知界 Learn · 商业计划书
Learning Agent
全过程学习智能体应用平台
完整阅读 · 22 个章节
01知界 Learn
副标题： Learning Agent：全过程学习智能体应用平台
面向学生，围绕自己的材料，连接规划、伴学、练习、笔记和复习。
- 品牌名称与原有标志。
- 用一句话交代产品服务谁、帮助完成什么。
- 当前阶段：初代产品开发基本完成，计划于 2026 年 10 月内启动内测。
02“学习要讲方法。”这句话，我们都听过。
大家都想成为“会学习”的人，但光是跟上听课、做题的进度就已经很累，许多知道有用的方法一再被推迟。
- 学霸的笔记见过。 知识点串得清楚，也想这样整理；实际却是“先把课听完，笔记回头再补”。看过的解释，还没有沉淀成能再次使用的个人表达。
- 错题该怎么整理也知道。 归类、找错因、避免再犯；实际却是“解析已经看懂，先往下刷题”。批改后的练习和解析随手被丢到一边，这次卡在哪里，没有影响下一次练习。
- 计划做过，却没能继续。 “今天没做完，明天又乱了。懒得重排，先算了。”今天未完成的任务挤到明天，打乱原有安排；重新估时、调整优先级和逐项改日程的负担让人不愿动手，计划因此逐渐搁置。
- 日常压力：课要听，题要刷，光是处理眼前任务就消耗了大量精力。
- 收束：“会学习”的差距，藏在这些反复被省略的环节里。
03进度在向前，学习的全过程却没有接上
从听懂、做完，到能解释、会应用，需要一连串主动参与的转化。被省略的环节与参与深度，逐渐拉开学习方法的差距。
- 输入与理解： 听课、阅读，通过解释与例子接触知识。
- 输出与表达： 复述、推导、建立联系，形成自己的理解。
- 检验与反馈： 通过练习、自测和追问暴露薄弱处。
- 沉淀与整理： 留下解释、联系和错因，形成以后可用的材料。
- 复习与应用： 回忆、重做、变式，再检验能否使用。
- 三个常见断点：听懂了到说得清；看过解析到下次会做；记了笔记到需要时会用。
- 现实中的捷径往往是“听完、做完，进入下一章或下一套”，中间的转化被跳过。
- 这些环节会往返、交错发生，规划与日程为它们提供持续安排。
04功能已经齐全，连接它们的仍然是人
笔记、错题、练习与日程各自能够完成任务。预设交互模式要求人把临时意图拆成一组操作，再寻找入口、切换工具、搬运结果。学习断点容易停留在这些连接处。
关键判断： 固定流程难以预先穷举不断变化的目标、疑问和学习状态。零散意图需要动态理解、动作组织与结果反馈，连接工作的成本长期落在学生身上。
比较范围： 这里比较预设交互模式，同一产品可以同时具备规则、对话或 Agent 等模式。
05同样的学习意图，由 Agent 辅助串联
意图驱动的软件必须具备动态理解背景、选择工具、组织动作并根据结果继续的能力。Agent 是这一产品范式的技术核心。学习者表达目标、参与思考与确认，Agent 辅助完成组织与推进。
与上一页的对比： 学习目标与要形成的产物一致。由 Agent 结合情境组织动作，学生不再需要为每段连接重新寻找入口与搬运背景；重要事项仍交由用户判断。
06把真实产品放回市场，才能看清我们的位置
功能正在汇合，支持质量需要比较。围绕相同学习任务，从覆盖范围、行动组织方式和跨次连续性观察真实供给，再确定知界的目标位置。
坐标口径： 横向从单项学习支持延伸到跨环节协同；纵向从用户主动组织延伸到 AI 辅助、按目标执行。区域以常见使用场景聚类，区域内位置不表示评分，产品可跨区。
比较原则： 一类产品共享观察问题，不代表类内每个产品拥有相同功能。StudyFetch 等综合学习产品与知界已有直接重叠；通用产品也在扩展学习与 Agent 能力。功能名称不足以证明差异，需用共同材料、目标和任务比较算法行为与结果。
