GitLearnOS 深度研究：把「学习状态」存进 Git 的个性化 AI 辅导协议

GitLearnOS 深度研究：把「学习状态」存进 Git 的个性化 AI 辅导协议

目录

GitLearnOS 深度研究：把「学习状态」存进 Git 的个性化 AI 辅导协议

先说一句人话版：现在会解题、会出题的 AI 一大把，但大多「教完就忘」——你下一回来找它，它又从零猜你是谁、卡在哪。GitLearnOS 想解决的不是「AI 怎么教得更好」，而是「你的学习状态，凭什么归平台所有、随会话蒸发」。它的答案很硬核：把状态写进一个学习者自己拥有的 Git 仓库，让可替换的主 Agent 每次都从已确认的位置接着教。

它不是一个辅导 App，不是一个模型，也不是一个数据库。它是一份平台无关的行为契约（协议版本 2.0-draft），外加一套可安装的 Skill、模板和（Developer Preview 阶段的）DeepSeek Harness 原生适配。下面逐层拆开。

一、核心承诺：学习发生在任何地方，状态属于你

GitLearnOS 给一个「有能力、可替换」的主 AI Agent 配上一块学习者私有的 Git 记忆。它负责：察觉有价值的学习事件、把证据连到目标、引导下一步、留下一份可检查、可撤销的记录。

关键定位有三句，值得反复读：

学习可以发生在任何地方——跟老师、在课堂、纸上、书里、练习平台、项目里、同伴间，或另一个 AI 面前。GitLearnOS 不把学习圈进某一个应用。

主 Agent 只接最有用的证据，不替你作答，也不替真实表现判定「会不会」。

默认私有。只有当学习者主动选择备份、跨设备、求师评阅、协作或发布时，才加远程仓库；且私有作答与缺口必须和共享材料分开。

它最反直觉的一点：Git 是基础设施，不是学习者要完成的任务。正常学习时，你不该被要求管分支、文件名或提交。Agent 先回答你的眼前问题，再在后台做最小的安全写回。

二、架构：四层各司其职，谁也不越界

GitLearnOS 反复强调一句话：Git 是正式事实来源，RAG 只是可重建的检索层，Scheduler 只负责按时唤醒，Harness 只是承载事务的管道。任何一层都不能变成「学习事实的唯一来源」。

层
职责
是否必需
越界禁止

Git 仓库
正式、可读、版本化的学习真相
✅ 必需（可纯本地）
不能作为「第二套事实」之外的真相

RAG（RAG-Anything，可选）
检索已授权教材/笔记/晋升后的长期知识
❌ 可选，禁用也能跑
不能替 Agent 做掌握判定，不能每次回答都查

Scheduler（真实调度器）
在约定时间唤醒同一个主 Agent 跑到期复测/整理
❌ 可选（无则不标 automation-ready）
不能因此创建「第二个学习 Agent」

DeepSeek Harness 原生包
承载可校验的 Git 学习事务 + Agent 控制的面板
❌ 仅 Developer Preview 适配
Host 不发明排名、不把面板状态当学习证据

设计上的清醒在于：它拒绝「再训练一个专门的学习模型」或「再起一个 RAG Agent」的思路。所有决定由唯一主 Agent 基于任务证据做出，RAG 和调度器都只是被同一个 Agent 调用的工具。

三、学习事务模型：一次原子提交，可撤销

整个闭环长这样（协议原文）：

真实学习事件
→ 整理有价值的证据
→ 需要时生成针对性问题
→ 接收作答或外部反馈
→ 更新下一步
→ 提交一次可撤销的 Git 改动

在 DeepSeek Harness 适配里，这一步由 learning_apply 落地：在 safe-auto 模式下，它能把一次学习变化里涉及的 event（事件）、knowledge-gap（知识缺口）、model（AI 提炼的可复用理解）、review（复测）、dashboard（总览） 五种操作，原子地写进同一笔可撤销的 Git 提交，前提是先过四道严格校验——学习者身份、setup/config、基础版本（base revision）、写入授权。

三种写入模式：

safe-auto：先解决眼前问题，再做最小安全写回（默认）。

preview：只给出精确的待改内容，不落盘。

manual：等学习者确认。

每次可写操作结束，Agent 必须回一张回执，包含改动文件与 git revert 撤销边界。删除、改长期目标、发布/外发、密钥、大范围重构，即使在 safe-auto 下也必须先问。

