本文档阐述熵减（Entropydecrease）产品的顶层设计哲学—— 为什么这样设计、不那样设计、这些设计背后的一致性逻辑。 理念基线：pain-points-v4.md（v4.0 统一卷，两地形、一产物、一循环）。 分工：v4 是理论/蓝图唯一主导文档（痛点假设、地形判据、架构、指标、路线图）；本文档是所有决策共享的哲学底座——凡与本文档冲突的设计，要么改设计，要么改本文档，不允许静默并存。 关联：PRD · MVP 画布 · 痛点图谱 v4 · 笔记设计理念 · 知识体系设计理念 · ADR 系列
技能自学者的学习链路存在一个结构性缺口。但这个缺口的性质，随着认知的深化被修正过一次：
- v1.0 时代的表述：
视频知识 → [提取难] → 零散笔记 → [遗忘快] → 再次学习——缺口在知识流动层。市场方案要么只做「提取」（通义听悟、讯飞听见），要么只做「记忆」（Anki、闪卡 App），要么只做「写作」（Notion、Obsidian），没有人把「提取→理解→记忆→应用」作为一条完整链路来设计。 - v4.0 的修正：缺口不止在知识层。还有一个更高熵、衰减更快的系统——「我是一个正在学会 X 的人」这个自我叙事。死亡清单式的检验揭示了一个不对称性：知识衰减了可以重建（笔记还在、卡片还在），叙事断裂了人就真的走了。而且顺序是反的——人是先「不再觉得自己是学习者」，然后才停止复习的。
学习死亡的正确描述：遗忘是尸检报告上的死因，叙事断裂才是原始病因——但叙事只以真实能力为食。
这一修正改变了一切设计决策的落点：产品第一职责不是「帮用户记住更多」，而是维护叙事与能力的同步。
熵减不是帮用户记住更多，而是维护「我是一个正在学会 X 的人」这个自我叙事的连续性。 实现形态：结构在内容里的，成为课程；结构在行为里的，成为组；两者被同一个学习循环接住。
帮助技能自学者解决视频知识提取难、学过即忘的问题， 通过课堂助手（捕获→转写→结构化）+ 间隔重复闪卡闭环， 不同于云端转写工具（只提取、不持久化、按分钟收费）。
注意定位层级：这是MVP 的入口价值，不是终局价值。课堂助手解决「提取难」，但提取只是飞轮的点火点；闪卡解决「遗忘快」，但遗忘不是真正的死因。入口解决痛点，底座解决叙事——两者缺一不可，前者的诚实是后者的地基（假燃料的微观形态就是「提取产物伪装成进步」）。
不是「学生」（应试场景有成熟的教辅工具），不是「知识工作者」（他们的需求是文档协作）， 而是通过视频自学实用技能的人群：
- 化妆教程 → 步骤记不住
- 编程课 → 记了代码但不会用
- 乐理课 → 概念理解了但很快就忘
- 健身教程 → 动作要点看了就忘
v4.0 进一步分化：不存在「网课学习者」这个单一物种。至少四类人—— 探索者 / 启动者 / 平台期者 / 回归者，同一痛点对不同人群严重性不同（N4–N7）。其中回归者几乎被所有产品忽视，但规模最大：中断后真正的墙不是知识遗忘，而是「我不再是在学习的那个人」（N1）。
边界条件（必须写清）：本设计只适用于**「成为型」学习者**（化妆、编程、乐理、绘画——恰好是目标用户的全部）。「过桥型」学习者（考证、应试、速成）不需要叙事层，引擎层就够。边界不写清，模型会被应试场景的反例轻易证伪。
认知科学中「学习作为获取」与「学习作为参与」两个隐喻长期并存，在 AI 时代从视角之差变为生死分岔：
- 获取隐喻（v1.0 隐含）：记住更多、掌握更多、对抗遗忘——围绕此设计的产品，AI 是逆风（知识可即取即用，问 AI 就行）。
- 成为隐喻（v4.0 采用）：成为会化妆的人、能写出程序的人、群里那个懂乐理的人——围绕此设计的产品，AI 是顺风（AI 能替你回答乐理问题，不能替你成为懂乐理的人）。
