learn：一个自托管的AI学习系统，把知识碎片变成结构化记忆
> 一个用TypeScript构建的自托管AI学习系统，帮你把碎片信息转化为可检索、可复习的结构化知识库。
## 痛点：信息过载时代，我们为什么需要一套“学习系统”？
我们每天接触的信息量远超大脑能处理的极限：RSS订阅、Twitter线程、论文摘要、YouTube字幕、播客笔记、AI对话输出……传统笔记软件（如Notion、Obsidian）提供了存储空间，但缺乏**主动的、基于间隔重复（Spaced Repetition）的复习机制**；而Anki这类记忆卡片工具又太机械，无法自动从日常信息流中生成卡片。
更糟糕的是，大模型（LLM）的回答往往是“一次性”的——你问完就忘了，下次遇到类似问题还得重新问。**learn** 试图解决这个问题：它不是一个聊天机器人，而是一个**个人AI知识管道**——你喂给它原始材料（文本、链接、甚至AI对话），它自动提取关键概念、生成问答对，并按照遗忘曲线安排复习。
## 项目概览
**learn** 是开发者 Amos Blomqvist 的个人AI学习系统，用TypeScript编写，目前GitHub上已有676颗星。它不是一个开箱即用的SaaS，而是一个**自托管（self-hosted）的、可扩展的学习基础设施**。核心思路是：
> 把“学习”拆解为四个阶段：**采集（Ingest）→ 理解（Comprehend）→ 记忆（Memorize）→ 复习（Review）**，并用AI（目前支持OpenAI兼容API）自动完成中间两个阶段。
## 快速上手：安装与配置
### 环境要求
- Node.js 18+（推荐20+）
- 一个OpenAI API密钥（或任何兼容OpenAI的API端点，如本地Ollama）
- PostgreSQL数据库（用于存储卡片和学习记录）
### 安装步骤
bash
# 克隆仓库
git clone https://github.com/amosblomqvist/learn.git
cd learn
# 安装依赖
npm install
# 配置环境变量
cp .env.example .env
# 编辑 .env，填入你的DATABASE_URL和OPENAI_API_KEY
# 初始化数据库
npx prisma migrate dev
# 启动服务
npm run dev
默认运行在 `http://localhost:3000`。
### 基本使用流程
**第一步：添加学习材料**。你可以通过API或Web界面提交任意文本内容，例如一段关于“量子纠缠”的维基百科摘要：
bash
curl -X POST http://localhost:3000/api/ingest \
-H "Content-Type: application/json" \
-d '{
"content": "量子纠缠是量子力学中的一种现象，两个粒子在相互作用后，无论距离多远，对其中一个粒子的测量会瞬间影响另一个粒子的状态。",
"source": "wikipedia-quantum-entanglement",
"tags": ["physics", "quantum"]
}'
**第二步：AI自动生成学习卡片**。系统调用LLM，将这段文本拆解为：
- **概念卡**：什么是量子纠缠？→ 答案：两个粒子在相互作用后，测量一个会瞬间影响另一个的状态。
- **对比卡**：量子纠缠 vs 经典相关性 → 区别在于非局域性。
- **应用卡**：量子纠缠在哪些领域有应用？→ 量子密钥分发、量子计算。
这些卡片被存入PostgreSQL，并带有遗忘曲线参数（初始间隔1天、3天、7天……）。
**第三步：每日复习**。运行内置复习命令：
bash
npm run review
它会按优先级列出今天到期的卡片，你回答后系统根据“记得/模糊/忘记”更新间隔。
## 核心亮点深度解析
### 1. 真正的“AI原生”学习管道，而非简单添加AI按钮
很多笔记工具声称“AI增强”，但learn的架构是**从底层为AI设计**的：
- **自动分解**：LLM不仅提取要点，还会生成多类型卡片（概念、因果、类比、步骤、批判性思考），覆盖布鲁姆认知层级。
- **上下文关联**：每张卡片保留原始来源（source字段），复习时点击可跳回原文，避免“孤立记忆”。