07围绕可信材料，用算法把学习的全过程接起来
以四项 Agent 学习算法为技术核心，以全过程学习平台为产品形态，以考研自学者为首个服务场景。
- 从市场地图得到的选择： 现有供给已有课程内容、学习工具、AI 辅导与综合 Agent。知界选择在真实学习过程中的决策与支持质量上持续投入，形成算法层面的差异。
- 目标用户： 首先服务考研自学者。他们目标明确、周期持续，教材、讲义、题目和日常任务密集，需要理解、练习、复盘与规划相互配合。
- 内容起点： 用户选择自己信任的教材、讲义和真题，并上传到知界。原始内容的品牌信誉与知识积累成为算法的高质量输入。
- 要解决的问题： 围绕学习链路中的断点，降低自主组织和推进的成本，让表达、错因处理、复习和调整更容易发生。
- 四项核心支撑： 辅助型主动交互接上断点；内容生成展开课程学习空间；引导式教学帮助用户实践高效学习方法；画像与记忆支撑长期规划和个性化教学。
- 竞争原则： 产品实现可以随着 AI 开发能力快速迭代，长期研发重心放在上述算法的质量、适配能力与效果上。
- 范围与拓展： 优先打磨考研自学任务；通用机制服务大学课程等场景；法考、雅思等需要补充领域方法、材料、任务与评测。首批届次和科目结合内测确定，408 作为贯穿案例。
08四项核心算法，共同支撑全过程学习
把学习中的连续性、内容丰富度、方法可用性与长期个性化，分别落实为四项持续研发的 Agent 技术。
四项算法怎样协作： 画像与记忆提供持续背景；主动交互判断下一步；内容生成提供所需学习材料与任务；引导教学推进理解与应用。新的交互和学习表现再进入画像与记忆，影响后续决策。
- 四项核心技术分别承担明确的算法问题，共同服务同一学习目标。
- 笔记、练习、路线与规划承载算法结果，具体场景放在对应技术页说明。四项技术讲完后回到全景，以“教学交互世界模型”形成统一概括。
- 13 页介绍多端、交互、工具与工程支撑；14 页讲材料、习惯、记忆与任务构成的留存逻辑；15—16 页讲算法护城河及实现、研发路径。
09把高价值的下一步，送到学习断点发生的地方
基于 Agent 驱动的辅助型主动人机交互。
Agent 基于用户的状态、交互和行为，识别学习链路中的断点，对高价值的下一步行为提供辅助型主动引导与交互支持，最大限度降低用户自主推进的成本阻碍。
- 观察什么： 当前目标与进度、正在处理的材料、用户的表达与作答、已发生的学习操作，以及尚未完成的任务。
- 判断什么： 当前有哪些值得继续的学习行为，哪一步对目标更有价值，此刻介入是否合适，怎样让用户更容易开始并完成。
- 怎样支持： 把具体建议、相关材料和可执行动作放到当前情境中，用轻量提问、就地整理、直接进入练习等方式减少寻找入口、切换工具和重新交代背景的负担。
- 辅助型的含义： 用户可以接受、修改或跳过建议，保有学习节奏；Agent 协助组织和推进动作，理解、表达与思考由学生参与完成。
- 怎样继续改进： 结合用户反馈与后续学习表现，调整下一步选择、引导强度和出现时机。
算法过程： 读取相关状态与行为 → 识别断点 → 形成候选下一步 → 综合学习价值、执行成本与干扰程度进行选择 → 提供就地引导与行动支持 → 保存结果并反馈给后续决策。
三个具体场景：
- 理解将要流失时： 学生刚说清一个概念，Agent 提议把这段解释整理进对应章节笔记，帮助保留原意与材料关联。
- 错题即将被略过时： 学生看完解析准备继续刷题，Agent 提供一个围绕错因的小问题或对比练习，让本次混淆得到进一步处理。
- 原安排难以继续时： 昨天未完成的任务打乱今天的安排，Agent 结合现有目标、待办与可用时间提出重排方案，用户确认后继续执行。
