笔记
0工具
0此页用于记录用户反馈问题后的每一次改进
关于
“写笔记”支持四种格式——Word 文档、Excel 表格、Markdown、纯文本，起稿或二次编辑时都能随时切换，同一篇笔记想用哪种形态来记，都由你说了算。
md、txt、csv、json 这类纯文本则原样载入，不做多余加工。拿一张现成的表倒进来、改几笔、再导出去，等于白用一台免费的格式转换器。
要带走就在右上角点“下载”，可导出 PDF、Word、Markdown、Excel、TXT 等格式；列表卡片“⋯”菜单里，也有同样的下载入口。
在“工具”页点“＋ 上传工具”即可发布：填好名称与链接，再用 Markdown 把使用方法写清楚——能解决什么问题、怎么装、怎么用，比堆介绍实在。
要分发安装包就一并上传压缩包（ZIP、RAR、7Z、TAR.GZ，最大 35MB），别人在详情页一键下载；只放链接不带附件也可以。
工具按大家的收藏热度排序，好用的自然会被顶上来。发布后可在详情页或卡片菜单里编辑、下架。
写笔记时勾上“隐藏”，这篇就只存在于你自己的账号里：不进列表、不进搜索、不上首页精选，也不会出现在任何公开的页面，链接发给别人同样打不开。
适合放密码、草稿、日记这类只给自己看的内容；想公开，去“发布”打开它，把“隐藏”的勾去掉再保存，之后编辑会默认保持原状态，不会悄悄变回公开。
不想公开、只想临时给人看：点“分享”生成一条带密码和有效期的链接，到期自动失效，你也能随时撤销。
你的内容会同时保存在多个副本上，系统定期做备份与完整性校验，再配合异地容灾机制：就算某台机器出问题，数据也不会丢，可以长期放心存放；特别重要的资料，仍建议你另外再留一份备份。
全站跑在容器化、模块化的现代架构上，更新、部署、回滚都很快，扩展性和稳定性都按长期运营的标准来设计（Built for reliability, designed to scale）。
这个网站最早只是一个人的笔记仓库，后来慢慢长成现在的知识中枢。设计上很克制——没有广告、没有追踪、没有推荐算法，只是干干净净地存放一些东西；既然做好了，就公开出来，万一有人用得上呢。
不做大而全，不做平台梦，保持简单、保持克制、保持好奇。所有内容都由用户贡献、由用户维护：不会突然冒出付费墙，不会在角落塞广告位，也不会把你的数据卖给第三方。
产品会持续迭代，站内日志页记录着每一次改动，改了什么都有迹可循；想了解这个站是怎么一步步走到今天的，翻翻日志就能看到来龙去脉。
如果在这里看到涉嫌违规的内容，点对应卡片右侧的“举报”按钮就能提交，我们会尽快核实处理；也谢谢你花一点时间，一起把这里维护干净。
趋势
Amos 的 AI 学习系统：一个用 TypeScript 构建的个性化知识管理引擎
一个基于 TypeScript 的 AI 学习系统，用于构建个人知识图谱与自适应学习路径。
项目定位与背景
在信息爆炸的时代，我们每天接触海量知识，但传统的笔记工具（如 Notion、Obsidian）只能被动存储信息，无法主动理解内容之间的关联，更无法根据我们的掌握程度动态调整学习计划。amosblomqvist/learn 正是为解决这一痛点而生——它不是又一个笔记应用，而是一个AI 驱动的个人学习系统。项目作者 Amos Blomqvist 将其定义为 "My AI learning system"，意在通过大语言模型（LLM）的能力，将碎片化输入转化为结构化知识，并生成个性化的复习与学习路径。
该项目用 TypeScript 编写，目前已在 GitHub 上获得 673 颗星，虽然规模不大，但设计思路极具前瞻性。它更像是一个“学习操作系统”的原型，展示了如何将 AI 嵌入到知识管理的底层逻辑中。
核心痛点与解决方案
痛点一：知识碎片化，缺乏关联
传统笔记工具中，每篇笔记是孤立的。即使我们使用双链笔记，也需要手动创建链接，且无法自动发现概念间的潜在关系。learn 利用 LLM 的语义理解能力，自动分析笔记内容，提取关键概念，并建立概念之间的关联图。例如，当你记录“贝叶斯定理”和“垃圾邮件过滤”时，系统会自动识别两者之间的应用关系，并建议你创建一条链接。
痛点二：学习缺乏反馈，遗忘曲线被忽视
我们常常“学完就忘”，因为缺乏间隔重复（Spaced Repetition）机制。learn 内置了基于艾宾浩斯遗忘曲线的复习调度器。每次你与系统交互（如回答问题、做练习），系统会评估你的掌握程度，并智能安排下一次复习时间。这类似于 Anki 的算法，但更智能——它通过 AI 生成测试题，而不是简单的卡片翻转。
痛点三：学习路径僵化，无法适应个人进度
传统课程有固定的学习顺序，但每个人的基础不同。learn 会根据你的知识图谱和掌握情况，动态生成学习路径。例如，如果你已经熟悉 Python 基础，系统会跳过入门内容，直接推荐你学习装饰器或异步编程。这种自适应学习在 MOOC 平台中虽有尝试，但 learn 将其从“课程级别”细化到“概念级别”。
安装与快速上手
环境要求
- Node.js 18+（建议 20 LTS）
- pnpm（或 npm/yarn）
- 一个 OpenAI API Key（或兼容的 LLM API）
安装步骤
bash
克隆仓库
git clone https://github.com/amosblomqvist/learn.git
cd learn
安装依赖
pnpm install
配置环境变量
cp .env.example .env
编辑 .env，填入 OPENAI_API_KEY 等配置
启动开发服务器
pnpm dev
基本使用示例
假设你想学习“量子计算”这一主题。你可以通过 CLI 或 Web UI 创建一个新的学习项目：
bash
通过 CLI 创建学习项目
pnpm learn new "量子计算基础"
添加学习资源（可以是 URL、本地文件或纯文本）
