一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
一个开源工具「知返 AhaDiff 」：把 AI 写的每次改动都给你讲清楚，让你 vibe coding 时不再无脑点继续 起因：使用 ai 进行 vibe coding 虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：用 ai 写出一大段代码，我大致看一眼，回复继续；只要没出错就一直继续。如果报错或者不符合我的需求就把问题告诉 ai ，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为 ai 替我完成了 90%以上的代码改动。 并且在论坛中我经常看到类似的讨论，很多人都提及了这个问题：通过 vibe coding 指挥 AI 把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把 ai 的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免 ai 的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码 diff ，右侧的 claim 卡片点开，会跳转到对应 diff ，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据 fsrs 算法，会加入之前做过的测验题 看懂了 lesson 的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在 settings 中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge （ opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在 webui 中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了 llm-wiki 和 graphify 的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次学习算不算合格。你也可以 另开一个模型当「第二评委」复核一遍 ，不过它只是参考，不会推翻判定。分数是透明的，点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会觉得某次讲得还不够透，想让它再讲好一点。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 整个改进过程它不碰 git 、不改 prompt 、也不覆盖你原来那条已经保存的记录。 怎么用：先装上，然后基本就两条命令 现在已经可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供 webui ，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff 中进行学习。 几个让你省心的点： 你的代码 diff 默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （ BYOK ），支持八种 AI 服务格式。如果不想使用 api ，避免隐私泄露的情况，也支持接入本地的 LM Studio 或 Ollama 。 能导出成 Anki 卡片 ，复习完成后还能导出为 anki 卡片，接入自己日常使用的 anki 软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude 、Codex 、Cursor 、Copilot 、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff （综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn ，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key 、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI ，直接 pip install ahadiff 即可。源码安装主要给贡献者开发时使用： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux 上支持。 链接 GitHub： https://github.com/AGI-is-going-to-arrive/ahadiff 项目主页： https://agi-is-going-to-arrive.github.io/ahadiff/ 演示视频（中文，带字幕）： https://www.bilibili.com/video/BV1b57k6yEWm 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试👏。 让你从每次 vibe coding 中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个✨ 有问题的或者觉得可以改进的地方的欢迎提 pr 和 issues 。
本帖使用社区开源推广，符合推广要求。我申明并遵循社区要求的以下内容： 我的帖子已经打上 开源推广 标签： 是 我的开源项目完整开源，无未开源部分： 是 我的开源项目已链接认可 LINUX DO 社区： 是 我帖子内的项目介绍，AI生成、润色内容部分已截图发出： 是 以上选择我承诺是永久有效的，接受社区和佬友监督： 是 以下为项目介绍正文内容，AI生成、润色内容已使用截图方式发出 AIGC已经截图，github在readme添加了linux do友链 vibe coding 之后，你真的学到东西了吗？ 一个开源工具「知返 AhaDiff」：把 AI 写的每次改动都给你讲清楚，让你vibe coding时不再无脑点继续的，从中学到真东西。 起因：使用ai进行vibe coding虽然快，但是代码中的改动却没有内化成自己的知识 我用 AI 写代码经常是这样：给ai相关需求，用ai写出一大段代码。我大致扫一眼，感觉没啥问题，就继续下去了；只要没出错就一直继续。 如果报错或者不符合我的需求就把问题告诉ai，进行改动。项目完成了，各个功能都正常运行了，跑得也不错。 可是有个问题，假如你回头问我「这个地方为什么这么写」，很大可能是一脸懵逼的状态，因为ai替我完成了90%以上的代码改动。 并且在论坛中我 经常看到类似的讨论 ，很多人都提及了这个问题： 通过vibe coding指挥AI把活干了，效率确实高，可一个项目做完，自己好像没怎么长进，没有从中学到真东西。 我想要的其实很简单：AI 写完之后，有个东西能把这次改动给我讲清楚，为什么要这么改，这么改的作用何在，并且把这次改动的知识进行内化，形成自己脑子中的知识，于是就开发了知返这个项目。 它就干一件事：把ai的改动变成能查证的笔记，能让你学到真知识 知返通过读你的一次代码改动，把它 变成一份完整的学习材料 ：形成一篇完整的「改了什么、为什么这样修改」的课程，一份每条结论都标了出处的清单。 同时附带完善的测验和带复习周期的复习卡片，通过复习曲线设置，一遍遍的重复，避免相关知识的遗忘 ，而不仅仅只是展现相关改动的相关知识点。 