少壮不努力，老大徒伤悲。——《汉乐府・长歌行》

把「孩子学会了什么」画成一张会生长的地图

一张会呼吸的星图

想象这样一个画面：整个小学阶段所有能被称为「一个知识点」的东西，被拆成一千多颗小星星，铺在一块黑色的画布上。星星按学科上色，高度代表年龄——越小的孩子站得越低，越大的孩子站得越高；星与星之间有线，线不是装饰，是「必须先懂这个，才能懂那个」。

这不是比喻，这是一份开源数据集自带的视觉说明。它叫 Marble Skill Taxonomy，一个开放的、结构化的分类体系，描述的是孩子们在小学阶段究竟学到了什么。它把这些内容拆成细颗粒的「微主题」，串成一张前序依赖图，再对齐到各国的国家课程标准。

更关键的是它的姿态：不是一个被锁在产品里的黑箱，而是一份可以直接下载、直接解析、直接拿去做东西的纯数据。

项目地址：https://github.com/withmarbleapp/os-taxonomy

先说结论式的自我介绍

这份数据的自我定位很短，但每个词都有分量：开放的、结构化的、「孩子学什么」的分类体系，覆盖小学阶段，拆成微主题，接上依赖图，对齐课标。

它出现的原因也很直接：市面上大多数课程数据，要么是一张扁平的课标清单，要么被牢牢锁在某个产品内部，只能看、不能算、更不能改。这份数据集想做的，是把「学习」本身变成一个可计算的连通图。

一句话概括它的差异：别人给的是一份目录，它给的是一张路网。

四个数字，先把骨架立住

维度	数值
版本	`v1`
微主题	1,591
前序依赖边	3,225
学科	8

1,591 个节点，3,225 条边，8 个学科。平均下来每个节点身上挂着两条左右的依赖关系——这个密度说明它不是稀疏地摆几个概念，而是真的把知识之间「谁先谁后」的纹理织了出来。

八个学科的分布也很有意思：

学科	微主题数
Science	547
Mathematics	504
English	286
History	90
Personal & Social Development	88
Life Skills	37
Computing	21
Learning to Learn	18

把这一列数字加起来：547 + 504 + 286 + 90 + 88 + 37 + 21 + 18 = 1,591，正好等于总数。也就是说，这八个学科是穷尽且不重叠的划分，没有漏掉的边角料。

值得一提的是，这份清单里不只有数学和科学。History、Personal & Social Development、Life Skills、Computing、Learning to Learn 都在——「学会怎么学习」本身被当成一个学科，给了 18 个微主题。这个选择挺诚实地承认了一件事：小孩子在学校里学到的东西，从来不只在课本上。

微主题：把「学会」切成一口一块

一千多个微主题是什么概念？文档里举了两个例子，一个软、一个硬：

Building sentences——把句子搭起来
Apparent brightness of stars——恒星的视亮度

一个是四五岁孩子在语言里摸索的第一次完整表达，一个是天文学里关于恒星看起来有多亮的认知门槛。它们被放在同一套结构里，用同一组字段描述。

每个微主题包含六类信息：

一句人话的描述——这个概念到底在说什么，用平实的语言讲清。
掌握证据——不是「学会了」这种模糊判断，而是可以观察到的具体表现。
类型——conceptual、procedural、representational、language、meta 五类之一。概念性的、程序性的、表征性的、语言性的、元认知性的，五种不同的「懂」。
学科 + 领域——它属于哪一科，以及科内的哪个领域。
大致年龄区间——这个概念通常在什么年纪出现。
课标出处——它从哪些标准里被蒸馏出来。

这里面最见功力的是第二项，「掌握证据」。文档给出的示例是这样一个微主题：Building sentences，四到六岁，领域是 Grammar & Punctuation，证据写成两条——能分辨完整句子和句子碎片；能造出一个带主语和动词的完整句。

你看，这就不是「理解句子」这种无法验证的表述了。它把「懂」翻译成了两个能当场看见的动作。分类体系最怕的就是含糊，而含糊恰恰是从「掌握」这个词开始的。这份数据在这一步上选择了具体。

它还附了一个 assessmentPrompt，一段自然语言的检测问法，大意是：如果孩子说出「The dog」这样的片段，孩子自己能不能说出这不是一个完整的句子。这段文字里带一个 {{name}} 占位符，代表孩子的名字——用之前替换掉或者删掉。