pnpm learn add "https://en.wikipedia.org/wiki/Quantum_computing"
让 AI 分析该资源并生成知识卡片
pnpm learn analyze --deep
开始一个学习会话（AI 会提问并评估你的掌握度）
pnpm learn study --session 30
在 Web UI 中，你会看到一个知识图谱，每个节点代表一个概念，连线代表关系。点击节点可以查看详细笔记、相关资源以及 AI 生成的测试题。
代码示例：自定义学习插件
项目提供了插件 API，你可以用 TypeScript 编写自己的学习模块。例如，创建一个“错题分析”插件：
typescript
// plugins/wrong-answer-analysis.ts
import { Plugin, LearningContext } from 'learn-core';
export const wrongAnswerAnalysis: Plugin = {
name: 'wrong-answer-analysis',
async onAnswer(context: LearningContext, answer: string) {
const correct = await context.evaluateAnswer(answer);
if (!correct) {
const concept = context.currentConcept;
await context.recordWeakness(concept);
await context.suggestReview(concept, { priority: 'high' });
}
}
};
然后注册该插件：
typescript
import { registerPlugin } from 'learn-core';
import { wrongAnswerAnalysis } from './plugins/wrong-answer-analysis';
registerPlugin(wrongAnswerAnalysis);
核心亮点深度解析
1. 知识图谱引擎
learn 使用图数据库（默认支持 Neo4j 或 SQLite 图扩展）存储概念节点和关系。每个节点包含：
- 内容：笔记、摘要、原始资源链接
- 语义嵌入：通过 LLM 生成的向量，用于相似度计算
- 掌握度：0-1 之间的值，表示你对这个概念的熟练程度
- 复习历史：每次复习的时间和结果
关系类型包括：requires（前置知识）、relates_to（相关）、application（应用）、contradicts（矛盾）等。AI 会自动创建这些关系，但你可以手动修正。
2. 自适应学习算法
系统采用一种类似强化学习的方法：它根据你的历史表现（答题正确率、反应时间、主动跳过等）调整学习路径。具体来说，它维护一个“概念价值函数”，用于决定下一个推荐学习哪个概念。价值函数考虑：
- 该概念在知识图谱中的中心度（越核心越重要）
- 你对它的掌握度（越低越优先）
- 它与当前学习目标的关联度
3. AI 生成学习材料
除了分析你提供的资源，learn 还能主动生成：
- 测试题：根据概念生成选择题、填空题、简答题，难度自适应
- 解释：用不同的比喻或角度解释同一个概念，直到你理解
- 总结：将长文本压缩为关键点，并插入到知识图谱中
4. 多模态输入支持
项目支持从 PDF、网页、YouTube 视频（通过转录）甚至音频文件（通过语音识别）提取知识。这使得学习资源可以来自任何地方。
适用场景
- 终身学习者：想要系统化学习多个领域，并保持长期记忆
- 程序员：学习新技术栈时，需要快速构建知识框架
- 学生：备考时，需要自适应复习计划
- 研究人员：整理文献，并发现跨领域关联
- 知识管理爱好者：对传统笔记工具感到不满，希望更智能的解决方案
同类项目对比
| 项目 | 定位 | 核心优势 | 不足 |
|---|---|---|---|
| learn | AI 学习系统 | 真正的自适应路径、知识图谱、插件化 | 开发早期，文档不完善，依赖 LLM API |
| Anki | 间隔重复记忆 | 算法成熟、社区卡片库庞大 | 无 AI 理解，卡片创建繁琐，无知识关联 |
| Notion AI | 笔记增强 | 集成在笔记中，易用 | 无学习路径，无图谱，AI 功能是附加而非核心 |
| RemNote | 学习型笔记 | 内置 PDF 标注和卡片 | 图谱功能弱，AI 生成有限，非开源 |
| Memrise | 语言学习 | 用户生成课程，游戏化 | 仅限语言，无通用知识图谱 |
learn 的独特之处在于它将 AI 作为“认知副驾驶”，而不是简单的搜索或生成工具。它主动参与你的学习过程，而不是被动响应你的请求。
技术架构与扩展性
项目采用模块化设计：
learn-core：核心逻辑，包括知识图谱、学习算法、插件系统learn-cli：命令行界面learn-web：Web 界面（React + Tailwind）learn-llm：LLM 适配器（支持 OpenAI、Anthropic、本地模型）
你可以通过贡献新的 LLM 适配器来支持更多模型，或者通过插件扩展学习策略。对于开发者来说，这是一个极好的学习项目，展示了如何将现代 AI 与传统学习理论结合。
项目成熟度与社区
目前项目处于 alpha 阶段，API 可能变动。但作者积极维护，issue 响应迅速。社区虽小，但讨论质量高，很多用户贡献了插件和翻译。如果你喜欢这个理念，可以参与贡献代码或提出建议。
总结
amosblomqvist/learn 不是一个简单的工具，而是一种学习理念的实践。它试图回答一个问题：如何让 AI 成为我们大脑的延伸，而不是另一个信息源。虽然它还不完美，但它的方向是正确的。对于热爱学习且愿意折腾的极客来说，这个项目值得一试。