已发布版本：0.3.0 学生包，包含自适应学习画像、独立短测与连续 AI 答疑。自动校准已加入当前源码和本地学生包，将随下次发布提供。
一个在 WSL / Linux 真实终端中进行情境式实践的中文 Linux 入门 Lab。首次进入时，大模型先问你喜欢什么主题，再为固定的学习任务创作故事与对象名称；本地程序根据任务合同生成文件、组合题面，完成校验与语义复核后进入 Bash。题材可以自由描述，Linux 知识点和检查要求保持一致。
核心命令：cd mkdir ls cp mv rm tar cat tail vim top，另设完整的 chmod 权限关。预计 60～90 分钟，实际时长取决于终端基础；没有经过课堂计时或教学效果验证。
LinuxLab 根据测评表现更新学习画像，安排补学、复测或下一知识点。lab profile 展示 15 个知识点的掌握概率、系统状态、变式覆盖与下一步；lab next 根据先修、当前概率和覆盖情况安排学习。系统确认已掌握的知识点会跳过重复基础练习，新周目沿用同一学习画像。
lab profile 查看全部知识点画像
lab profile copy 查看完整复制与目标层级的依据
lab profile --metrics 查看本机预测与实际测评的统计
lab profile --calibration 查看系统自动调整学习判断的情况
lab next 开始系统推荐的短测，或得到针对性补学建议
lab assess copy 开始或恢复指定知识点的短测
lab assess show 重看短测要求与工作目录
lab assess submit [答案] 正式提交本次短测；需要答案时按题面填写
lab assess hint 查看提示，随后按训练处理
lab assess abandon 结束本次短测，保留记录
每个知识点提供三个结构变式。短测在独立目录中操作真实文件、回答现场问题；九关故事的文件和进度保留。一次短测只正式计分一次，查看题面、重复提交或重新启动不会反复提高概率。查提示或获得相关帮助后完成的任务计为训练，系统再安排独立变式确认。
确认规则是掌握概率至少 95%，独立通过至少两个结构变式，并由独立通过触发。默认参数下，连续三次独立通过不同结构的操作题，掌握概率由 30% 提高到 97.9%，系统显示“已掌握”。此时下一题预测通过率是 93.4%，两个概率分别展示。失败会更新画像并触发补学或复测，lab status、个人学习手册和报告同步给出当前结果。九关进度仍由原有关卡检查推进。
系统会根据后续测评自动调整判断：先用较早的记录拟合，再用后续记录检验，改进达到要求后启用；调整后的预测持续变差时，自动恢复上一版。运行 lab profile --calibration 查看进展，或加知识点标识查看该点的调整依据。历史作答、当时的预测和参数版本保留，95% 确认阈值与变式覆盖要求保持固定。
算法、题目合同、跨周目存储及自动校准说明见 掌握判定与自适应学习。开始学习时使用初始参数，之后按记录逐知识点校准。页面上的“已掌握”表示系统确认，与教师人工复核分别记录。
从 PLIAC 的 Linux 课程进入“LinuxLab · 九关实训”，创建周目并打开终端。
pliac_bridge.py --manifest <课程绑定文件> 校验冻结的任务契约后启动原有 Bash 实验。
课程按关卡和概念映射关联知识图谱，不修改九关要求、原生命令、逐级提示、AI 情景生成、恢复或判题。
默认离线主题可直接使用，也可选择已有本地模型配置支持的 AI 自选主题。
绑定周目单独保存于 Linux 的 ~/.local/share/pliac-linuxlab/<绑定编号>，普通启动仍使用原来的存档位置。
接入周目会将白名单检查事件、有限操作特征和输入问题计数写入绑定文件旁的本地 telemetry.json；
不复制参考状态、提交答案、原始 Shell 命令或配置密钥。主动 lab chat 的脱敏问答与待核验分析单独导出，标明学习者和助教来源。此本地交换通路不发起网络请求。
网页“同步记录与诊断”保存原始报告，并分别形成观察、知识关联、待验证原因和核验问题。
学习者解释单独提交；平台的原因诊断继续走原有复核流程，九关检查通过不会直接变为掌握。LinuxLab 的独立短测使用上面的系统确认规则，不冒充平台人工复核。
聊天中的原话也会成为待核验线索，关联现有图谱节点和求助前后的操作；AI 回复作为帮助背景展示。提问次数不算错误次数，复述讲解不自动证明独立理解。
草稿试跑不进入正式学习者记录；课程及任务契约变化时保留旧周目，不自动换绑。
lab tracking off 仍可关闭后续过程采集，已有记录与检查结果保留；同步失败不影响本地进度。