用户「为什么不直接问 AI」的隐性疑问（N20），只有「成为」隐喻能够回答：
问 AI 得到的是答案，被 AI 问得到的才是能力——答案可以外包，品味不能外包，因为品味就是「你」。
「熵减」的熵，最初指向知识系统的熵（遗忘、混乱、碎片）。v4.0 对撞后的图景是双时钟：
| 知识熵 | 叙事熵 | |
|---|---|---|
| 半衰期 | 天（遗忘曲线） | 周（身份衰减） |
| 衰减后果 | 可重建（笔记/卡片还在） | 不可逆（「我不再是学习者」） |
| 产品职责 | 引擎层：让能力真实增长 | 飞轮/时机层：让增长被看见、让叙事被接住 |
产品必须在两只时钟上同时工作。只做引擎层（闪卡、复习），得到的是工具；只做叙事层（报告、见证），得到的是安慰剂。
「稳定地持续学习」只是学习生命周期曲线上的一小段，但所有学习产品的核心界面都是为那一小段的稳态居民建造的。瞬态中的人（将要开始的、正在放弃的、已经离开的、想要回来的）占据生命周期的大部分时间，却住在城市之外。
这解释了行业之谜：功能越来越科学，弃用率纹丝不动——所有新功能都在优化稳态体验，而流失全部发生在瞬态。
设计推论：
- 骨折层（L3）：把维护工作从用户转移到系统，用户只在瞬态做一次决定（安全启动、低谷生存、回归之门、毕业结算）
- 失联是一个稳态（住在产品之外），不是漏斗漏水——唯一触点是「不指责的通知」
- 不准骚扰滞留者：校准态是正当终点，不是转化漏斗的失败
| 容器地形（课程） | feed 地形（短视频） | |
|---|---|---|
| 失同步方向 | 叙事超前于能力（报名即宣告「我正在成为」） | 能力超前于叙事（隐性能力真实累积，自我认知滞后） |
| 死亡形态 | 崩塌——假燃料烧尽，叙事摔死在能力面前 | 埋没——真金沉在河底，叙事从未点火 |
| 产品职责 | 防止叙事透支（「动机 App 化」警戒） | 把叙事拖上来追赶能力（显影） |
学习结构住在哪里，决定了内容如何被对待：
- 结构在内容里（作者预制的章节/进阶/论证链）→ 容器地形，产物是课程笔记
- 结构在行为里（单条无结构，消费模式有结构）→ feed 地形，产物是碎片/组
- 平台、时长、学习声明都不构成判据——同平台并存 15 秒口播与付费专栏；90 秒的完整推导有结构，30 分钟的闲聊无结构
一条纪律：碎片可以资产化（可搜索、可复习），但不能冒充课程——产品必须如实呈现碎片的身份。「假燃料」死法在 feed 侧的微观形态，就是碎片组伪装成课程进度。
融合发生在产物层，不在管线层（代价高、语义混），也不做物理隔离（客群重叠、漏斗相连）：
一切采集产物归入「笔记组」，组是唯一容器，两种来源只是组的两种形成方式。
三条契约（v4 §7.4）：
- 分组粒度对齐领域，拒绝大类——「人生成长」式的大类退化为杂物抽屉；判据：一个组能否回答「关于 X，我学到了什么」
- 组是学习单元，不是档案盒——闪卡/复习/自测/对账的绑定粒度是「组」，两种来源共享同一学习循环
- 组有结算机制（防沼泽）——阈值/周期触发对账：提炼核心概念、合并重复、归档低价值项
对理念的含义：不是用两种界面做两件事，而是用两种进料方式，养同一个「我正在学会 X」的叙事。
数据不出本机是产品架构的默认值，不是可开关的功能。
- 所有核心功能（捕获、ASR、OCR、拼接、笔记、编辑、搜索）100% 离线可用
- AI 是可选增强层，且需要用户明确授权后才启用
- 模型文件随安装包分发，推理在本机完成
- 用户的数据主权不可侵犯——不需要依赖任何云服务完成学习闭环
为什么不做纯云端？
- 隐私：视频内容包含个人信息，上传第三方不可接受
- 成本：按分钟计费的转写长期使用成本远超一次性安装
- 可靠性：离线环境下学习不能因为网络中断而中断
