通几 · Aletheia

摘要

通几（Aletheia）是 Maple 给自己设计的学习与长期知识演化系统。研几 · Zetesis 是主要 Web App，承接材料、研究、学习、复习与创作；渐衍 · Athanor 负责增量学习与终身学习调度；万象 · Myrioscope 让同一知识显成不同形态；尽意 · Graphesis 把关系铺进可书写的空间；星穹 · Galaxy 让既有关系可以被追索和漫游。当前服务已经上线，产品体验和各模块仍在持续演化。

名字取自方以智《物理小识》“质测即藏通几”：具体考察之中，藏着贯通的义理。Aletheia 指向“去蔽、显真”。通几以“格物以通几，立象以见真”为志：从材料与问题出发，形成可以检验、修订与迁移的理解。

产品架构

• 研几 · Zetesis：通几的主要 Web App 与研究学习空间。
• 渐衍 · Athanor：研几内部的增量学习、间隔重复、主动回忆与模型修订引擎。
• 万象 · Myrioscope：知识的多形态投射；卡带是其中的可插拔内容对象。
• 尽意 · Graphesis：空间化知识创作产品；布势组织布局，叠迹 · Palimpsest 保存层次与演化。
• 星穹 · Galaxy：通几内部的知识成图与漫游能力，可嵌入研几，但不取代原始学习事实。

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：

1. 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
2. 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
3. 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：

flowchart TB
    C["01 · 捕获 Capture<br/>浏览器 · iOS · 语音"]
    K["02 · 编译 Compile<br/>LLM Wiki"]
    R["03 · 复习 Review<br/>FSRS"]
    D[("共同数据底座<br/>Markdown · Git")]

    C --> K --> R --> D
    D -. 状态回流 .-> C

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

当前可确认：

• Aletheia 服务已经上线，仍在持续演化
• 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

仍需公开核验：素材捕获、LLM Wiki 编译、复习前端和数据 schema 的当前实现范围，需要以后续仓库、运行时与版本证据逐项确认；以下设计目标不等同于当前完成状态。

技术亮点与工程判断

• 调研先行到“过度”的程度：早期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：通几是林爝的求知主线，负责知识进入、编译、复习与长期理解；星汉则承担获得公开许可后的表达与出版。

后续规划

后续公开演化仍遵循数据 schema → 捕获闭环 → LLM Wiki 编译 → 复习体验的依赖关系。每一步先在 Maple 自己的真实学习流里验证；对外状态以当前仓库、运行时与版本证据为准，不再沿用旧底稿的静态进度判断。