Learn Journal 是一个方法论实验，验证“AI 辅助结构化记录”是否比“什么都不做”能产生更好的学习效果。形态是 AI skill 包——你把它加到已有的 AI 编程助手里，AI 就获得了“帮你结构化学习”的能力。
它不是一个独立 App，不是一个 SaaS，不是一个需要注册的服务。它是一组 markdown 协议文件 + 模板 + shell 脚本 + 你自己的本地文件夹。
关键定位：这不是一个产品，是一个实验。目标是验证假设，不是获取用户。如果实验失败，会写一篇诚实的失败报告。
Learn Journal 的核心设计变更是双层架构——概率层和确定性层分离：
- 概率层（AI 协议）：引导对话、判断时机、追问 why。体验好但不可靠——AI 可能理解偏、可能忘记规则。
- 确定性层（shell 脚本）：验证格式、统计数据、健康检查。可靠且可复现——
stats.sh的输出不会因为换模型而变化。
即使 AI 完全失效，用户仍可手动填模板 + 运行脚本。这是“降级可用”的设计——概率层是锦上添花，确定性层是底线保障。
诚实的前提条件
Section titled “诚实的前提条件”在你继续往下读之前，确认这些条件你都满足：
- 你已经在用一个 AI 编程助手（Claude Code、Codex、CatDesk、Cursor 之一）。Learn Journal 不教你怎么装这些工具，它假设你已经会用了。
- 你能打开终端。不需要精通命令行，但至少能
cd到一个文件夹、能复制粘贴命令。 - 你有学习记录的动机。这套系统不能帮你产生动机，它只能帮已经想记录的人记得更好。
- 你愿意每天花 5-10 分钟。不是 30 分钟，但也不是 0 分钟。
如果你不满足上面任何一条，这套东西目前不适合你。天花板：理论上限数万人（截至 2026 年中估算），实际可触达 < 1000 人。这不是问题——验证假设不需要大用户量。
从数月持续实践中提炼（其中密集验证约 50 天）。184 篇笔记、27 个问题记录、十余个 AI skill 的实战验证。
需要坦诚的是：这是 N=1 的验证。它证明了“对一个高动机、高自律的人有效”，不能证明“对所有人有效”。方法论的可迁移性仍然是假设，不是结论。即使指标正面，也可能是“多写笔记”本身有效（无法排除安慰剂效应）。
原始项目：intern-journal
它能帮你做什么
Section titled “它能帮你做什么”日终回顾 — 每天下班前 5-10 分钟，AI 引导你回顾今天做了什么、学了什么。你可以跟 AI 对话让它帮你结构化，也可以直接复制模板手动填写——两种方式都支持。
知识捕获 — 聊天中提到新概念时，AI 判断这个东西应该记到哪（日报？学习笔记？问题记录？），帮你用正确的格式写下来。
六步讲解 — 遇到不懂的概念，AI 用“定位 - 类比 - 机制 - 代码 - 误区 - 验证”六步结构帮你理解。最后一步是苏格拉底式提问——答不出来说明还没懂。
自然复用 — 当你遇到相关问题时，AI 搜索你的旧笔记并引用。知识巩固靠“用到的时候自然想起来”，而不是靠算法调度的间隔复习。放弃间隔复习是刻意的设计决策——详见 运作原理。
交叉引用 — 每写一篇新笔记，AI 先搜索你已有的知识库，找到关联的内容自动链接。
质量门禁 — AI 温和地确保你的笔记有来源、有 why、用自己的话写。冷启动期不开（先养习惯），之后才渐进引入。
反代写机制 — AI 先问“你能用自己的话说说吗？”，禁止“AI 写 - 用户说对”的确认式记录。AI 贡献的段落标注 <!-- AI-assisted -->，stats.sh 统计 ai_assist_ratio。
不是一步到位的完整模板，而是三级渐进：
- Level 0：标题 + 一段文本（几乎零成本）
- Level 1：+ 来源 + 一句话总结
- Level 2：+ why/how + 踩坑 + 关联
用户可以永远停在任何级别。Level 0 的存在是为了解决“完整模板太重 - 干脆不记”的问题。
Kill Switch
Section titled “Kill Switch”项目有明确的客观终止条件（stats.sh 确定性计算，不依赖主观判断）：
- 连续 4 周 active_days_ratio < 50%
- 3 个月后 reuse_rate < 10%
- ai_assist_ratio > 70%
任一触发则项目终止。三种终态：实验成功 - 写方法论文章；实验失败 - 写失败报告；自然消亡 - 归档代码。
两种使用模式
Section titled “两种使用模式”对话模式（适合“不知道怎么写”的人）— 跟 AI 说话，它引导你结构化。优点是降低启动摩擦，缺点是一条记录可能要 6-8 轮对话，下班已经累了的时候可能嫌慢。
快速模式（适合“知道要写什么”的人）— 直接复制模板，手动填 3 个字段（标题、来源、正文）。30 秒搞定，不需要跟 AI 对话。
你可以随时在两种模式之间切换。对话模式不是唯一路径。
跟你现在用的工具是什么关系
Section titled “跟你现在用的工具是什么关系”Learn Journal 不替代任何工具，也不要求你换工具：
| 你现在用的 | Learn Journal 的角色 |
|---|---|
| Claude Code | 加一个 CLAUDE.md，Claude 就知道怎么帮你学习 |
| Cursor | 加一个 .cursorrules，同样的效果 |
| CatDesk | 加一个 CATDESK.md |
| Codex | 加一个 AGENTS.md |
本质上，Learn Journal 是一套 markdown 协议文件。你的 AI 助手读了这些文件，就获得了“帮你结构化学习”的能力。这也意味着：如果你的 AI 工具本身已经能做这些事（比如你自己写了类似的 system prompt），你可能不需要 Learn Journal。
你的数据永远是你的
Section titled “你的数据永远是你的”所有学习记录都是本地 markdown 文件。没有账号，没有云端，没有订阅，没有锁定。复制文件夹就是备份。不想用了，文件还在。
这套方法的边界
Section titled “这套方法的边界”适合的人：已经有 AI 工具、有学习记录动机、愿意每天花 5-10 分钟的技术学习者。不限于实习生，但实习场景（每天学新东西、需要快速积累）是最自然的契合点。
不适合的人：
- 没有 AI 编程助手、不想装的人 — 目前没有脱离 AI 工具的独立使用方式
- 学习内容不是技术类的人 — 模板和协议都围绕“代码 + 概念”设计
- 讨厌被 AI 追问的人 — 六步讲解和质量门禁的核心就是追问 why
- 已经有成熟知识管理系统且运转良好的人 — 迁移成本大于收益
已知局限：
- 概率层不可控：AI 对协议遵循不确定，跨 session、跨 model 不稳定 - 确定性层兜底
- 反代写 vs 降摩擦的永恒张力：选择“宁可少记，不要记了但没学到”
- 方法论来自一人 50 天的验证，样本量不足以证明普适性
- 没有独立 App，所有“主动提醒”都依赖你主动打开 AI 工具
- 无法证明因果：即使指标正面，也可能是“多写笔记”本身有效
- 差异化脆弱：大厂加一个 Learning Mode 就能覆盖大部分场景 - 接受，价值在方法论不在工具