这不是远程终端或身份认证、防作弊系统，学习者仍在自己的真实 Linux 环境中操作。
开启过程记录时，lab notes <主题>、命令 --help、man 命令 和 Bash 的 help 命令
会保存有限的查阅信息（来源、主题、关卡和操作顺序），供已绑定的课程区分参考资料完成与自行完成。
lab help、笔记目录和全文浏览只作通用查阅记录；完成后的复盘不倒扣此前表现。
不采集帮助正文、完整命令或 Vim 内部按键；lab tracking off 同时关闭这些查阅记录。
查资料仍是正常的学习方式，记录不改变关卡判定和成绩规则。
**Windows 新用户：**完整解压学生 ZIP 包，先双击 安装环境.cmd。环境准备完成后，按下文配置本地 API，再双击 启动实验.cmd；离线开始请使用下文指定主题的启动命令。只检查、不安装可双击 检查环境.cmd。安装向导自动检查 WSL 发行版并补齐缺失软件；首次安装 WSL 可能需要管理员授权、重启和创建 Ubuntu 用户，按提示完成后再次运行即可。详见安装说明。
**已有 WSL/Linux：**进入自己的项目目录运行：
bash setup.sh --install
python3 linuxlab.py ai init
# 编辑生成的 ai.local.json，填写服务地址、密钥、模型并启用后再启动。
bash start.sh推荐 Ubuntu 22.04+ / Debian 12+；需要 Linux 中的 Python 3.9+、Bash、coreutils、tar、gzip、Vim 和 procps（top）。没有 pip/npm 依赖。安装缺失软件可能需要 sudo 和网络；进入练习后的 Linux 操作、本地提示和判题离线可用，不需要管理员权限。请使用自己的解压路径。
首次或新周目：先问兴趣，再生成情境。 默认 bash start.sh 在没有旧周目时调用本地配置的模型，显示一个兴趣问题；你回答主题后，模型为九项任务生成动机、进展与主题对象名称。本地程序编译实际文件名并检查结构，再通过独立请求复核语义；合格后冻结本局实例，建立文件并进入真实 Bash。失败时最多带诊断重新生成一次，仍不合格则中止，保留旧周目。已有周目直接续学，不重新提问，也不因启动续学发送模型请求。bash start.sh --new 会重新询问主题，旧周目保留。
先在程序目录创建本地 API 文件：WSL/Linux 用 python3 linuxlab.py ai init；Windows 可直接复制 ai.example.json 为 ai.local.json，不需要另装 Windows Python。打开该文件，填写 base_url、api_key、model 并设置 enabled: true，再启动实验。密钥留在本地文件，不填到命令行。未配置或模型请求失败时会说明原因，不把默认主题冒充为生成结果。详见配置说明。
需要离线开始时，显式指定本地主题：
bash start.sh --new --scene space
bash start.sh --new --scene ./my-scene.jsonspace、ocean、museum、anime 是四个离线示例，分别为失联空间站、深海观测站、数字档案馆和原创星绘学园，不是可生成题材的白名单。使用本地 JSON 时也不会请求模型。进入后直接输入 Linux 命令；第一关会告诉你第一步，输入 lab 重看当前故事、目标与实际文件路径。
使用范围：lab 及其子命令（包括 lab notes、lab tutor、lab notebook、lab review、lab profile、lab next、lab assess、lab tracking）由本平台实验终端提供，不是 Linux 通用命令；换到其他环境不能默认使用。
lab notes 保留为中文补充知识入口，解释命令名的英文来源、参数原词、用法和记忆联想。同时鼓励查阅工具自带的帮助，例如 cp --help、man cp，Bash 内置命令用 help cd，Vim 编辑器内用 :help。这些帮助入口取决于具体工具和环境；man 需要本机安装工具及对应手册页。
lab 当前任务
lab learn 本关命令速查
lab notes [命令] 学习命令名和常用参数；例如 lab notes ls
lab hint 逐级提示，最多三级，不扣分
lab check [答案] 检查成果；只有指定关卡需要答案
lab repair 备份现场，恢复到本关起点
lab tutor 针对当前问题逐级求助；--offline 使用本地讲解
lab chat 进入连续 AI 答疑；/exit 返回 Bash；/clear 开始新话题
