通几 · Aletheia

摘要

通几（Aletheia）是 Maple 给自己设计的个人学习系统：素材捕获、AI 编译成结构化知识、间隔复习，三环连成闭环。它要解决的问题是市面上没有工具解决的组合需求——数据完全自控、交互完全自定、AI 深度参与知识编译，三条同时成立。目标不是”背知识点”，是回到”给世界建模”：碎片素材由 AI 持续编译成稳定的知识页，人读编译结果、按遗忘规律复习、在使用中修正模型。当前状态诚实交底：调研与设计已完成（两轮独立调研交叉验证、竞品全景成文、复习算法定案），开发尚未启动——这一页是设计档案，不是产品页。

名字取自方以智《物理小识》“质测即藏通几”：具体的实证考察（质测）之中，藏着贯通的义理（通几）。英文 Aletheia 是希腊语”去蔽、显真”——学习即去蔽，渐近。

背景与动机

Maple 把市面工具读了一圈（竞品全景：Anki / RemNote / Obsidian / Quizlet / Mochi），结论是没有一个能同时满足三件事：

数据完全自控——本地文件、开放格式、不被账号和私有格式绑架
交互完全自定——阅读、捕获、复习的界面按自己的认知习惯裁剪，而不是适应产品的交互假设
AI 深度参与编译——不是”AI 帮你生成卡片”这种表层集成，而是 AI 作为知识库的编译器持续工作

单独看每一条都有工具做到，组合起来一个都没有。至于为什么连最接近的 Obsidian 也不用：它本质是”一堆 .md 文件 + 双链 + 插件”，数据层完全可以自持，前端交互自己做更贴合。自研路线前期投入大，但不被任何产品绑架——对一件打算用一辈子的工具，这笔账是划算的。

更底层的动机是对”学习”本身的立场：应试训练把学习退化成背知识点，而知识的真实形态是世界的模型——概念之间怎么连接、哪里是因果、哪里只是相关。工具应该服务于建模，复习只是维护模型不塌的手段。

系统概览（设计定案）

三环闭环，环环有明确的技术选型：

① 捕获 Capture
   浏览器插件 / iOS 分享 / 语音随记 → 进入素材池（自研，不依赖第三方）
        ▼
② 编译 Compile —— LLM Wiki 模式
   AI 把碎片素材持续编译成结构化知识页（参考 Karpathy 的 LLM Wiki 设想）
   人读的是编译结果，不是碎片堆；知识页随新素材增量更新
        ▼
③ 复习 Review —— FSRS 算法
   对记忆衰减建模，按最优间隔安排复习；复习反馈回流，修正排期
        ▼
   底层数据：纯 .md 文件 + 双链，本地优先，Git 管理

三环共享同一份底层数据：捕获写入素材，编译产出知识页，复习读知识页并回写记忆状态——没有任何一环把数据带进私有孤岛。

核心设计（为什么这样定）

编译，而不是整理

传统 PKM（个人知识管理）的失败模式是”整理的巨债”：剪藏一时爽，素材池永远等着人来加工。LLM Wiki 模式把加工外包给 AI：素材进来，AI 负责把它合并进已有的知识页——去重、关联、改写、标注出处。人消费的永远是编译后的稳定层，素材层允许混乱。这和林爝”后台允许混乱、前台保证信噪比”是同一个哲学。

FSRS，而不是传统间隔重复

复习算法定为 FSRS（开源的现代间隔重复调度算法）：它对每条记忆建模三个变量——难度、稳定性、可提取性，比沿用几十年的 SM-2 系（固定倍率递增）对真实遗忘曲线的拟合准得多，也是目前开源社区实证效果最好的一支。选型依据整理成文：SuperMemo 算法 40 年演进史。

自研捕获与前端

捕获端做类 Cubox 的多入口嵌入（浏览器 / iOS 分享 / 语音），前端阅读与复习界面自研、挂在自有体系之上。这两块是被竞品伤过才决定自研的部分：捕获依赖第三方就随第三方的产品变动漂移，前端依赖别家就永远在适应别人的交互假设。

当前进度

已完成（决策所需的功课）：

两轮独立调研，不同模型分别执行、交叉验证结论
竞品全景与数据模型分析成文发布
SuperMemo 四十年算法演进史整理，复习算法定案 FSRS
FSRS 融入日常工作流的设计稿

尚未开始（全部实现项）：素材捕获端、LLM Wiki 编译管线、复习前端、数据 schema。项目在林爝的优先级队列里排在在建项目之后，未进入执行窗口。

技术亮点与工程判断

调研先行到”过度”的程度：在写第一行代码之前完成两轮交叉调研和算法史梳理——因为这是终生工程，选错底层（数据格式、复习算法）的代价按十年计，前期的慢是刻意的。
数据格式是唯一不可逆的决定：.md + 双链 + Git 之所以定得最早，是因为界面可以重写、算法可以换，唯独数据格式迁移伤筋动骨。最保守的格式给后面所有激进留了余地。
AI 定位为编译器，不是聊天窗：把 AI 嵌进数据流水线（素材 → 知识页），而不是旁挂一个问答框——前者改变系统的能力结构，后者只是加了个功能。
和林爝的关系：不是子项目，是并行的终生工程——林爝管知识的沉淀与调用，通几管知识进入长期记忆的闭环，合起来才是完整的”AI 大脑外挂”。

后续规划

进入执行窗口后的合理顺序：数据 schema 先行（唯一不可逆的部分）→ 捕获端最小闭环 → LLM Wiki 编译管线 → 复习前端。原则不变：每一步先在 Maple 自己的真实学习流里跑到好用，再考虑下一步。