长期研发重点： 高价值行为选择、断点识别、介入时机与交互方式的共同优化，使主动支持更有帮助、更容易接受和完成。
10站在可信材料之上，展开更高维的学习空间
基于 Agent 驱动的学习内容生成算法。
让用户选择并上传自己信赖的原始材料，依托教材、讲义和真题的品牌信誉与知识积累，为生成算法建立高质量起点，再围绕课程展开适合不同学习任务的内容。
- 原始内容的分工： 权威教材、原始讲义和真题由原有内容生产者提供。用户决定自己信赖哪些材料，知界把研发投入放在如何基于这些材料开展学习内容生成。
- 质量下限的基础： 可信材料提供知识依据、课程范围和内容约束；生成过程保留来源，并检查知识覆盖、答案与依据的一致性，守住内容质量下限。
- 更高维的含义： 同一份原始材料，可以沿学习顺序、解释深度、练习情境、表达方式和复习用途展开，形成相互关联的课程学习空间。
算法过程： 解析可信材料并组织课程 → 结合学习目标与学生画像确定生成任务 → 规划内容结构与粒度 → 分步生成 → 核对依据、覆盖与正确性 → 保存为关联课程的学习内容 → 结合使用反馈继续修订。
具体场景： 同一份高等数学教材与习题，展开为复合函数求导的学习路线、链式法则讲义、改变内层函数的变式练习，以及保留学生自己解释的笔记。原始材料与生成内容保留清楚的来源关系。
长期研发重点： 课程结构理解、不同类型内容的生成策略、难度与覆盖控制、质量校验，以及内容对具体学习目标的适配。
11让高效学习方法，成为每个人正在经历的学习过程
基于 Agent 驱动的引导式教学交互算法。
把自我解释、主动回忆、概念辨析、循序提示和变式应用等学习方法落实为当下可参与的交互。Agent 根据学生的理解与表现，动态选择教学动作、支持程度和推进节奏，让每个人更容易实践这些方法。
- 教学依据： 课程目标与当前材料、学生画像中的相关基础和困难，以及本轮作答、解释、推理过程和对提示的反应。
- 先了解怎样理解： 通过一个问题、一次复述或一个小任务，让学生的想法显现出来，判断需要补概念、辨析规则、修正推理还是练习迁移。
- 选择教学动作： 可以追问依据、提供线索、补充解释、示范一步、安排对比、要求回忆或生成变式练习；结合当前困难与学习目标选择。
- 调整支持强度： 卡住时给足以继续的帮助，取得进展后逐步减少提示，让学生承担更多解释、推导和独立应用。
- 持续检验与调整： 观察新的回答和作答，判断刚才的支持是否起效，决定继续深入、换一种解释、补充基础或进入下一任务。
- 保留教学证据： 把表现、有效支持和仍需检验的问题交给画像与记忆维护算法，让本次教学影响后续学习。
算法过程： 明确当前学习目标 → 用交互获取理解证据 → 形成可修正的教学判断 → 选择动作、任务与提示深度 → 学生参与表达和尝试 → 根据新表现调整教学策略。
方法怎样进入交互：
具体场景： 求 y = (x² + 1)³ 的导数时，学生写成 y′ = 3(x² + 1)²，漏乘了内层导数 2x。Agent 先追问外层与内层分别是什么函数，再提示对内层求导；理解后换成 y = (2x + 1)³，让学生独立求导并说明理由。两题正确结果分别为 6x(x² + 1)² 和 6(2x + 1)²。新的解释决定是否继续补基础、调整提示或进入更复杂的应用。
与技术一的分工： 辅助型主动交互关注学习链路何时、从哪里继续；引导式教学交互关注进入这段学习后，怎样组织教学动作以促进理解和掌握。
长期研发重点： 教学动作选择、诊断问题设计、提示深度、任务难度和交互节奏的适配；通过后续独立表现检验教学策略。
12持续理解这个学生，为长期规划与个性化教学提供依据