- 价值观：本地优先是数据主权承诺，不是竞品壁垒——壁垒问题见原则 6
AI 在熵减中的角色：降本增效的增强层 + 检验能力的考官，二者都不是核心竞争力。
- 核心能力是本地引擎：ASR（sherpa-onnx）、OCR（PaddleOCR）、拼接（纯规则）、搜索（FTS5）——本地的、确定的、可预测的
- AI 做「补缝」与「测量」：AI 精修、知识补充、笔记健康度判断是体验增强；显影报告与盲测是能力检验
- 所有云端 AI 能力都有本地兜底：AI 精修不可用 → 本地规则版预览照常；AI 问答不可用 → 全文搜索已在
- 架构纪律（from v4）：AI 测量，人类见证——AI 永远扮演考官而非神喻（N20 的正式应战）。AI 能替你回答乐理问题，不能替你成为懂乐理的人
「26 个认知科学机制」曾经是路线图驱动力。v4.0 做了处置（见 v4 附录 C）：
- 进引擎层：测试效应、间隔重复、生成效应、必要难度——元分析支撑的教科书级结论
- 撤科学背书、降为工艺/参数：蔡格尼克效应、昼夜节律、睡眠巩固（效应量存疑；设计保留但不再宣称科学依据）
- 直接出局：学习风格（VAK，已证伪）、心流实时追踪（回溯性体验不可实时测量）、神经科学表述（Weisberg：术语让解释显得可信，即使不提供额外信息）
功能优先级不是按「用户想要什么」，而是按通过死亡清单的机制：
| 科学机制（存活） | 在产品中的体现 | 优先级 |
|---|---|---|
| 测试效应（Testing Effect） | 合书测试、生成式复习、闪卡提取 | P0 |
| 间隔重复（Spacing Effect） | SM-2/FSRS 闪卡调度 | P0 |
| 进展原则（Progress Principle） | 微进展可视化、进展叙事 | P0 |
| 序列位置效应 | 记忆锚点策略、时间戳回链 | P1 |
| 自我效能感 | 微进步喂养、健康度正向反馈 | P1 |
| 过度自信修正效应 | 高自信错误追踪、隐性错误模型（N14） | P1 |
一条总纪律：科学原理是设计者的约束条件，不是用户界面的功能清单。降级为传感器的机制（情绪锚点、认知负荷自评）不得重新升格为功能。
在什么都做的市场上，知道自己不做什么比知道自己要做什么更重要。
| 领域 | 为什么不做 |
|---|---|
| 通用工作区（Notion 式） | 我们不是生产力工具，是学习工具；知识体系层≠工作区——只托管"为什么学、学了怎么用"（问题/概念/模型/决策），不托管文档协作与写作（ADR-024） |
| 自由知识图谱/双链 | 自由双链/图谱不做——失败发生在人没回来的地方，不在知识没连成网的地方（P13）；有界体系除外（体系树＋概念/模型＋决策日志，引用限体系内、对证据单向引用，见 ADR-024：它不是"连成网"，是"围绕什么决策组织学习"） |
| 排行榜/毒性比较 | 排行榜让 95% 的用户成为失败者，且基准错位（N19）——克制比较，不克制见证（「被理解的目光」是真实需求，时间差同伴是见证结构，不是社交） |
| 内容供给/课程平台 | 专注学习过程管理，不做内容 |
| 移动端（MVP 阶段） | 视频知识提取的核心场景在桌面端 |
| WYSIWYG 编辑器 | 与 Markdown 存储冲突，增加复杂度无收益 |
| 骚扰滞留者 | 校准态是正当终点，不是漏斗漏水——产品出击，永不被打开（feed 侧没有每日视图） |
克制基于三层过滤机制：产品定位 → 技术架构 → 范围纪律（详见笔记设计理念文档）。
熵减用一个简单标准判断功能要不要做：它是否让「视频知识 → 个人能力 → 自我叙事」的链条更完整？
完整的学习链（三层架构，v4 §7.2）：
L1 引擎层（天时钟）——让能力真实增长
