Repository navigation
first tag
LearnGraph
一张会随学习持续生长的知识路线图。
LearnGraph 是一个面向真实学习目标的 AI 学习工作台。
你可以从一个问题、一个学习目标，或者多份课程资料开始。系统会帮助你梳理目标、生成知识图谱，并随着后续学习、练习、资料补充和掌握情况持续更新这张图。
它希望解决的不是“再做一个 AI 聊天框”，而是让 AI 真正参与一个长期学习过程：
目标 → 知识结构 → 学习 → 练习 → 反馈 → 掌握 → 下一步行动
✨ 核心特色
🗂️ 多文件联合建图
一次加入多份 PDF、Word、课件、笔记或其他学习资料，LearnGraph 会结合你的学习目标，对资料进行统一理解，并组织成一张完整的知识路线图。
不再需要逐个文件询问 AI，再由自己手动拼接知识点。
🌱 可生长学习图谱
知识图谱不是一次生成后就固定下来。
学习过程中，你可以继续：
- 拆分某个知识点
- 补充新的学习内容
- 调整学习范围
- 根据已有图谱继续生成分支
- 根据实际学习情况修改路线
最终得到的不是一份静态目录，而是一张随着学习过程持续生长的知识地图。
↔️ 双向交互 UI
AI 不只能输出 Markdown、图片和代码。
LearnGraph 中，Agent 可以生成真正可交互的学习界面，例如：
- 小测验
- 表单
- 可视化
- 动画
- 小游戏
- 实验页面
- 自定义学习工具
更重要的是，这些界面并不是一次性的展示结果。
用户在界面中的点击、选择、答题等操作可以再次成为 Agent 的输入，Agent 可以理解这些事件，并继续修改页面状态或执行下一步任务。
形成：
Agent → UI → 用户操作 → Agent → UI
的双向交互闭环。
🧩 渐进式 Agent Runtime
随着 Agent 能力增加，如果一次把所有 Tool、Skill 和 MCP 工具都塞进上下文，不仅会消耗大量 Token，也会增加模型选错工具的概率。
LearnGraph 采用渐进式能力披露机制。
Agent 启动时只获得少量核心能力，需要完成某项任务时，再主动搜索和激活对应的：
Tool / Skill / MCP / Sandbox Capability
也就是说：
需要什么能力，再加载什么能力。
这使 Agent 可以拥有大量扩展能力，同时避免所有工具长期占据上下文。
📦 安全隔离沙箱
文件处理、代码执行、前端构建和 Agent 生成的应用运行在独立 Docker Sandbox 中，而不是直接运行在宿主机环境。
沙箱默认限制网络访问。
当任务确实需要互联网资源时，可以通过受控的外部资源获取和 Egress 策略完成访问。
整体遵循：
联网获取，离线执行。
既允许 Agent 搜索资料、获取图片和代码，又尽量避免直接给执行环境开放无限制互联网访问。
🧠 事件溯源长期记忆
LearnGraph 的记忆并不是简单保存一段“用户摘要”。
重要的学习状态、历史行为和长期信息以事件形式记录，并保留对应的来源、时间、状态和上下文。
因此记忆可以：
- 被追溯
- 被更新
- 被失效
- 被重新确认
- 根据当前任务按需召回
Agent 不需要每次重新理解整个学习历史，而可以根据当前任务重新构建最相关的上下文。
LearnGraph 想做什么？
传统 AI 学习工具通常围绕一次对话展开：
提问 → 回答 → 下一次提问
LearnGraph 更希望建立一个长期存在的学习状态：
Goal
│
▼
Knowledge Graph
│
▼
Learning
│
▼
Evidence
│
▼
Mastery
│
▼
Next Action
│
└──────────► Knowledge Graph
知识图谱记录你准备学什么。
Evidence 记录你实际做过什么。
Mastery 描述你目前掌握到什么程度。
Memory 保存长期学习过程中的重要状态。
Agent 则根据这些信息决定：
现在最值得做的下一件事情是什么。
一句话概括
LearnGraph 将多文件学习、可生长知识图谱、长期记忆、Agent、双向生成式 UI 和安全沙箱连接起来，让 AI 从“回答问题”进一步参与完整的学习过程。