lab notebook 查看个人学习手册
lab review 查看已遇到知识点的复习清单
lab profile [知识点] 查看跨周目学习画像；加 --json 输出结构化结果
lab next [知识点] 按画像安排下一项学习或独立短测
lab assess [知识点] 开始/恢复短测；submit 正式提交，show 重看，hint 提示
lab ai init 创建本地 API 配置文件，用于兴趣问询、情境生成与 AI 讲解
lab scene 查看情境与切换方式
exit 退出，下次启动继续
迷路时：cd "$(lab root)"。关卡中提到的路径都以这个站点根目录为基准。
启动会自动检查依赖。也可运行 bash setup.sh --check（缺 Python 时也能诊断）或 bash start.sh --doctor。安装入口在依赖齐全时不下载、不运行 apt；详见安装说明。
| 关卡 | 要解决的问题 | 主要操作 | 如何判定 |
|---|---|---|---|
| 01 路径与隐藏项 | 观察隐藏标记并准备资料目录 | cd、ls -a、mkdir -p | 当前目录、隐藏标记、工作目录 |
| 02 完整备份 | 保护原始记录 | cp -a | 原件和备份，包括隐藏文件与子目录 |
| 03 整理文件 | 移动改名，按名称规律批量清理 | mv、rm、* 通配符 |
完整清理目标，保留名称相似的正常文件 |
| 04 恢复资料 | 读取并恢复归档文件 | tar -t/-x、cat | 解包层级、内容、随机密封码 |
| 05 理解日志 | 辨认有效记录 | cat、tail -n | 识别最新有效消息 |
| 06 编辑配置 | 将已确认的信息写入配置 | vim | 四个字段、值、重复字段检查 |
| 07 权限与启动 | 配置访问权限并执行脚本 | chmod、ls -l、./脚本 | 真实 POSIX 权限与启动回执 |
| 08 辨认进程 | 识别本次实验的探针 | top；可练 tail -f | 本局活进程 PID 与启动身份 |
| 09 综合交付 | 整理新一轮资料并交付 | 前面命令的综合运用 | 归档内部路径、内容、权限与原件备份 |
上表是固定的教学任务，终端中的故事标题随主题变化。通关后显示本局交付包、LINUXLAB{...} 完成凭证和 report.json 的实际路径；每份存档中已生成的凭证不重新计算。新周目有不同的现场数据；不要把源码文档中的示例文件名当作所有主题都相同的名称。
本地任务合同定义九项任务的稳定标识、学习目标、知识点、可观测证据和依赖。模型只创作故事、12 类任务对象的语义名称与 ASCII 词干，以及对应任务的动机和进展。本地编译器据此产生 34 个文件与目录名称、材料和题面；文件拓扑、隐藏属性、扩展名、权限和判题要求由程序控制。
生成后先进行结构检查，再以另一次模型请求检查题材是否贴合、任务动机是否合理、有无新增要求。模型复核仍可能漏判，不能保证语义绝对正确。通过后保存完整实例、任务合同版本和哈希；续学读取已冻结的实例，不重新生成。模型质量、普通环境中的技能迁移和实际教学效果需分别验证，研究依据与本项目推论见设计说明。
为保持教学结构，根目录 station、隐藏标记 .beacon-*、清理模式 decoy-*.tmp、探针进程名 station-pulse 和配置字段保留。新生成实例的配置状态使用中性值 active、deliver；旧周目和旧离线情境继续兼容原有 rescue、evacuate，以本局任务显示的要求为准。
在实验里，lab scene --generate "你喜欢的任意主题" --output ./my-scene.json 可生成并导出场景包；不指定输出路径时程序显示自动保存的位置。生成通过结构检查与语义复核后才导出文件，不改当前周目。用 lab scene ./my-scene.json 或 lab scene museum 切换已有周目的完整叙事时，文件名与学习进度继续沿用；要使用新主题的配套文件名，应退出后在项目目录用 bash start.sh --new --scene 场景名或JSON文件 新建周目。
练习数据默认位于 WSL 的 ~/.local/share/orbit-lab/sessions/，源码可以留在 Windows 桌面。这样权限关使用 Linux 文件系统的真实权限，不受 /mnt/c 挂载选项影响。启动不会改动 .bashrc、安装软件或连接评分服务器。
命令入口为 linuxlab.py，内部引擎为 orbit.py；运行配置使用 ORBIT_* 环境变量，存档使用上述默认数据目录。已有脚本也可通过 orbit.py 入口运行。