提取优先 → 间隔调度 → 卡壳救援 → 隐性错误模型 → 动手闭环 → 内容分型
↓
L2 飞轮层（周/月时钟）——让增长被看见
进展叙事 → 学习产物 → 见证结构 → 弹性承诺 → 下一课之桥 → 体系枝（为什么学→怎么用→审计，ADR-024，季/决策时钟）
↓
L3 骨折层（事件时钟）——在该断的地方接住
安全启动 → 低谷生存 → 中断宽限 → 回归之门 → 平台期显影 → 毕业结算
- L1 解决「提取/记忆」问题（入口价值）
- L2 解决「让增长可见」问题（叙事燃料）；体系枝：组回答"我在学什么"，体系回答"我为什么学、学了怎么用"——决策判断是链条的第四环（
能力→叙事→决策），体系是它的载体；终点仍是"成为"（体系是导航仪与检验器，不是新终点） - L3 解决「瞬态接住」问题（前 90% 的流失发生地）
- 闪卡/间隔重复位于 L1，但不是终点——它喂养的是飞轮，飞轮喂养的是叙事
如果一个功能不能明确在这条链中找到位置，它就不在这个版本中。
学习产品的真正留存不是留在应用里，是留在身份里。 这一条是护城河依据（见第六节），也是设计约束：
| 层级 | 指标 | 含义 |
|---|---|---|
| 反指标 | DAU、使用时长 | 引擎效率与停留时长负相关——设计目标恰是「办完即走」；显影报告人均重读次数是安慰剂烟雾报警器 |
| 北极星 | 笔记组的学习循环完成（组有复习记录＋有自测记录＋经历过结算） | 两地形在组粒度上的统一读数 |
| 身份指标 | 第二组启动率 | 用户自愿开始第二个主题组/第二门课——「留在身份里」的可测形式 |
为什么这是异端：靠连续打卡驱动的公司无法诚实地发布「无羞耻回归」设计——那等于自断现金牛。护城河不是功能，是一个组织敢用什么考核自己。
熵减的产品设计语言与其他产品的根本区别：
| 维度 | 传统产品设计 | 熵减设计 |
|---|---|---|
| 目标 | 让事情更容易 | 在正确的地方制造适当困难 |
| 交互 | 一键完成 | 引导参与 |
| 反馈 | 即时满足 | 延迟揭示（生成式复习） |
| 效率 | 越快越好 | 有效比快重要 |
| 衡量 | 完成率/停留时长 | 能力增长/叙事连续性 |
这不是故作高深——这是学习科学的要求。
- 测试效应：主动提取比被动阅读效果好 2-3 倍 → 闪卡先显示正面，回忆后再揭示反面（生成式复习），而非一键展示全部
- 生成效应：自己产出的信息记忆效果好 2-5 倍 → 笔记可编辑可重构，而非只看 AI 生成的终态
- 间隔重复：分散练习优于集中突击 → 每日复习队列而非考前突击
必要难度的延伸（feed 地形）：对短视频消费者，困难的形式是接受测量（被检验、被显影），而不是享受报告。因此：
- 显影必须可证伪——是测量，不是计数（安慰剂防线）
- 显影必附微行动，永不裸奔（觉察后行为转化窗口约 72 小时，N23）
熵减不承诺「让学习变得轻松」，它承诺「让学习变得更有效」。 轻松和有效在很多时候是矛盾的，我们选择站在有效这一边。
熵减的各功能模块不是并排的独立工具，而是通过数据流动形成有机整体（v4 §7.1 架构总图的理念版）：
公共底座（地形无关）
├── 本地引擎：ASR / OCR / 视频解码 / 常驻引擎池
├── 四维解耦（ContentForm × VisualTier × DomainTag）——结构密度的可计算代理
└── PlatformAdapter（平台壳适配）
↓ 地形标记路由
地形管线（地形强相关）
├── 容器：实时捕获 → 流式转写 → 会话级归档 → 笔记产物（天时钟）
└── feed：导入/账本 → 异步批处理 → 主题组聚合 → 组产物（季/阈值时钟）
↓
