类比：健身教练 vs 健身房会员卡
Section titled “类比：健身教练 vs 健身房会员卡”买了健身房会员卡的人，大部分三个月后就不去了。但请了私教的人，坚持率高得多。区别不在于器材（工具），而在于有没有人帮你规划训练计划、纠正动作、追踪进度。
Learn Journal 试图扮演“学习私教”的角色。但类比有边界：真正的私教会在你偷懒时打电话催你，而 Learn Journal 没有独立 App，不会主动弹窗——它只在你打开 AI 工具时才能“找到你”。如果你三天不打开，它什么也做不了。
核心循环：捕获 → 组织 → 理解 → 复用 → 复盘
Section titled “核心循环：捕获 → 组织 → 理解 → 复用 → 复盘”Learn Journal 的方法论是一个五环循环，每一环都有 AI 的参与：
捕获（Capture） — 在学习发生的当下记录。不是事后回忆，是“刚学会的那一刻”就写下来。AI 的角色：先问“你能用自己的话说说吗？”（反代写），追问 why 和 how，降低记录的摩擦。
组织（Organize） — 把记录放到正确的位置。AI 的角色：自动判断应该记到 daily、learnings、problems 还是 sources，处理命名、格式、交叉引用。
理解（Understand） — 确保你真正理解了，不是死记硬背。AI 的角色：用六步讲解协议帮你建立深度理解，最后用苏格拉底式提问验证。
复用（Reuse） — 在实际工作中自然用到旧知识。AI 的角色：遇到相关问题时搜索旧笔记并引用，写新笔记时发现与旧笔记的关联。不是算法调度的“该复习了”，而是“用到的时候自然想起来”。
复盘（Reflect） — 定期抬头看路。AI 的角色：每周生成事实摘要，识别薄弱点，建议下一步方向。
这五环不是你需要手动执行的步骤。它们嵌入在你和 AI 的日常对话中，自然发生——前提是你每天都打开 AI 工具。
为什么说“自然发生”而不是“自动执行”？因为 AI 的行为是概率性的——同一条 CLAUDE.md 规则，不同模型、不同上下文长度下，执行效果可能不同。这就是“概率层”的含义：CLAUDE.md 和 Skill 定义的工作流不像代码那样 100% 确定执行，而是像给一个聪明但偶尔走神的同事写的操作手册。大部分时候它会照做，但偶尔需要你提醒一下。
知识类工件选择：学到东西记在哪
Section titled “知识类工件选择：学到东西记在哪”每次你学到新东西，第一个决策是“记在哪”。下表是简化版的知识捕获路由——仅覆盖知识类工件，不含 mentor 反馈、code review 等外部反馈（那些走单独的反馈管理流程 feedback/inbound/ → feedback/action/）。完整的工件选择逻辑见学习管理系统。
Learn Journal 用一个“命中即停”的规则：
| 优先级 | 触发条件 | 记在哪 |
|---|---|---|
| 1 | 新概念 / 模式 / 技能，以后能复用 | learnings/ |
| 2 | 排查超过 30 分钟，且找到了根因 | problems/ |
| 3 | 新的学习材料（书、课程、文章） | sources/ |
| 4 | 其他一切（杂事、todo、零星心得） | daily/ |
第一个匹配就停止，不重复记。AI 会帮你判断，你只需要确认。
六步讲解协议
Section titled “六步讲解协议”遇到新概念时，AI 不是丢一段文档给你。它用六步结构帮你建立理解：
1. 定位 — 一句话说清这个概念在知识体系中的位置。“反向代理是网络层的东西，跟你之前学的 HTTP 请求直接相关。”
2. 类比 — 用日常生活场景建立直觉。“反向代理就像酒店前台——客人不直接找房间，而是通过前台转接。”类比会明确边界：“但跟真正的前台不同，反向代理还能同时把请求分给多个后端。”
3. 机制 — 从输入到输出的数据流。请求怎么进来、经过哪些处理、最终到达哪里。关键 trade-off 是什么。
4. 代码 — 最小可运行示例（≤ 20 行），有注释标注关键行。不是完整项目，是能让你“跑一下看看效果”的最小代码。
5. 误区 — 2-3 个初学者常犯的错误。格式是“错误认知 → 正确理解”。
6. 验证 — 2-3 个苏格拉底式应用题。不是选择题，是需要你用自己的话回答的问题。答不出来说明还没真正理解，AI 会换个方式再讲。
不是每次都走完六步。如果你对某个领域已经有基础，AI 会跳过定位和类比，直接从机制开始。
自然复用（替代间隔复习）
Section titled “自然复用（替代间隔复习）”为什么放弃间隔复习
Section titled “为什么放弃间隔复习”早期设计包含一个间隔复习系统（掌握度打分 + 优先级公式）。第二轮重构中被移除，原因：
- 科学基础薄弱：掌握度是 AI 主观打分，跨 session、跨 model 不稳定。0.45 和 0.50 的区别没有意义。
- 算法粗糙：
(1 - 掌握度) × (距今天数 + 1)不是 Anki 级别的 SM-2，只是一个看起来合理的公式。 - 执行依赖主动触发：没有独立 App，“该复习了”依赖用户主动问 AI，等于没有调度。
- 容易被“背答案”欺骗：记住上次回答原文就能拿高分，但不代表真正理解。
自然复用怎么工作
Section titled “自然复用怎么工作”知识巩固靠三个机制，都不需要专门的“复习时间”：
