LearnHarness完整入门:开源AI家教如何把AI Agent变成你的私人导师

原创2026-10-27 12:37:491,989 阅读

LearnHarness完整入门:开源AI家教如何把AI Agent变成你的私人导师

LearnHarness 是一款免费开源的 AI 家教(Agent harness for learning),它不只是"答题":先通过探针问题摸底你的当前水平,规划学习路径,再一步步教学并逐步检验,最终把所有知识沉淀为持续增长的持久化知识图谱。本文带你完整了解这款 AI Agent 私人导师的核心功能、上手步骤与数据隐私。

LearnHarness 是什么:边教边"懂你"的开源 AI 家教

一句话定位:面向学习场景的 AI Agent 框架。它不是"你问、它答"的聊天机器人,而是把"私人导师"的完整教学流程工程化。和普通 AI 问答的区别一目了然:

维度 普通 AI 问答 LearnHarness AI 家教
起点 直接给答案 先 Probe 摸底你的理解边界
教学方式 一次性讲解 一次只走一个推理步骤,每步检验
目标 回答问题 让目标知识"感觉显然为真"
记忆 会话结束即丢失 知识图谱跨会话持久沉淀
练习 偶尔有 独立 Practice 会话,按你的推理过程出题

它的教学目标在系统提示词 src/agent/system-prompt.md 中写得很直接:目标绝不是"能复述事实",而是 understanding——知识必须能从你已接受的公理推导出来、连入你的心智模型,从而自我保存。背下来的知识会腐烂,理解的知识不会。

核心工作原理:从摸底到练习的 4 步闭环

一个 LearnHarness 教学会话的完整流程分为 4 步(详见 docs/teaching-methodology.md):

  1. Measure(探针摸底):教学开始前,AI Agent 先定位你的理解边界在哪里。你的答案、置信度和思考过程会告诉系统从哪里讲起——绝不靠猜。
  2. Plan(规划路径):从你的起点到目标画出依赖关系图。计划是可见的;如果摸底结果与预期不符,课程会即时调整。
  3. Teach(逐步教学):每一步都建立在你已理解的东西上——你先预测、系统再讲解、最后检验理解。混淆点会被先修复,再继续往下讲。
  4. Practice(练习强化):独立会话出多样化题目,要求不点名提示、自己把正确的知识"想起来"。题目和提示会根据你的推理过程自适应调整。

下面是 LearnHarness 的一次真实教学会话(主题为梯度下降),可以看到它的界面和聊天框完全不同:左侧是学习会话列表与后台 Agent 状态,中间是一张 Prediction 预测卡片——先让你预测答案、拖动置信度滑块、写下自己的思考过程:

LearnHarness开源AI家教教学会话界面:摸底、规划、教学、练习四步闭环

"说出你的思考"(Think out loud)

最有特色的交互是 thinking 字段:用自己的话解释推理、不确定性和直觉(支持打字或语音听写)。这是 AI Agent 画出你详细理解画像的渠道,而不仅仅记录对错。

与此同时,后台子 Agent 默默承担"脏活累活",让教学不中断:

  • researcher:后台联网调研、核实事实;
  • demo-builder:编写并自动执行测试交互式演示页面;
  • visual-maker:生成精确的可视化图形,渲染后"看图确认"再交付。

这些子 Agent 的源码位于 src/agent/subagents/。

持久化知识图谱:越学越厚的记忆

学过的知识不会随会话消失。每次教学后,后台抽取流水线会把内容提炼为两类东西:命题(propositions,单独的结论)和推理链(reasoning chains,从前提到结论的推导),它们累积到知识图谱上,并保留回原始会话的溯源链接——每个结论都能追溯到"当时是哪句话推导出来的"。

知识图谱是 LearnHarness 的首页,也是整个系统的心脏:

LearnHarness开源AI家教的持久化知识图谱:命题与推理链可视化

这套设计带来三重价值:

  • 📚 不从零开始:未来的教学会话直接读取图谱,不重复教你已经懂的内容;
  • 🎯 练习取材于图谱:Practice 会话从积累的命题和推理链中生成题目集,评分是"反馈"而非"考试",且绝不写回图谱;
  • 📥 可以导入自己的笔记:任意 Markdown / 纯文本笔记走同一条抽取流水线进入图谱。

图谱的理论设计(节点即命题、推理链为真相、派生视图)完整记录在 docs/vision.md;所有学习记录都是你机器上的纯文件,随时可查。

快速上手:三步装好你的 AI 私人导师

第一步:获取桌面应用

LearnHarness 以 Electron 桌面应用形式分发,支持三大平台:

  • macOS(Apple Silicon):已签名和公证的 DMG,拖入 Applications 即可;
  • Windows(x64):运行安装包(当前未签名,SmartScreen 可能提示"未知发布者");
  • Linux(x64):执行 AppImage 或安装 .deb 包。

三个平台均支持应用内自动更新。

第二步:配置你自己的 API 密钥(BYOK)

LearnHarness 不卖订阅、不加价:Your keys, your data。支持 30+ 模型提供商,包括 OpenAI、Anthropic、Google、DeepSeek、OpenRouter 等。你直接向自己的模型提供商付费,应用内置实时成本表(live cost meter)随时显示花费。语音听写和网络搜索使用各自独立的服务密钥,均为可选项。

第三步:开启第一个学习会话

用一句话描述你想理解的内容(例如"我想真正理解梯度下降")。AI 家教会先用探针问题摸底,然后进入上面的四步教学流程。

💡 小技巧:在应用内按 ? 可打开快捷键速查表——⌘N 新建会话、⌘K 切换模型、⌘G 跳回知识图谱首页,完整清单见 docs/keyboard.md。

数据与隐私:透明、可检查

  • 本地存储:聊天、知识图谱、设置、API 密钥全部以纯文件形式存在你的机器上,可直接查看;
  • 系统提示词可见可编辑:提示词按编号模块组织在 src/agent/prompts/(如 15-accuracy.md、20-teaching.md),不是黑盒;
  • 开源且永久免费:AGPL-3.0 许可,官方承诺"若未来收费,只针对托管密钥、托管等便利服务,绝不针对可本地运行的功能"。

唯一需要留意的:模型请求经由你自己配置的提供商发出,本地存储不等于离线处理。

开发者的彩蛋:一套值得读的干净架构

如果你写代码,LearnHarness 的架构本身值得细品:五个层级、六个运行时系统,只守一条统一法则——导入指向内层、写入指向只追加的证据、其余一切都是派生(imports point inward, writes point to append-only evidence, and everything else is derived)。每个持久化存储只有一个写者系统,全部领域逻辑位于纯核心层,完整说明见 docs/architecture.md。

想本地跑起来?

git clone https://gitcode.com/gh_mirrors/le/learnharness
cd learnharness
npm install
npm run dev        # http://localhost:3000
npm test           # 确定性测试,无需 LLM、无需联网

更多开发细节见 docs/development.md。

什么人适合用 LearnHarness?

  • 🎓 想系统啃下难学科目(数学、物理、机器学习、哲学……),受够了"听得懂但不会做";
  • 🔑 有自己的模型 API 密钥(BYOK 模式,无订阅费);
  • 🧩 在意数据隐私,希望学习记录完全存在本地;
  • 🛠️ 是开发者,想找一个架构清晰、测试完备的 AI Agent 开源项目来阅读学习。

写在最后

LearnHarness 不是一个聊天套壳,而是把教学方法论完整实现进 AI Agent 的作品:Probe 摸底 → Plan 最小依赖树 → Teach 单步推进 → Practice 强化,最后把所有收获沉淀为一张持续生长的知识图谱。如果你正在寻找一款免费开源、真正"会教"的 AI 家教,这篇 LearnHarness 完整入门值得收藏。

登录后查看全文
learnharness