主 Agent 持续只回答三个问题：你卡在哪、现在给什么帮助、下一题该验什么。它依据任务表现，不给学习者贴抽象标签。

四、诊断纪律：同一句「不会」，不该得到同一个下一步

这是 GitLearnOS 最见功力、也最不像普通 AI 辅导的地方。协议里写得很硬：

表面错误是信号，不是诊断。在排除一些合理的替代解释之前，不得把「不会求二次函数最大值」升级为知识缺口。这是协议，不是模型性格。

它把「诊断」做成一个有证据链接的假设，而不是关于学习者的既定事实。流程是：

信号（非预期错误 / 认真尝试仍卡住 / 与既有掌握冲突）
→ 互竞假设
→ 鉴别性追问（约 1–3 个，只为劈开活假设）
→ 得到支持的最佳诊断，或仍保留不确定性
→ 学习者要求或确有必要时做干预
→ 独立、延迟的迁移检验
→ 印证、否定或改写学习模型

举协议里的例子：三个人都答错了 y = −2x² + 4x + 1 的最值题——

学生 A：不懂系数符号与开口方向的联系 → 练「符号 → 开口 → 极值」链；

学生 B：概念懂，但调不出顶点公式 → 恢复公式，或改用配方法；

学生 C：只是这一题漏看了负号 → 确认是偶然误读，不做过度训练。

三条完全不同的路径，源于同一个「我不会」。

更狠的是「写入门槛」：只有当某个具体假设已有正向鉴别证据、且会改变教学的替代已被排除或明显削弱时，才能写 supported；否则最多写 suspected，或保留精简事件、diagnosis_status = unknown。新证据否定某假设时，标为 falsified 但保留历史，并停止用该原因选题。

掌握度也只有三档，且刻意朴素：

unknown：没有有效表现证据；

learning：有尝试或在帮助下完成的证据；

demonstrated：经过间隔后独立完成，且目标要求迁移时完成迁移。

「读过了、做完了、刚模仿会了」都不算掌握。demonstrated 的判定权，永远留给间隔后的独立迁移证据，而不是模型写得多完整、重复多少次、或 AI 多有信心。

五、可修正、可追溯：Git 给的底气

传统 AI 辅导最大的黑箱，是「它觉得你不会」这件事既不可见、也不可改。GitLearnOS 把这件事摊在阳光底下：

撤销即 git revert：上一次学习更新写错了？一条命令回到过去。

纠正是新记录，不是静默改写：原始作答、笔记、外部反馈永远保留；更正以新记录链接旧记录。

旧判断可被新证据推翻：昨天标 supported 的诊断，今天新表现冲突，就打开互竞解释（遗忘？复杂度上升？迁移失败？以往掌握过于乐观？当天状态？），再出一道鉴别题。

Dashboard 只是当前视图，不是第二套事实来源。

协议把「诚实」写成铁律：没有证据就写 unknown 或「待验证」，不能猜测补全；从不声称一次写回、提交、RAG 检索、调度运行或掌握度——除非有直接证据。这跟许多产品「假装已替你配好调度器」的作风形成鲜明对比（README 明说：「网站 CTA 不创建仓库，也不假装某个按钮已 provision 了调度器」）。

六、持久与可移植：换 AI 也能继续

因为状态躺在学习者自己的 Git 仓库里，所以：

换一个主 Agent（Claude Code / Codex / OpenCode / 任意支持 Git 的运行时），状态接着用，不用从零猜你；

不要求 GitHub。纯本地 Git 就能跑完整闭环，远程仓库只是异地备份/协作的可选项；

连续性由多层分担：AGENTS.md/项目指令管长期规则，原生 AI 记忆只当「唤醒指针」，真正证据永远在 Git 仓库；

隐私默认私有：大型教材、PDF、扫描件放 Project Sources 或授权本地文件夹，Git 里只存紧凑状态、出处指针和看过的片段，不提交大体积、受版权或私密原件。

七、DeepSeek Harness 原生支持（Developer Preview）

GitLearnOS 目前独家为官方 DeepSeek Harness Developer Preview 提供原生包。落地说明白纸黑字区分了「证明了什么」和「没证明什么」，这种诚实很罕见。

已证明（当前代码）：

一个免构建（no-build）的 Host + 浏览器客户端，被 Harness profile 发现；

受约束的 learning_status、learning_route 只读观测；

一笔 gitlearnos.yml 授权的 learning_apply 事务：在严格校验后原子提交 event/gap/model/review/dashboard；