这个细节很轻，但透露出设计者的取向：这份数据是准备被真正拿去跟孩子对话的，不是只放在论文里被引用的。

依赖边：知识不是清单，是河道

3,225 条边，构成了一个有向无环图。每条边的语义只有一个方向：主题 X 依赖于前序 Y。

它不是「相关」，不是「同类」，而是硬邦邦的先后。而且每条边都带两个额外属性：

强度：hard 或 soft。有些依赖是缺了就过不去的门槛，有些只是顺畅与否的差别。
理由：一句话说明为什么。文档给的例子是——「必须先理解振动产生声音，才能发现音量变化的规律」。

一句话的理由，看起来是最不值钱的字段，其实是最值钱的。因为它把「为什么这条线存在」这个判断暴露在阳光下，可以被质疑、被反驳、被修正。一张只有连线没有理由的图，你只能信或者不信；一张每条线都写着理由的图，你可以跟它辩论。

README 还顺手提了一个使用视角的转换：把边反过来读，topicId 依赖 prerequisiteId 就变成了「prerequisiteId 解锁了 topicId」。同一个数据结构，正向是学习者要补的债，反向是教学者能给的钥匙。

这也是那张星图真正好玩的地方：点住任何一个概念，可以一路往回追，把它之前必须掌握的东西全部拉出来。对家长来说，这是一条「我孩子卡在这里，那前面是哪一步没踩稳」的追溯路径；对做教育产品的人来说，这是一套现成的技能树。

课标对齐：每颗星都有来处

一份分类体系最容易被追问的问题是：这些概念是你自己编的吗？

这里的回答是，每个微主题都链回它被蒸馏出来的课程标准。文档点名了几个课程体系：NGSS、Common Core、英国国家课程标准，以及更多。这些标准不内嵌在主题里，而是单独存放在 curriculum-standards.json，按课程体系分组；主题里的 standards 字段存的是键，格式是 <curriculum-slug>:<code>。

这个设计很务实。标准会改版，课程体系会更新，把标准和主题分成两张表、用键连接，改一层不会震塌另一层。而主题里那个示例的 standards 数组长这样：ccss-ela:L.K.1f 和 uk-nc-2013:Eng.App2.Y1.Sent.1——同一个「搭句子」，同时挂在美式共同核心和英国国家课程两套体系上。

交叉对齐的价值就在这儿：它不是某国课标的电子版，而是一层中间语言。不同国家的标准在这层语言里说的是同一件事。

教学研究：从「学什么」走到「怎么教」

如果只有节点和边，这份数据回答的是「学什么」和「先学什么」。但它还带了第三层——1,051 条教学研究记录，覆盖当前的 Science 和 Mathematics 主题，内容包括教学方法、具体的学习活动、反馈方式、评估指导，以及关联的来源。

这里的数字咬得很紧：Science 547 加 Mathematics 504，正好 1,051，与记录数完全对上；1,591 减去 1,051，剩下 540 个主题在本版本里没有研究内容。

而这份数据对「没有」这件事的处理方式，比「有」更值得看。

它没有假装全覆盖。coverage.missingTopicIds 明确列出哪些主题缺研究，每个学科的记录数也一并给出。文档还专门补了一句：缺失并不构成对「这个主题能不能教」的判断。

这句话很重要。一份数据集愿意承认自己的边界，比它宣称自己完整要可信得多。

领域速写：写给家长的那段话

在节点、边、研究之外，还有一类很不一样的内容：176 段写给家长看的一段话，按「学科 + 领域 + 年龄段」组织，用平实的语言概括这个领域在这个阶段大概是什么样。

1,591 个微主题是给工程师和课程设计者用的，颗粒度细到可以计算；176 段领域速写是给家长用的，颗粒度粗到可以读完。同一份数据里同时容纳两种密度，说明它想服务的对象不止一类人。

这也是这份数据集少见的地方：它不假设读者一定是开发者。

仓库长什么样

数据全部放在 data/ 下，UTF-8 编码的 JSON。schema/ 里是 JSON Schema，data/manifest.json 里是各项计数和 SHA-256 校验和。

文件	装的是什么
`data/topics.json`	微主题，也就是图的节点
`data/dependencies.json`	前序依赖，也就是图的边，语义是 `topicId` 依赖 `prerequisiteId`
`data/curriculum-standards.json`	原始课程标准，按课程体系分组
`data/clusters.json`	面向家长的领域摘要
`data/teaching-research.json`	按 `topicId` 连接的教学研究，带明确的覆盖说明与出版说明，约 24 MB
`data/manifest.json`	计数、分学科明细、逐文件校验和