统一产物层：笔记组（唯一容器）
↓
同一学习循环：提取 → 复习 → 自测 → 结算 → 下一组
↓
体系层（L2 延伸枝，ADR-024）：问题树/概念/模型/决策/审计——为什么学、怎么用
这种结构的特征：
- 数据不重复：转写段是原料，笔记引用原料（块模型不复制），闪卡引用笔记段落
- 能力可叠加：基础功能全部离线可用，AI 每增加一层就增强一层
- 路径可选择：用户可从任一入口（捕获、导入、组、闪卡）进入同一学习循环
- 体系只引用不收纳（ADR-024）：组仍是唯一容器；体系是"决策判断"环的载体——"AI 测量，人类见证"中人类判断的领地
传统壁垒全部否定：科学密度（Google Scholar 人人可查）、数据闭环（可抄）、功能（更可抄）、本地优先（价值观，非壁垒——竞品同样可以本地化）。
真正的壁垒只有一种：指标异端。
- 骨折层是无主之地：失联用户不产生 DAU、不产生收入、在增长会议上根本不存在。竞品要抄「无羞耻回归」设计，得先放弃自己的北极星（连续打卡）。
- feed 版指标异端：本产品的成功＝用户地形迁移（离开 feed 进入容器）＝平台的流失。feed 原生产品结构上无法庆祝这件事——他们的年度报告「计数，从不测量」。
- 常模资产：业余能力常模全球无人拥有（验证则先动者独占）。
- 创作者作业生态（若成立）：供给侧锁定。
| 维度 | 通义听悟/讯飞听见 | Notion/Obsidian | 熵减 |
|---|---|---|---|
| 底层隐喻 | 获取（记住会议内容） | 获取（管理文档） | 成为（我是正在学会 X 的人） |
| 核心场景 | 会议/访谈转写 | 知识管理/写作 | 技能自学（两地形） |
| 数据路径 | 上传→云端处理→下载 | 本地/云端写作 | 捕获→提取→沉淀→增长可见→叙事接住 |
| 离线能力 | ❌ | ✅（Obsidian） | ✅ 全功能 |
| AI 依赖 | 核心依赖 | 可选 | 可选增强层 + 考官（AI 测量，人类见证） |
| 科学内核 | ❌ | ❌ | ✅ 经死亡清单过滤的机制 |
| 数据主权 | ❌ 数据上云 | ✅ 数据不出本机 | |
| 锁定风险 | 高（格式/平台） | 中 | 低（Markdown+SQLite 可导出） |
熵减不做「更好的转写工具」或「更好的笔记软件」——它维护的是「我正在学会 X」这个自我叙事的连续性，转写与笔记只是这条叙事的两根食粮。
在"两地形、一容器、一循环"之上：组回答"我在学什么"，体系回答"我为什么学、学了怎么用"——
记忆在组（flashcards.kind=model 卡），思辨在体系（概念"三问一用"），单向升格；决策/应用一表两面。
它是 L2 飞轮层的"体系枝"（季/决策时钟），也是"AI 测量，人类见证"中人类判断的领地（AI 只建议不生成）。
三条纪律（完整设计理念见 knowledge-system-design-philosophy.md）：
- 组是唯一容器——体系只引用、不收纳（引用不复制）；体系无内容入口；
- 检验优先——概念"用不出来"→ 待观察区；审计＝体系级结算（建议式、用户确认、无 streak 无惩罚）；
- 有界——树＋列表，非图；引用限体系内；不承担增长机制（P13 本意保留，不存在"知识图谱回归"）。
为什么有界体系不是 P13 回流：P13 排的是"连成网"作为增长机制（失败发生在人没回来的地方）； 体系排的是"围绕什么决策组织学习"（组织机制）——判据见知识体系设计理念 §四，缺一即越界。
v4 的死亡清单排出了死法排序（§10），其中与设计哲学直接相关的五条，作为「不那样设计」的硬约束：
| 死法 | 危险 | 设计防线 |
|---|---|---|