基于 Agent 驱动的学生画像与记忆维护算法。
Agent 从持续学习中提取、整合并更新与当前目标有关的证据，维护可修正的学生画像与学习记忆，在需要时取用恰当背景，成为长期学习规划与个性化教学的基石。
画像与记忆分别承担什么：
-
学生画像： 形成对当前目标、基础、掌握情况、薄弱处、进度、时间条件和有效支持方式的综合判断，帮助确定现在适合怎样学习。
-
学习记忆： 保留学过什么、怎样解释、错在哪里、接受过什么支持、还有什么待处理，以及有关材料和产物的位置，为画像与后续决策提供依据。
-
二者协作： 记忆为判断提供证据，画像帮助选择当前相关的记忆；新的学习表现持续校正二者。
-
提取有价值的证据： 从用户明确表达的目标与条件、作答和解释、教学交互、任务执行与反馈中，识别值得长期保留的信息。
-
判断怎样归并与更新： 把证据关联到相应知识、课程、困难和长期目标，合并重复信息；新旧表现冲突时保留依据并修正判断。
-
维护时效与确定程度： 区分已观察的事实与暂时推断。一次表现作为证据之一，结合独立完成情况、跨次表现和条件变化持续判断掌握程度；旧目标与过时结论及时更新。
-
按当前任务取用： 为教学提供相关基础与易混点，为规划提供目标、进度和可投入时间，为主动交互提供未完成事项与值得继续的问题。
-
支持长期规划： 结合已有目标、阶段成果与持续暴露的困难调整学习重点、任务粒度和节奏，用户确认重要调整后更新安排。
-
接续个性化教学： 下一次从此前的解释、卡点和有效支持方式继续，随着能力变化调整任务和帮助程度。
算法过程： 采集相关学习证据 → 判断长期价值与适用范围 → 归并、关联并更新画像和记忆 → 处理冲突、时效与不确定性 → 按当前任务取用背景 → 用新的交互与学习表现继续校正。
具体场景： 第一次在提示下补上复合函数的内层导数，留下“借助帮助能够解释、独立应用仍待检验”的判断；下一次换一道求导题独立作答。新的表现更新画像，并影响之后的练习重点、复习安排与教学支持程度。
长期研发重点： 证据筛选、画像更新、记忆归并与修正、相关背景取用，以及这些维护策略对规划和教学决策的实际帮助。
四项技术的统一概括：教学交互世界模型
知界将上述四项技术共同构成的算法体系概括为教学交互世界模型 ：理解和生成教学对象与交互行为的统一算法模型。
- 教学对象： 课程知识、学习材料、教学任务，以及学生当前的理解与认知状态。
- 交互行为： 提问、提示、解释、练习、反馈、学习安排，以及根据新表现作出的调整。
- 统一关系： 在共同的学习目标、状态与证据上，理解当前情境，生成合适的内容与行为，接收新的学习证据并持续更新。
13算法之外，每一层设计都影响学习能否继续
产品围绕高品位、高实用性、先进的 Agent 应用设计展开。多端适配、交互设计与工程支撑共同承载四项算法，让它们在真实学习中持续、顺畅地发挥作用。
全景关系： 可信材料、用户目标与学习证据 → 四项 Agent 核心算法协作 → 学习路线、讲义、练习、笔记、教学交互与规划行动 → 新的学习证据回到后续决策。
- 四项核心算法保持视觉与叙事上的中心，支撑设计说明它们如何落地并相互协作。
- 各端根据学习情境发挥设备优势，共享课程、目标和持续记录。
- 产品与工程的持续打磨，服务算法效果、实际可用性和完整体验。
14用户为什么留下来，为什么明天还会打开？
留存来自材料资产、使用习惯、个性化记忆与持续任务的共同作用。今天的投入成为明天的起点，让下一次学习能够沿着已有进展继续。
关系： 材料提供持续可用的资产；交互体验帮助形成使用习惯；记忆保留对学生的理解；任务把长期目标转化为下一次可以开始的行动。四者共同支持持续学习。