一个很清醒的工程决定是：只有数据，没有运行时，没有依赖。没有 SDK 要装，没有服务要起，没有版本要锁。把 JSON 读进来，就可以开始算。

一颗节点、一条边，长什么样

一个微主题：

{
  "id": "mt_N8CpN1EJrP",
  "type": "CONCEPTUAL",
  "subject": "English",
  "domain": "Grammar & Punctuation",
  "name": "Building sentences",
  "description": "Understand that words combine to make sentences — a sentence expresses a complete thought…",
  "ageRangeStart": 4,
  "ageRangeEnd": 6,
  "centrality": 0.257,
  "evidence": [
    "Distinguish between complete sentences and fragments",
    "Compose a complete sentence with a subject and verb"
  ],
  "assessmentPrompt": "If {{name}} says something like \"The dog\", can they tell you that's not a complete sentence…?",
  "standards": ["ccss-ela:L.K.1f", "uk-nc-2013:Eng.App2.Y1.Sent.1"]
}

id 是稳定标识，前缀 mt_，依赖表和邻居引用都靠它对齐。这一点看着平常，其实是整份数据能不能被长期依赖的分水岭——名字会改，描述会改，ID 不能改。

一条依赖：

1 2	{ "topicId": "mt__00ZSLnB7p", "prerequisiteId": "mt_VBl1T1sFCM", "strength": "hard", "reason": "Must understand vibrations make sound before finding volume patterns" }

两行，三个字段，加一句理由。整张图的 3,225 条边，全是这个形状。

教学研究那一层，讲究到什么程度

这一层值得单独拉出来讲，因为它展示了「诚实」在数据工程里可以做到多细。

覆盖是显式的。 文件带 schemaVersion: 1 和分类体系版本 v1，每条 records[] 通过 topicId 与 topics.json 连接。哪些主题有研究、哪些没有，写在数据里，不靠读者猜。

字段分工清楚。 一条记录包含：

字段	含义
`pedagogy`	原始教学摘要：教学实践、表征方式、常见误解
`learn`	可移植的学习指引，`schemaVersion: 2`，含摘要、活动、教育约束与审阅说明
`learn.activities[]`	学习者动作、预期洞察、反馈、理由，以及支撑的来源论断。不含产品物料类型，也不含适配度排序
`assess`	原始诊断任务、作答层级、错误模式与下一步教学动作；在公开接口里可为空
`sources`	论断、具名来源、可选链接，以及原作者的核验标记
`confidence`	原始撰写时的置信度，不是一个独立的质量评分
`provenance`	原始撰写模型与来源记录时间戳；更新时间戳也反映了学习指引的重写
`publicationNotes`	因「只保留课标编号」的出版策略而被省略文本的路径与课标代码

作者身份是坦白的。 这些记录由智能体撰写。学习指引为可移植性重写过，由一个独立的事实批评者核查，再由第二个智能体抽样复查。大部分原始教学与评估内容被保留下来，其中可能有被更新后的指引所限定的说法；#30 之后的图表相关对齐修补，记录在受影响的学习指引审阅说明里，读的时候要连同约束和审阅说明一起读。

核验状态没有被美化。 本版本没有重新抓取或重新核验来源。历史上的 verified: true 和 confidence: "high"，不是新的证据评级。活动是有研究依据的提案，不是经过实证验证的干预。

这些话放在任何一份数据集里都算得上逆耳，但它们是这份数据最可信的部分。它明确告诉你：这里的每一条建议，边界在哪里。

引用是精确对齐的。 sourceClaims 与 sources[].claim 在出版变换之后完全一致。一个来源可能支撑的是一条普遍原理或一次课标对齐，这并不意味着所提议的活动被测试过；有些活动没有直接关联的来源论断。

受限文本做了机械替换。 部分原始研究引用了有使用限制的课程标准。匹配到的段落被替换为行内课标引用，引用论断内部也一并替换；所有被变换的路径都列在 publicationNotes 里。文档把这步的性质说得很清楚：一次保守的机械省略，不是完整的权利清理。

拆分是可追溯的。 一次编号为 #30 的改动把图表相关内容拆开之后，mt_bESTSBB0wK 管饼图，mt_H6LlpWgEYS 管更早的折线图解题，mt_HlNSurPVDp 单独持有「作图与读图」的记录。新记录改编自既有的图表研究，不是一次新的文献综述，所有复用的来源核验标记都是 false。它的评估要求交出一张完整构造出来的图；后续的分组图表评估，则把「选错图型」的错误导向数据呈现，把「扇形角度算错」的错误导向饼图。

绑定是字节级的。 这份研究文件通过 topicFileSha256 与 topics.json 的精确字节绑定。只要主题文件变了，就要重新生成研究投影——哪怕主题 ID 一个都没动。