运行面板：每学一次就多一条记录，带评分和质量趋势 并且为了 避免ai的幻觉问题：笔记里每一句话，都要绑到某个文件的某一行代码上 ，再附带这个学习笔记对应的一个状态： verified 有据可查 weak 证据偏弱 not_proven 没验证到 contradicted 和代码对不上 rejected 被否决 课程页：AI 把这次改动的相关知识点展现给你看 差异页：左边是代码diff，右侧的claim卡片点开，会跳转到对应diff，同时能看到这次改动对应的知识点 光看知识点还不够，那么我们学习完成之后测试你真的会了吗，并且根据fsrs算法，会加入之前做过的测验题 看懂了lesson的笔记知识点，不代表你真的会了，并且会用了 ，所以学习完课程之后还 附带了测验和复习卡片 。 测验是 通过选择题的方式呈现给你，可在settings中动态设置测验题的数量。 每道题答题完成之后，能看这道题对应的知识点，以及这道题经常出错的地方 测验页：以选择题的形式呈现，答完才显示这道题目对应的代码改动 复习用的是间隔重复，就是 Anki 复习卡片那套思路，背后是 FSRS 算法。学过的东西会按遗忘曲线，在合适的时间点加入到复习部分让你再过一遍，避免看一遍就忘的情况。 复习页：到期的卡片按 Again / Hard / Good / Easy 评分 测验和复习还嫌不够的话，再来个 Challenge（opt-in 的进阶玩法） ：它把某次改动做成一道挑战，让你自己先过一遍，再拿你的结果和真实 diff 逐条比对， 把你漏掉、没掌握的地方挑出来 ，然后反馈到复习中。对着某个 run id 跑 ahadiff challenge build <run_id> ，就能在webui中体现。 学得多了，知识会自己连成网，形成真正的概念图谱 借鉴了llm-wiki和graphify的思路。 同一个概念在好几次改动里反复出现，知返会把它们收集起来， 连成一张概念图谱。 概念图谱：横跨多次改动的知识地图 每次学习都打分，能看出自己在不在进步 每跑一次，知返会 从准确性、证据、覆盖率等八个维度打个 0 到 100 的分 ，判定这次课程学习算不算合格。你也可以 设置不同的模型当「第二评委」复核一遍 ，避免同一个模型有没有考虑到的地方。 课程分数是透明的， 点开能看到每一个维度的评分细节。 运行详情：八个维度的评分明细 觉得某次讲得还不够好？让它重学几遍，分数更高才留 打完分，你可能会 觉得某次讲得还不够透，想让它再讲好一点 。 improve-run 能够解决这个问题。 对着某次 run 跑 ahadiff improve-run <run_id> ，它会在你自己的项目里，拿这次改动把课程用更高质量重新生成几遍（默认 3 遍，专门盯着上次得分最低的那一维改进），再进行一次重新打分。 只有新生成的分数确实比原来高，才会留下来 。 Tips：整个改进过程它不碰 git、不改 prompt、也不覆盖你原来那条已经保存的记录。只是生成更好的学习课程。 怎么用： 可以直接从 pip 安装： pip install ahadiff 装好并配好 provider 之后，核心就两步： # 学一次最近的改动 ahadiff learn HEAD~1..HEAD # 打开本地网页，看笔记、做测验、复习 ahadiff serve serve 会提供webui，供你学习。想学暂存区里还没提交的改动，就 ahadiff learn --staged 。 改动从哪来都行：最近的提交、暂存区、补丁文件、两个目录的对比，一共支持十种来源，不仅仅是从 git diff中进行学习。 几个加强点： 你的代码diff默认不外传 。隐私默认是 strict_local ，diff 和代码都待在你本机；想用远端模型，得你自己显式打开， 建议调成脱敏远端模式，日常使用更加方便。 用你自己的 key （BYOK），支持八种 AI 服务格式。如果不想使用api，避免隐私泄露的情况，也 支持接入本地的 LM Studio 或 Ollama。 能导出成 Anki 卡片 ，复习完成后还能导出为anki卡片，接入自己日常使用的anki软件。 能给 AI 助手写本地规则和 skills 。如果你希望 Claude、Codex、Cursor、Copilot、Gemini 这些工具也知道怎么使用知返，可以在项目里运行 ahadiff install --detect ，再按需要执行 ahadiff install codex 或 ahadiff install claude 。它写的是项目本地指引，不会把代码上传出去。 改动太大也不怕撑爆模型 。默认会按你选的模型上下文，自动算出这次最多捕获多少 diff（综合模型上下文、输出预留和中文 diff 的密度），不会一股脑全塞进去；想自己定也行，在 settings 里切成手动模式。 懒得每次手动跑 。 ahadiff watch 能盯着你的仓库，文件一改就自动触发 learn，适合边 vibe coding 边顺手把这次改动学掉。 设置页：填 key、选模型、调隐私和捕获上限，都在这 部分限制 现在已经发布到 PyPI，直接 pip install ahadiff 即可。源码安装也可以通过以下方式安装： uv tool install --editable . 。 默认功能不需要额外安装；只有 FSRS 参数自动优化这种重依赖能力需要单独装 pip install 'ahadiff[optimizer]' 。 Windows 上核心的 learn 和 serve 均可使用；但是需要注意的是，个别功能（比如 --compare-dir 目录对比）目前只在 macOS / Linux上支持。 链接 GitHub： GitHub - AGI-is-going-to-arrive/ahadiff: Learn from your vibe coding instead of just clicking Accept. AhaDiff turns each AI diff into a code-verified lesson, quiz, and review. · 别再无脑 vibe coding 啦！让你从 vibe coding 中学到真东西。每次改动都变成能查证的课程、测验和复习。 · GitHub 项目介绍主页： 知返 AhaDiff: AI 写完，Diff 教回 演示视频（使用remotion 制作，可能不够完善，请谅解）： bilibili.com 光会用ai进行vibe coding 还不够，还得让它教会你点东西（知返开源项目介绍）_哔哩哔哩_bilibili 光让 AI 帮你 vibe coding，一路点确认就过，时间一长你会发现：项目做了不少，自己的代码功力没怎么涨。代码跑起来了，那点知识却没怎么留在你脑子里。知返 AhaDiff 就是让你从 AI 写的这些改动中让你学到真东西，从而内化成你的知识，它是个本地优先的开源工具，能从十种来源读你的一次代码改动，最近的提交、暂存区、补丁文件、两个目录的对比都算。读进来之后，它把这次改动变成能查证的学习材料, 视频播放量 80、弹幕量 0、点赞数 9、投硬币枚数 0、收藏人数 3、转发人数 2, 视频作者... 如果你也常有「这代码是 AI 写的，我想从中学到真东西」这种想法，欢迎尝试 。 让你从每次vibe coding中学到真东西，而不只是无脑确认/继续。 觉得有用的欢迎给这个项目点个 有问题的或者觉得可以改进的地方的欢迎提pr和issues。 5 个帖子 - 3 位参与者 阅读完整话题