验证方向： 在内测中观察跨日继续、已有资产的再次使用、关键学习行为能否延续，以及后续任务的实际完成情况。设计逻辑不预设真实留存数据。
15把长期优势，积累在学习算法里
本项目的核心护城河在于算法。持续研发和打磨四项 Agent 学习算法，是长期投入的主线，也是选择自身定位、参与传统与现有产品竞争的原则。
- 对竞争的判断： AI 开发提高软件实现与迭代效率，通用功能和产品形态更容易被实现与复制。知界把核心差异化投入集中在学习算法的持续进步上。
- 内容的角色： 用户信赖的原始材料提供高质量起点，品牌信誉由这些原有内容承载。知界研发如何基于材料生成、引导、衔接和个性化地组织学习。
- 产品实现的角色： 高品位、高实用性的产品与可靠工程，是算法发挥作用的载体，帮助研发能力进入真实使用场景。
- 算法积累的内容： 怎样选择下一步、怎样生成更适合课程的内容、怎样引导学生掌握、怎样维护长期画像与记忆，以及检验这些策略的方法和研究结论。
- 优势怎样形成： 持续分析真实任务中的成功与失败，形成可复用的算法策略、评测方法与改进经验，把底层模型的进展转化为更好的学习支持。
- 挑战现有产品的路径： 利用 AI 提升产品交付效率，把主要研发注意力集中在学习问题和算法质量上，通过完整场景的效果验证逐步建立优势。
长期研发主线：
研发循环： 真实学习任务 → 识别算法问题 → 调整策略 → 对照评测与场景验证 → 沉淀方法与结果 → 进入下一轮研发。
16算法怎样实现，怎样持续变好
认知结构约束教学，多 Agent 组织执行，可信材料与长期记忆形成依据。研发围绕真实任务、完整运行轨迹与可复查的实验持续推进。
记忆维护原则： 以新事实修正冲突；对约定与决定保留来源；已有系统可查的进度与材料不重复堆入记忆；更新具体片段，保留仍然有效的上下文。可靠的记忆维护是持续研发问题。
成熟研发流程
- 评估基准。 共同材料与任务，覆盖典型学习断点、认知边界、内容质量和跨次记忆；明确过程证据与独立学习表现，形成 Benchmark 与任务集。
- 设计研发。 调整认知与教学策略、Prompt、工具和上下文装配契约。沿输入、动作、产物回看运行轨迹，以 Context Engineering 与 Trace 支持归因。
- 数据实验。 进行模型、策略与提示方案的对照；设计消融实验，区分哪个机制影响结果。短期交互成本与较长期理解、回忆和迁移分别观察。
- 回归与交付。 通过评测工作台查看原生产物、对照实验与真实运行，完成回读与场景验收，同时观察时延、资源成本和稳定性，再确定下一轮改进。
现有工程基础： 认知图、伴学回合、Agent 编排、双层记忆和评测工作台已有架构与实现基础。
持续研发方向： 跨次教学与规划策略、长期记忆质量、同条件对照及学习效果实验。技术名词与已有基础不直接等同于教学效果已获验证。
17持续学习服务的商业模式
按服务层级订阅，各档设定明确的使用上限，价格、权益与限制结合学习需求和服务成本确定。
- 收入机制： 分级订阅，按服务权益与使用强度划分档位。
- 限额制度： 各订阅档位对应明确的使用上限，让服务范围与价格、成本相匹配。
- 持续付费的价值： 获得主动衔接、课程内容生成、引导教学与长期个性化带来的持续支持，减少组织负担并接续自己的学习。
- 成本构成： 导入时的材料处理，学习过程中的日常伴学，按任务发生的内容生成，持续的存储与支持。
- 商业验证顺序： 首次学习是否有用，是否跨日继续使用，哪些价值支持付费，再确定价格与权益。
- 定价同时回应用户价值、使用强度与服务成本。
18百万级备考人群，提供明确的切入场景