最后这一条是整套设计里最硬的一颗螺丝。ID 稳定不代表内容稳定，描述改一个字，研究记录与该主题的对应关系就可能悄悄错位。用哈希把两份文件钉在一起，是为了让这种错位没法发生在无人察觉的地方。

上手：读进来就能算

纯数据的好处是，第一行代码几乎就是最后一行。

import topics from './data/topics.json' with { type: 'json' };
import deps from './data/dependencies.json' with { type: 'json' };

const byId = new Map(topics.topics.map(t => [t.id, t]));
const prereqs = deps.dependencies
  .filter(d => d.topicId === 'mt_N8CpN1EJrP')
  .map(d => byId.get(d.prerequisiteId).name);

几行代码，就把「搭句子」这个主题的所有直接前序，换成了人能读的名字。

再往上一层，把教学指引接进来：

import research from './data/teaching-research.json' with { type: 'json' };

const guidanceByTopic = new Map(research.records.map(r => [r.topicId, r]));
const guidance = guidanceByTopic.get('mt_N8CpN1EJrP'); // undefined: English is not covered yet
const activities = guidance?.learn.activities ?? [];

这段代码本身就是一份文档。它取的例子恰好是一个查不到的主题——English 还不在研究覆盖范围里，于是注释里直接写着 undefined，把原因交代清楚。示例没有绕开这个空洞，而是把它留在原地。

愿意在示例里展示失败路径的数据集，通常对自己的边界心里有数。

结构、研究覆盖、证据链接、校验和，都能验：

1 2	node scripts/validate.mjs node --test scripts/teaching-research.test.mjs

许可：两层授权，和一条关于商用的解释

这份数据是多层授权的，README 用了一句很直白的提醒：用之前、转发之前，先读这一段。

层	内容	许可
数据库	集合、结构、ID、主题与主题、主题与课标之间的关系	ODbL 1.0——研究与商用都免费，需要署名，需要同样方式共享
Marble 撰写的文本	主题的 `description`、`name`、`evidence`、`assessmentPrompt`，依赖的 `reason`，领域摘要，以及原创的教学研究文字	CC BY-SA 4.0——同样的精神：署名 + 同样方式共享
`curriculum-standards.json`	从第三方框架中提取	不属于 Marble 可再授权的范围，每个来源各归其上游许可

最容易被误读的是 ODbL 那一栏。「同样方式共享」听起来像是要求你把整个产品开源，但 README 专门解释了这个区别：

ODbL 区分衍生数据库和产出作品。扩展或修改这套分类体系本身，那是一份衍生数据库，必须继续开放；把它用在一个产品、模型或应用里面，那是产出作品，仍然归你。所以完全可以在这份数据上做一个商业产品，而不必开源自己的产品——你欠的只是把对分类体系本身的改进回馈出来。

这个区分不是文字游戏，它是开放数据能不能真正被产业用起来的关键阀门。阀门关得太死，只有学术圈会用；完全不设阀门，数据会被搬走后再也不回来。ODbL 这条线画在了中间。

署名需要包含四样东西：数据集名称与版本 Marble Skill Taxonomy v1、版权方 Generative Spark, Inc. 也就是 Marble、数据库层采用 ODbL 1.0、内容层采用 CC BY-SA 4.0。

如果你用到了课标，还要一并附上 PROVENANCE.md 里的上游声明。正式引用格式在 CITATION.cff 里。

刻意不放进来的东西

一份数据集的品味，往往体现在它拒绝放进去什么。

这一版明确排除了两类内容：

语义向量。 它是派生的、可以重算的，所以不放进仓库。这个决定省掉了一堆派生产物，也省掉了「你算的向量和我算的不一样」这类没完没了的兼容问题。想要就自己算，反正原料都在。

任何与单个孩子相关的数据。 这一类是「永不发布」，不是「暂不发布」。一份关于儿童学习的数据集，这条线不用讨论。

变更历史在 CHANGELOG.md 里。

最后

回到那张星图。

一千五百多颗星，三千多条线，八个学科，每个概念都带着一句人话的解释、一组能看见的证据、一段能问出口的检测语，以及它从哪一份课标里来。有些概念后面还接着教学研究，告诉你可能怎么教、孩子可能怎么错、错了以后下一步往哪走。

把这些东西放在一起，它做的事其实很朴素：把「学会」这个模糊的词，拆成了一张可以走、可以查、可以辩论的地图。

地图不是路。但有了地图，至少不会有人在河边站了很久，还以为自己只是不够聪明。