回环只读面板：展示 Agent 维护的 Next up 队列，尊重 Panel: expand|collapse，标注开发用样例数据；

五项队列动作：复测、练习、带一道选择题收尾、问老师、看笔记。

未证明（务必看清）：

安装包只证明「被发现」，不证明学习者仓库写入权限、RAG 摄取或后台部署；

RAG 不在本包内，也不被调用/配置；

重复检查不依赖第二个 Agent，但只有真实具备仓库能力的调度器确实按时唤起了同一个主 Agent，才算数（Harness Schedule 是会话级的，得真能提供这种调用才算）；

视觉能力：DeepSeek 默认纯文本。两条受支持路径——配支持图片输入的第三方多模态模型，或保留 DeepSeek 为主模型、装一个授权的视觉/OCR 桥接插件；两者都没有时，Agent 必须请学习者转写，不能猜图片内容。

Developer Preview 阶段，那个窄 Host 最多拿 host-baseline-pass；只有演示出可写入的集成，才给 full-pass。

八、设置：唯一标准指令与就绪状态

Quickstart 里藏着一段「唯一标准设置指令」（canonical setup prompt），要求 Agent：完整读协议、默认用户即学习者、一次性问清目标/学科/当前资料/可选本地 RAG、等学习者回答前绝不安装或提交、配置持久项目指令与原生记忆、在两个真实调度器里各试运行一次、最后报告触发层与撤销边界。

最小落地仓库：

gitlearnos.yml # 唯一持久配置与部署声明
AGENTS.md
automation.md # 真实调度器状态
dashboard.md
learner-profile.md
subjects/<学科>/
goals/main-goal.md

gitlearnos.yml 里有一份最小形状，值得贴出来看清它的「诚实默认值」：

protocol: "2.0-draft"
mode: safe-auto
authorization:
automatic_writes: true
commits: true
push: false
privacy:
repository: private
store_conversations: false
rag:
choice: undecided # 设置门槛前的诚实默认，undecided 不算就绪
automation:
time_zone: Asia/Shanghai
jobs:
maintenance: { recurrence: daily, local_time: "21:30" }
due-review: { recurrence: daily, local_time: "07:00" }

就绪状态必须由可验证证据计算，不能手写成宣传字段：

状态
含义

core-ready
已验证目标仓库身份、gitlearnos.yml、入口说明及基本读写/Git 能力

knowledge-ready
已回答并记录目标/学科/材料边界/来源工作区及明确 RAG 选择（enabled 或 declined）

automation-ready
两个重复任务均在具备仓库能力的调度器中观察到，并各真实测试一次

full-ready
三者皆满足且所有声明能力独立验证

incomplete
缺失能力诚实标出，不静默升级

那两个每日任务——due-review（默认 07:00，生成可立即作答的具体题）和 maintenance（默认 21:30，整理待办/过时视图/矛盾状态）——没有真实调度器运行证据就只能标 incomplete，绝不靠「我计划了」冒充「跑过了」。

九、评测与验收：18 个场景，不靠文本匹配

GitLearnOS 用文档化学习场景验收，而不是精确文本比对。人和 AI 都能跑同一批 case，每个场景定义：初始状态、学习者输入、必需行为、禁止行为、可观察证据。通过 = 仓库与回执满足每条不变量。

18 个场景覆盖：单次请求引导（01）、整理笔记（02）、调和教师反馈（03）、生成到期复测（04）、独立作答写回（05）、防伪造与去重（06）、无 GitHub 运行（07）、受限 SAT 学习（08）、识别隐含学习事件（09）、GitHub 师生协作（10）、无 Skill 连续性（11）、跨 Agent 安装校验（12）、可选 RAG 路由（13）、重复错误综合成可迁移模型（14）、重复组织与出题（15）、DeepSeek Harness 原生校验（16）、鉴别诊断前置（17）、新学习不触发审问式诊断（18）。

还给了机器可校验的产物 schema（JSON），断言：一键回退、仅含问题的脱敏、证据支撑的晋升不阻塞冲突、对 demonstrated 要求延迟独立迁移、规范队列 ID/路径仅在实质变化时重排。这套「可机器验证」的设计，比绝大多数 AI 教育项目的「演示视频即证据」扎实得多。

十、批判性评估：强在哪，坑在哪

强项

厂商中立 + 学习者所有 + 可移植：状态在你自己的 Git 里，换 Agent、换平台都不丢，不被任何一家锁定。

证据链接、可修正、可审计：git 天然给出版本、撤销、追溯；纠正留痕不静默改写。

鉴别诊断的严谨度罕见：把「表面错」和「真因」严格分开，写入门槛高，摆明反对 AI 给学习者贴标签。

诚实性纪律到位：明确区分「已证 / 未证 / aspirational」，禁止无证据声称，连「假装配好调度器」都点名批评。

评测可机器校验：18 场景 + schema，验收门清晰。

弱点与开放风险

仍是 Developer Preview，成熟度未知：独家适配目前只是窄 Host，写入集成尚未广泛验证；单维护者项目（Guojiz），存在 bus-factor 与长期维护风险。