- **可插拔模型**：通过环境变量 `OPENAI_API_BASE` 可以指向本地Ollama、LM Studio等，完全离线运行，保护隐私。
### 2. 间隔重复算法（SM-2变体）
learn没有重新发明轮子，而是基于SuperMemo的SM-2算法实现，但做了关键改进：
- **多因子难度调整**：除了回答正确率，还考虑卡片类型（概念卡比名词解释卡更难记忆）和内容长度。
- **批量复习调度**：支持按标签（tag）分组复习，例如“今天只复习物理相关卡片”。
### 3. 双向同步：从AI对话中学习
最亮眼的功能：你可以把与ChatGPT的对话导出为JSON，然后导入learn。系统会分析对话中**你提问但没记住的知识点**，自动生成复习卡片。例如你问过“什么是RESTful API？”，ChatGPT回答了，但你没记笔记——learn会从该对话中提取此问答对，加入复习队列。
### 4. 完整的API与CLI
不只是Web界面，所有功能都有REST API和CLI命令，方便集成到自动化工作流中。例如，你可以写一个脚本，每天抓取Hacker News热门技术文章摘要，自动灌入learn，晚上复习。
### 5. 数据所有权
所有数据存储在本地PostgreSQL，卡片、复习记录、AI生成结果全部可导出为JSON或Markdown。不依赖任何云服务（除了你自选的LLM API）。
## 适用场景
- **程序员学习新技术**：把官方文档、Stack Overflow答案、博客片段喂给learn，自动生成考点式卡片。
- **医学生/法学生**：大量记忆型知识，间隔重复是黄金标准。
- **语言学习者**：导入生词表、例句，AI生成语境卡片。
- **研究人员**：阅读论文时，将摘要和关键段落导入，生成概念关系图（未来规划功能）。
- **“AI对话重学习者”**：经常用ChatGPT学习的人，导入对话记录，把临时答案固化为长期记忆。
## 同类项目对比
| 项目 | 核心定位 | 与learn的区别 |
|------|----------|---------------|
| **Anki** | 纯间隔重复卡片工具 | 无AI自动生成卡片，需要手动制作；learn自动从文本中提取 |
| **Memorize.ai** | 商业AI记忆工具 | 闭源、云端存储，learn自托管且免费 |
| **Obsidian + Spaced Repetition插件** | 笔记软件+复习插件 | 需要自行配置插件，且AI提取能力弱；learn是独立系统，管道更流畅 |
| **Readwise Reader** | 高亮+摘录工具 | 只收集不复习，且不生成结构化卡片；learn有完整遗忘曲线 |
| **SuperMemo** | 商业记忆软件 | 算法更成熟但闭源且UI老旧；learn开源可定制 |
**learn最大的差异化优势**：它把“AI提取”和“间隔重复”这两个环节**原生缝合**，而其他工具要么只做提取（Readwise），要么只做重复（Anki）。
## 局限与改进方向
- **依赖LLM质量**：卡片生成质量取决于你使用的模型。GPT-4效果好，但本地小模型（如7B）可能产生错误概念。
- **UI较朴素**：目前界面是极简的列表式，缺少图表统计（如遗忘曲线可视化）。
- **多模态支持不足**：目前只处理纯文本，图片/PDF/音频需要预处理。
- **协作功能缺失**：单人设计，无法共享卡片组或进行团队学习。
不过项目处于早期活跃开发阶段（最近一周有提交），作者在README中列出了Roadmap，包括：卡片关系图谱、浏览器扩展（一键收藏网页）、移动端PWA。
## 总结：值得一试吗？
如果你是一个**技术爱好者**，且已经习惯用AI辅助学习，但苦于“问过就忘”，那么learn是一个值得投入时间配置的实验性工具。它不完美，但它代表了一个有趣的趋势：**把LLM从“问答机器”变成“记忆引擎”**。
对于非技术用户，可能需要等待更完善的封装或UI改进。但对于开发者，它提供了一个清晰、可扩展的架构（模块化设计，代码注释良好），你可以轻松地fork并加入自己的功能——比如接入Notion API、生成思维导图、或者用Whisper处理音频笔记。
如果你厌倦了“收藏夹吃灰”和“笔记积灰”，不妨试试learn，让AI帮你把信息真正变成长期记忆。
🔗 项目地址：https://github.com/amosblomqvist/learn