资料优先：知返先解决「读得懂」

知返不是「AI 学习系统」

这个项目早期很容易被描述成 AI 学习系统：上传资料，自动生成课程、题目和讲解。听上去顺，但会把一个没有验证过的假设写进产品前提——每一步学习都应该由模型代劳。

知返当前的定位更窄：本地优先的个人主动学习工作台，AI 是可选增强。正式的产品循环只有四步，每一步都可以在没有模型的情况下成立：

组织 → 理解 → 训练 → 复习

为什么先做「组织」

学习材料的边界决定了后面所有环节的上限。一份 60 页的文档直接出题，题目往往落在摘要层面；先切成有来源位置的 Chunk 和 LearningUnit，才能问出「这一节到底在讲什么」。

组织阶段做三件事：

• 导入受支持的资料；
• 解析并保留来源位置；
• 形成 Chunk 和 LearningUnit，让用户知道资料被怎样拆成学习边界。

这一步不需要 RAG、知识图谱或跨文档融合。那些能力可以以后再加，但不能拿来掩盖切分本身没做好的问题。

「理解」要回答的五个问题

一个学习单元是否值得继续，看它能不能回答：

• 这一单元讲什么？
• 为什么重要？
• 学完后应该能做什么？
• 容易混淆在哪里？
• 依据在原文的哪里？

当前 LearningUnit 已经有 summary、keyPoints、difficulties、sourceRefs 这些字段，但把这些字段组织成稳定、可读的体验，仍然有真实缺口。字段存在不等于理解发生。

一条最小闭环

当前实现的数据路径大致是这样：

Document
→ Chunk
→ LearningUnit
→ Question
→ AnswerAttempt
→ WeaknessItem
→ ReviewTask
→ 回看 LearningUnit
→ 再次回答关联 Question
→ validated / pending

它已经能跑通一轮「读—答—错—复习—再答」，但不代表成熟的 learner model、自动调度器或永久掌握判定。把这些词写进产品介绍会显得完整，也会让下一次验收失去意义。

这条路的代价

资料优先比「上传即生成课程」慢。用户要先带自己的文档进来，系统要先做解析和切分，AI 的每一次输出都要能指回原文。

换来的是两件事：每个问题可以追到来源；模型的推断不会悄悄变成学习事实。对一个以「记住」为目标的产品，这两件事比生成速度更重要。

现在的边界

知返处于 alpha，功能和数据路径都会变，源码在私有仓库。公开能核验的是反馈与 alpha 发布仓库，以及项目文档中记录的范围与决策。边界写清楚，比把路线图说圆更有用。