以考研自学为起点，面向目标清晰、材料密集、需要持续练习与复习的成人学习者。考研与国考分别形成百万级年度备考人群。
- 首个服务场景： 考研自学者。从自己的教材、讲义与真题开始，验证多科备考中的跨日持续学习。
- 相邻需求空间： 考公、职业资格与语言考试，同样包含材料组织、持续训练与反馈需求；不同考试需要适配训练方式。
- 统计口径： 人群可能重叠，不将两项相加作为独立用户总量。国考数据不含各地省考；过审不等于报名确认或实际参考，以上人数也不等于可获得或付费用户。
19备考服务已有从数百元到万元的价格带
课程、训练、伴学与小班教学形成多层次供给，为持续学习服务提供付费场景参照。以下为机构官网的具体班型报价样本，查询日期为 2026 年 9 月 23 日。
知界的付费主张： 把日常组织、练习反馈与个性化伴学做成持续服务，通过分级订阅匹配不同学习需求。
报价口径： 这些样本展示备考服务的供给与价格层次，服务内容和期限各异；价格会随活动与班型变化，不能直接折算为可比月费。官网报价不代表实际成交、付费渗透率或知界的已验证付费意愿；知界的订阅档位、价格与使用上限结合内测确定。
20初代已成形，进入真实用户验证
初代产品开发基本完成，下一阶段要检验那些容易被省略的学习行为是否更容易发生，以及服务能否持续。
- 现在： 初代开发基本完成，准备内测，打磨围绕个人材料的一段完整学习体验。
- 2026 年 10 月内： 计划启动内测，围绕考研自学者的实际材料与任务迭代。
- 2026 年底或 2027 年初： 计划上线，结合内测质量、成本与运营准备调整节奏。
- 长期主线： 持续研发四项核心算法，以真实任务和评测检验策略变化，深化核心体验并逐步适配专业领域。
- 内测围绕四项核心算法观察：断点是否得到衔接、生成内容是否可用、教学支持是否合适、画像与记忆是否帮助下一次学习，同时记录服务成本与运行质量。
21把学习问题，落实为算法与产品
团队连接一线 AI 研究、学习算法研发、产品判断与系统交付，支撑四项核心技术的持续打磨。
李世昊｜创始人 · CEO
- 南京大学人工智能专业在读硕士。
- 多篇论文获 CCF-A 类会议收录。
- 曾在上海人工智能实验室、可灵 AI 担任算法实习生。
- 南京大学教育大模型平台《南雍智学》项目负责人。
- 知界项目团队负责人，主导产品开发、日常决策与团队建设。
刘佳恒｜首席科学家
- 南京大学智能科学与技术学院助理教授、特聘研究员、博士生导师。
- 曾任阿里大模型算法专家，入选“阿里星”；获 ACL 2024 杰出论文奖。
- 发表论文百余篇，CCF-A 类 70+；M-A-P 开源社区联合创始人。
- 提供研究方向把关、产学研资源与早期资金支持。
团队能力
- 科研与算法：LLM、Agent、RL 与评测积累，为学习算法的研究和验证提供基础。
- 产品与工程：把算法落实到完整学习场景，持续打磨体验与系统交付。
- 资源网络：高校科研、产业协作与早期支持。
22让每一次学习，都有后续。
让理解留下来，让错误得到处理，让积累继续发挥作用。
- 回扣开篇被省略、被搁置的学习环节。
- 邀请了解产品演示，交流内测进展与后续发展。
- 引语：“君子生非异也，善假于物也。”——荀子《劝学》。
Notion
Obsidian
OneNote
印象笔记
语雀
飞书
Anki
Quizlet
RemNote
扇贝
墨墨背单词
新东方在线
粉笔
高途
学而思网校
中国大学 MOOC
ChatGPT
Gemini
Claude
豆包
Kimi
DeepSeek
NotebookLM
StudyFetch
Knowt
Mindgrasp
Khanmigo
Manus
扣子空间
WorkBuddy
OpenClaw