
│  相关概念：[学习率] [损失函数] [反向传播]       │
│  来源课程：Andrew Ng ML 专项课 Lecture 3       │
│                                             │
│  [✅ 我已掌握]  [🔄 需要复习]  [📝 添加笔记]   │
└─────────────────────────────────────────────┘

┌─────────────────────────────────────────────┐
│  📝 每日自测 — 机器学习（5 题）               │
│                                             │
│  Q1: 以下哪个不是梯度下降的变体？              │
│  ○ A. SGD        ○ B. Adam                   │
│  ○ C. Dropout    ○ D. RMSProp                │
│                                             │
│  [提交]  [跳过]                               │
│                                             │
│  进度：1/5  正确率：--                         │
└─────────────────────────────────────────────┘

┌─────────────────────────────────────────────┐
│  💻 练习：用 NumPy 实现梯度下降               │
│                                             │
│  难度：⭐⭐  领域：机器学习  预计：15 分钟     │
│                                             │
│  ┌─────────────────────────────────────┐    │
│  │ import numpy as np                   │    │
│  │                                      │    │
│  │ def gradient_descent(X, y, lr=0.01): │    │
│  │     # TODO: 实现梯度下降算法          │    │
│  │     # 1. 初始化权重                   │    │
│  │     # 2. 计算预测值                   │    │
│  │     # 3. 计算梯度                     │    │
│  │     # 4. 更新权重                     │    │
│  │     pass                             │    │
│  └─────────────────────────────────────┘    │
│                                             │
│  [运行]  [查看提示]  [查看答案]               │
│                                             │
│  输出：                                      │
│  > 运行结果将显示在这里                       │
└─────────────────────────────────────────────┘

                    ┌─────────┐
                    │  深度学习 │
                    └────┬────┘
                         │
          ┌──────────────┼──────────────┐
          │              │              │
    ┌─────┴─────┐  ┌────┴────┐  ┌─────┴─────┐
    │  计算机视觉 │  │   NLP   │  │  强化学习  │
    └─────┬─────┘  └────┬────┘  └─────┬─────┘
          │              │              │
    ┌─────┴─────┐  ┌────┴────┐  ┌─────┴─────┐
    │  目标检测  │  │  大模型  │  │  机器人控制 │
    └───────────┘  └─────────┘  └───────────┘

┌─────────────────────────────────────────────┐
│  🏆 我的成就                                  │
│                                             │
│  已解锁 3/20                                 │
│                                             │
│  🌟 初学者 — 完成第一门课程          ✅ 已解锁 │
│  🔥 连续学习者 — 连续 7 天学习       ✅ 已解锁 │
│  📚 求知者 — 收藏 10 门课程          ✅ 已解锁 │
│  🎯 专注者 — 连续 30 天学习          🔒 未解锁 │
│  🧠 博学者 — 完成 5 个领域           🔒 未解锁 │
│  ⏰ 学习达人 — 累计 100 小时         🔒 未解锁 │
│  💻 实战派 — 完成 10 个练习          🔒 未解锁 │
│  📝 笔记大师 — 写 50 条笔记          🔒 未解锁 │
│  🏅 全栈 AI — 完成所有领域各 1 门课   🔒 未解锁 │
│  ...                                        │
└─────────────────────────────────────────────┘

┌─────────────────────────────────────────────┐
│  🏅 本月学习排行榜                            │
│                                             │
│  排名  用户        学习时长   完成课程         │
│  🥇   User_A      45h       3              │
│  🥈   User_B      32h       2              │
│  🥉   User_C      28h       2              │
│  4    你          12h       1              │
│                                             │
│  [加入排行榜]（需设置昵称）                    │
└─────────────────────────────────────────────┘

localStorage
├── courseProgress: { url: progress }
├── favorites: [url, ...]
├── notes: { url: { text, timestamp } }
├── preferences: { theme, viewMode, ... }
├── searchHistory: [query, ...]
└── courseViews: { url: count }

localStorage
├── // 原有数据保持兼容
├── courseProgress, favorites, notes, preferences, searchHistory, courseViews
│
├── // 新增：学习路径
├── learningPaths: [{ id, name, steps: [{ courseId, status }], createdAt }]
│
├── // 新增：每日学习
├── learningLog: { "2026-06-10": { minutes, courses, completed } }
├── streak: { current, best, lastDate }
├── weeklyGoal: { target, current }
│
├── // 新增：自测系统
├── quizHistory: { quizId: { attempts, correct, lastAttempt } }
├── flashcards: { cardId: { easeFactor, interval, nextReview, status } }
│
├── // 新增：代码练习
├── codeExercises: { exerciseId: { code, passed, attempts } }
│
├── // 新增：成就系统
├── achievements: { achievementId: { unlockedAt, progress } }
│
└── // 新增：用户资料
└── userProfile: { nickname, avatar, joinDate, bio }

从"给你 85 门课的列表"
到"帮你从零到一学会 AI"