1. 工作中自然引用 — 遇到相关问题时，AI 搜索旧笔记并引用。“你之前在 learnings/nginx-reverse-proxy.md 里记过类似的配置，要不要看看？”
2. 写新笔记时关联 — 写新笔记时，AI 发现与旧笔记的关联并建议交叉引用。知识网络越密，复用越频繁。
3. 可选主动复习 — 如果你想主动复习，可以问 AI “最近哪些笔记没用到过”。但这不是推荐的常规行为——如果一个知识点三个月没用到，可能它本来就不重要。
stats.sh 计算 reuse_rate（被引用的笔记 / 总笔记数）。如果 3 个月后 reuse_rate < 10%，说明知识库没有产生复用价值——这是 kill switch 条件之一。
AI 辅助记录的最大风险是“AI 写了漂亮笔记，用户什么都没学到”。Learn Journal 用四个机制对抗：
输出先行 — AI 先问“你能用自己的话说说吗？”，而不是直接生成笔记。用户先表达，AI 再结构化。
禁止确认式记录 — 不允许“AI 写→用户说对→保存”的模式。如果用户只说“对”、“好”、“帮我记下来”而没有表达自己的理解，AI 会追问。
AI 贡献标注 — AI 生成的段落标注 <!-- AI-assisted -->，区分哪些是用户原话、哪些是 AI 组织的。
客观监控 — stats.sh 统计 ai_assist_ratio（AI 标注段落 / 总段落）。如果 > 70%，触发 kill switch——说明系统变成了“AI 代写工具”而非“学习辅助工具”。
反代写 vs 降摩擦的张力
Section titled “反代写 vs 降摩擦的张力”这是一个永恒的 trade-off：追问越多，记录摩擦越大；摩擦越大，用户越可能放弃记录。Learn Journal 的选择是“宁可少记，不要记了但没学到”。渐进模板（Level 0 几乎零成本）是缓解方案——即使只写一句话，也比 AI 代写一整篇有价值。
传统方法论工具的模板通常是“一步到位”的完整结构。问题是：面对 10 个字段的空模板，很多人选择“算了不记了”。
Learn Journal 用三级渐进模板：
Level 0（几乎零成本）— 标题 + 一段文本。甚至可以只写一句话。目标：降低“开始记录”的门槛到最低。
Level 1（基本结构）— + 来源 + 一句话总结。多花 30 秒，但笔记有了最小可用的元数据。
Level 2（完整结构）— + why/how + 踩坑 + 关联。这是“高质量笔记”的标准，但不是必须的。
用户可以永远停在任何级别。AI 会在合适的时机建议升级（“这篇笔记如果加个 why 会更有用”），但不强制。
整个系统的启用节奏是刻意设计的：
第 1-7 天 — 只引导记录 problems/（遇到的问题和解决方案）。原因：问题记录的复用价值最快兑现——下次遇到同样的报错，直接搜到解决方案。这让用户在第一周就能体验到“记录的回报”。
第 8-14 天 — 引入 learnings/（Level 0 或 Level 1）。用户已经有了“记录→复用”的正反馈，愿意多花一点时间。
第 15 天+ — 完整工件路由（daily / learnings / problems / sources 全开）。质量门禁渐进引入。
为什么这样设计？因为学习 journaling 工具的典型死亡曲线是“前 3 天热情、第 2 周断崖”。先给最快的正反馈（problems/ 的复用），再逐步加结构。但坦率地说：这套冷启动策略是否真的有效，还需要更多人验证。
5 条规则确保你的知识库不会随时间腐烂：
R1 必须有来源 — 每篇笔记标注“这个知识从哪来的”。三个月后你想回顾上下文，来源就是你的时光机。
R2 必须用自己的话 — 不能复制粘贴 AI 的解释。这是最重要也最难执行的一条。反代写机制是 R2 的执行保障。
R3 必须有 why — 不只记“是什么”，还要记“为什么”。
R4 不重复创建 — 写新笔记前先搜索已有内容。
R5 交叉引用 — 新笔记要链接到相关的已有知识。
这 5 条规则不是第一天就开的。冷启动期（前两周）AI 不会提醒质量问题——先养成记录习惯。之后渐进引入。
质量门禁的确定性层保障：lint-notes.sh 脚本检查 R1（来源字段存在）和 R4（文件名不重复），不依赖 AI 判断。
已知局限与开放问题
Section titled “已知局限与开放问题”对话效率悖论 — 对话模式降低了“不知道写什么”的门槛，但提高了“知道要写什么”时的时间成本。记录一条 Docker 端口问题可能要 6-8 轮对话，而直接填模板只要 30 秒。快速模式是应对方案，但两种模式的切换本身也是认知负担。
反代写的执行力度不确定 — AI 追问的深度取决于模型、prompt 版本、context 长度。有时候 AI 会“放水”——用户说了一句话就帮忙生成整篇笔记。确定性层（ai_assist_ratio 统计）是事后检测，不是实时阻止。
被动触达的天花板 — 没有独立 App，所有“主动引导”都依赖用户先打开 AI 工具。如果用户三天不打开，系统完全失效。这是 skill 包形态的根本限制。
方法论可迁移性未验证 — 当前验证来自一个高动机、高自律、每天使用 AI 工具的人。把同一套方法论给被动用户，可能变成负担而非帮助。
自然复用依赖知识库密度 — 前 20 篇笔记时，复用机会很少（知识网络太稀疏）。需要积累到一定密度后才能体现价值——但很多用户在达到这个密度之前就放弃了。