这里使用普通 Bash，支持 Tab 补全、历史、Vim 和原生命令；不是隔离容器。请在本局目录里练习。后台探针仅在 lab load 时启动，低占用、最多运行 90 秒，通关或退出终端时清理。本关恢复会先把当前站点移到本局 recovery/，再复制检查点；按照屏幕提示重新 cd "$(lab root)" 即可。
report.json 记录检查结果、知识点诊断、具体输入问题、提示和复习记录，以及本地学习画像与下一步建议。learning-notebook.md 是随练习更新的个人学习手册。数据根目录中的 learner-profile.json 保存跨周目画像；短测现场位于各周目的 assessment-work/。实验终端保留内存中的上下键历史，不再新增磁盘原始命令历史；既有 history 文件不读取、不追加、不删除。
九关错误分别关联路径、隐藏项、复制、移动、通配符、归档、日志、配置、编辑、权限和进程等知识点，用于定位补学方向。掌握概率由独立短测与训练记录更新；普通九关检查、聊天或重复查阅不直接确认为掌握。lab hint、短测和实验判题离线可用。
联网入口包括新周目的兴趣问询、情境生成及独立语义复核，显式 lab scene --generate 的生成与复核，以及未加 --offline 的 lab tutor 和 lab chat。新周目默认开启有限的本地操作记录，入口显示范围，可用 lab tracking off 关闭；续学保留已关闭的选择。记录不会逐条自动上传，主动求助时才发送筛选后的学习摘要。求助失败时回到本地解释，情境生成失败时不创建替代周目。密钥文件不进入 Git 或学生包。
lab chat 复用已有 AI 配置，带上当前题面和相关概念，支持同关连续追问与退出后续聊。可以输入“这一关为什么同时要用 tar 和 cat？”，再问“那 cat 的 -n 是什么意思？”。输入 /exit 或按 Ctrl+C / Ctrl+D 返回 Bash，亲手执行操作。只查本地资料可用 lab chat --offline；该模式不具备模型对话能力。实际答疑会记录为三级求助，不作为作答或掌握证据；发送和保存范围见本地 AI 说明。
lab activity 和 lab notebook 可查看经过筛选的命令拼写、选项及实验内路径问题，区分失败输入次数、连续尝试段和候选修正后成功。相同现场与相同提交的连续 lab check 合并为同一诊断问题，不反复增加知识点关联失败。AI 诊断引用具体记录编号，并标为待验证解释；统计与模型推测均不等于知识掌握程度。具体范围见本地 AI 配置与学习记录。
- 学生手册：操作规则、常见问题、命令速查。
- 掌握判定与自适应学习：独立短测、概率算法、跨周目画像、选题和校准数据。
- Linux 命令参数笔记：命令名的英文来源，以及“参数、英文原词、作用说明、记忆联想”四列表；覆盖实验命令和常用拓展工具。实验内用
lab notes查目录、lab notes ls查单个命令；终端会排版标题和表格，窗口较窄时改为逐项说明，按需学习即可。 - 环境与安装：首次安装、双击入口、所需软件与故障处理。
- 学生版 AI 助教约定与使用说明：允许讲解和排错，学生自己操作与提交；发行包和练习目录的
AGENTS.md使用学生版规则。 - 设计与教师说明：视频分集映射、教学节奏、验收和局限。
- 来源核对：已核实的内容与尚未核实的范围。
- 验证记录：本机 WSL 的实际验证结果。
- Windows 学生版：
dist/linuxlab-student-windows.zip，解压后进入linuxlab文件夹，可双击安装/启动。 - Linux / WSL 学生版：
dist/linuxlab-student-linux-wsl.tar.gz，解压根目录同为linuxlab；两者均不含测试通关流程，按使用环境选一个即可。
dist/ 是本地生成目录，不随源码提交。维护者在完整源码仓库中进入 WSL/Linux，运行 python3 tools/package.py 构建以上学生包，再运行 python3 tools/verify_handout.py 验证；发布时把学生包上传为 GitHub Release 附件。普通学生无需执行构建命令。
源码采用单人维护流程：在 main 完成一个独立改动、验证后 commit，每轮工作结束 push；正式 Release 单独发布。学生存档与终端历史不进入 Git 仓库。
本项目借鉴 CS:APP Bomb Lab 的分阶段挑战、Shell Lab 的由简到繁验证，以及 CMU Linux Bootcamp 的目录探索任务。剧情、程序、关卡与文案为本项目原创实现；不使用 CS:APP 的受限教师代码或题解。