不是开箱即用：完整闭环要求一个具备 Git 读写能力的 AI 运行时——本地 Git ≠ 完全离线的 AI 系统，仍要能跑模型。设置还有不低的摩擦（Skill 安装、原生路径、调度器验证）。

Git 历史可能变噪：每次学习事件一笔提交，长期下来仓库提交量大，需要良好的 reconcile/去重纪律（协议已要求「重复输入更新既有状态而非新建文件」，但仍考验实现）。

RAG 可选但大材料刚需：教材/长 PDF 多了，没有 RAG 会吃力；而引入 RAG-Anything 又加一层复杂度与隐私面。

视觉能力依赖插件：默认纯文本，看不懂图片/板书，除非配多模态模型或 OCR 桥；否则只能请人转写。

成功条件难自动度量：协议说成功 = 「日后独立表现更好」，而不是「生成笔记更多」——这个标准正确，但很难由系统自证，更多靠外部评测场景兜底。

采用度未知：公开 Star 数、实际用户规模无从在本研究中核实，属于「unknown」而非「零」。

十一、与同类对比（简表）

维度
GitLearnOS
通用 LLM 辅导
Khanmigo 类
Anki 类

状态归属
学习者 Git 仓库（私有、可移植）
平台会话（易蒸发）
厂商云端（锁定）
本地/账户（仅卡片）

诊断深度
互竞假设 + 鉴别追问 + 写入门槛
通常直接给讲解
中等，偏引导
无（纯记忆间隔）

可修正性
git revert + 链接式纠正
几乎不可见
弱
卡片可编辑

跨 Agent 移植
✅ 仓库即状态
❌
❌
部分（导出）

是否需要模型
需外部运行时
需模型
需模型
不需要

诚实性纪律
强（已证/未证分明）
参差
厂商自述
不适用

核心差异一句话：别人卖「教你的 AI」，它卖「属于你的学习真相」。

十二、给技术负责人的启示

步子哥这种带团队、做高并发 Agent 系统的人，看 GitLearnOS 不该只当「教育工具」，而该看它的状态层架构范式：

把「可变状态」与「可调用的智能」解耦：智能（Agent/模型）可替换，状态（Git 仓库）归用户——这套思路对任何「长期服务的个性化系统」都成立，比如你正在做的 AlphaGPT 经验资产层。

原子事务 + 严格校验 + 可撤销回执：一次有意义的变更 = 一笔带身份/版本/授权校验的提交，并回执撤销边界。这正是高可靠 Agent 写操作的样板。

调度不养第二个 Agent：只唤醒同一个主 Agent，避免「多 Agent 各写各的」导致状态分裂——和很多 Multi-Agent 框架的坑正好相反。

诚实性即架构约束：把「无证据不声称」写进协议和验收场景，而不是靠prompt 良心。值得在任何对外 Agent 产品里照搬。

一句话：GitLearnOS 卖的不是「更会教」，而是「你的学习历史，终于不再被任意一家 AI 厂商绑架」。这比任何解题准确率都更值钱。

收口：速记口诀

状态归你，存进 Git；表面是错，不是诊断；

互竞假设，鉴别才定；纠正留痕，revert 能回；

换 AI 不慌，仓库接着教；已证未证，分得清才配叫可靠。

参考来源

GitLearnOS GitHub 仓库：https://github.com/Guojiz/GitLearnOS （MIT License，v2 协议开发中）

官方站点：https://guojiz.github.io/gitlearnos/

README.md：核心承诺、四层架构、DeepSeek Harness 原生支持范围

zh-CN/GITLEARNOS.md（协议 2.0-draft 中文译版，英文 GITLEARNOS.md 为机器可执行正式契约）：诊断纪律、写入权限、Git 行为、自动化、合格标准

zh-CN/QUICKSTART.md：唯一标准设置指令、最小仓库结构、就绪状态

docs/deepseek-harness-launch.md：已证 / 未证边界、视觉能力路径

evals/README.md：18 个验收场景、机器可校验产物 schema、接受门

中文介绍视频：https://b23.tv/n2DTU1d

本文由 deep-research 检索官方仓库与文档、交叉核验协议与落地说明后写成；引用均指向上述公开源文件。

生成时间: 2026-08-21 09:38 · 源文件 SHA256: 8a2f1d070af948c8