| 动机 App 化／假燃料 | ★★★★★ | AI 生成的虚假进步感是最危险的假燃料——因此 AI 测量、人类见证；碎片组冒充课程进度是微观形态——因此 如实呈现碎片身份 |
| 组沼泽化 | ★★★★★ | 结算机制形同虚设 → 组有结算契约（阈值/周期触发、核心提炼、重复合并、低价值归档） |
| 安慰剂化 | ★★★★★ | 显影沦为年度报告加强版 → 显影-时机绑定为架构级纪律；重读率是烟雾报警器 |
| 冷启动悖论 | ★★★★★ | 身份指标 6 个月才有读数，团队第 4 个月就想换回 DAU → 指标异端写进原则（原则 6），不是写在远景里 |
| 强行融合 | ★★★★ | 碎片闪卡质量低劣却继续加码 → 碎片升级率是测量层（Phase 4）的启用前置条件 |
| 体系沼泽化 | ★★★★ | 问题树变装饰品、概念沉睡 → 审计季度触达＋失效降级（90/180 天）＋体系无内容收纳权（ADR-024） |
| 假燃料放大器（体系版） | ★★★★ | 体系漂亮、学习不动 → 门控（组循环真机验收前不上线）＋审计报告"思辨 vs 学习"并列 |
| 记账负担 | ★★★ | 结算/审计/决策/应用多本账 → 决策应用一表两面＋审计与结算同范式＋引用必填 |
熵减的版本规划遵循「自底向上」原则。v4 §11 的 Phase 1-4 为路线轴，当前执行状态：
| 阶段（v4 §11） | 版本映射 | 状态 |
|---|---|---|
| Phase 1 笔记组基建 | v0.11.0（组基建容器侧）/ v0.11.1（feed 进料） | ✅ 已交付 2026-08-22（真机验收待执行） |
| Phase 2 学习循环统一 | v0.11.2（FSRS 学习循环/主题自测/组对账） | ✅ 已交付 2026-08-22 |
| Phase 3 组结算机制 | v0.11.3（组结算）/ v0.11.4（内容分型+周契约+feed 消费闭环） | ✅ 已交付 2026-08-22 |
| Phase 4 测量层增强（可选） | 未排期，门控 | ⏳ 显影报告/盲测/常模库——以 Phase 2 碎片升级率为启用前置条件 |
Phase 1-3 之后的当前版本线（v0.11.5–v0.12.x）聚焦「地基增强」：采集体验打磨、AI 平台化（Provider 抽象+能力声明化）、图文与窗口捕获重塑。它们不改变设计哲学，而是把两条进料管道的提取质量做得更可信——这是学习循环的燃料纯度问题。
版本线不拆分：同一 dev 主线、同一 SemVer、同一发布、同一品牌、同一数据主权——两地形是同一产品的两种进料方式，不是两个产品。
每一阶段都在回答一个问题：「现在的链条在哪里断了？下一段接上。」（原则 5 的版本化表达）
技术选型决策遵循的优先级（2026-08 已裁决）：
- 本地优先：所有关键路径的运行不依赖网络
- 离线全功能：核心体验从安装第一天起 100% 可用
- AI 为增强层：云端能力能提升体验，但不构成依赖（与原则 2 一致）
- 成熟生态：选型优先社区活跃、文档完善的方案
- 避免锁定：Markdown 存储、SQLite 数据、标准格式导出
具体技术栈：Tauri 2 + React + TypeScript + Rust；sherpa-onnx（ASR）；PaddleOCR（OCR）；SQLite（rusqlite）；云端多模态（Qwen-VL 系，可选，经用户授权）。
增强能力默认关闭：feed 相关能力以功能开关引入，默认关闭——延续「AI/增强能力默认关闭」的既有传统，直至组级学习循环通过真机验收。
本文档基线为痛点图谱 v4.0（2026-08-22 统一卷）。理念层变更须与 v4 同步裁决。