枝知 v0.1 发布啦：让 AI 学习跟得上你的思路

最近，我正在学习 vibe coding。在与 AI 来回对话的学习中，遇到了一些麻烦。

于是制作了一款学习工具，叫作枝知。今天，v0.1 发布了。

它想解决一个我自己经常遇到的问题：用 AI 学习时，问题可以一直问下去，思路却很容易在追问中丢掉。

枝知让你针对不理解的内容，在浮窗中展开一段分支对话；分支里遇到新问题，还可以继续分叉。弄懂一个细节之后，再回到原来的内容接着学。你也可以让 AI 根据这些追问，重新组织原来的讲解。

下载链接在文末

起因

假设你有一些线性代数基础，想用 AI 入门 Transformer。

你问：“能给我讲讲 Transformer 的工作原理吗？”

AI 很快给出一篇结构完整的回答，从词嵌入、位置编码，一路讲到自注意力和前馈网络。看起来条理清晰，但读到自注意力时，你停住了：

“通过 Query 和 Key 的点积计算相关性，再对 Value 加权求和。”

Query、Key、Value 到底是什么？为什么点积能表示相关性？

于是，你开始追问。

解释点积时，AI 又提到了向量夹角；讲到注意力权重时，又出现了 softmax。你接着问：“为什么这里需要 softmax？”

几个来回之后，你终于理解了这个细节。可最初那篇 Transformer 讲解，已经被推到了很远的上方。你要翻回去，找到刚才读到的地方，再重新接上思路。

如果同时还有两三个没弄懂的段落，这件事就更麻烦了：先问哪个？剩下的会不会忘？另开一段对话，又要重新说明多少背景？

你原本只想补上一个知识缺口，却不得不额外管理对话、寻找上下文、记住阅读位置。

这不只是回答长短的问题，也不是文字是否逐字输出的问题。更根本的矛盾在于：对话通常按时间排成一条线，理解却经常需要从一个地方岔出去，再回到原处。

问题长出分支

枝知的第一个出发点很简单：疑问在哪里出现，就在哪里展开。

真实的求知过程，充满了分叉，相当的发散，还是刚才的例子：

[用户] Transformer 是如何工作的？（学习主线）
└── [AI] 从这几个部分来理解：
	├── [AI] 一、词嵌入：将词元表示为向量……
	├── [AI] 二、位置编码：补充位置信息……
	│   └── [用户] 为什么需要单独表示位置？
	│       └── [AI] 因为自注意力本身不包含序列顺序……
	├── [AI] 三、自注意力：通过 Q、K、V 计算……
	│   ├── [用户] Query、Key、Value 分别是什么？
	│   │   └── [AI] 可以理解为查询、匹配线索和待汇总的信息……
	│   │       └── [用户] 能用一个短句举例吗？
	│   │           └── [AI] 我们来看“猫坐在垫子上”……
	│   ├── [用户] 为什么用点积计算相关性？
	│   │   └── [AI] 点积与向量的长度、夹角有关……
	│   │       └── [用户] 点积和向量夹角有什么关系？
	│   │           └── [AI] 我们从几何意义来看……
	│   └── [用户] 为什么需要 softmax？
	│       └── [AI] 它把分数转换为非负、和为 1 的权重……
	│           └── [用户] 为什么不直接除以所有分数的和？
	│               └── [AI] 原始分数可能为负，和也可能为零……
	└── [AI] 四、前馈网络：对各位置的表示进一步变换……
		└── [用户] 有了注意力，为什么还需要它？
			└── [AI] 注意力负责聚合信息，前馈网络则……

枝知为此设计了一套现代化的UI，尽可能维护思路的完整性，让整个过程更自然。

追问这个行为本身就有价值

另一个让我在意的问题是：一篇回答写得完整，不代表它适合此刻的你。

你可能熟悉矩阵运算，却没接触过机器学习；也可能已经会写模型代码，但还没有理解背后的概率知识。同一句“显然可以得到”，对不同的人，理解成本完全不同。

AI讲解的知识基础，可能和用户的知识基础并不一致。

在枝知里，你可以让 AI 结合分支中的提问，重写原来的那一段内容，并在后续回答中调整讲解的起点。在后续的问答中，AI也会利用用户的分支信息，将讲解的知识基础，与用户的知识基础对齐。

比如，在你追问了 Query、Key、Value 和 softmax 之后，可以让它重新讲一次自注意力：先用一个短句说明每一步在做什么，再引入公式，而不是继续用你还不熟悉的概念解释另一个概念。

现有文档也可以分支提问

学习的起点也不总是一个问题。更多时候，它是一篇论文、一份课程笔记，或者一段读了几遍仍然不理解的材料。

枝知 v0.1 支持导入 Markdown 文档，也支持直接导入 arXiv 论文。阅读时，你可以围绕不理解的内容发起 AI 问答、展开分支，并记下自己的笔记。

我尤其想照顾这几类场景：

• 自学一个陌生领域：沿着一个主题往下学，遇到缺失的前置知识就展开补充，理解后再回到主线。
• 精读论文：针对某个定义、公式或方法描述继续追问，把“作者写了什么”和“我理解了什么”逐步对齐。
• 复习课程材料：从已有笔记出发，围绕卡住的步骤提问，再用自己的话整理理解。

这些场景有一个共同点：你需要的往往不是 AI 再生成一大篇内容，而是把眼前这一段真正读懂。

开发计划

这一版先聚焦三件事：

1. 分支对话：通过浮窗随时展开问题，分支中也可以继续分叉。
2. 基于追问重写讲解：让 AI 参考分支中的疑问，调整原来的内容与后续讲解方式。
3. 围绕材料学习：导入 Markdown 文档或 arXiv 论文，结合阅读、笔记与分支问答展开学习。

接下来，我在开发一个专为学习设计的记忆模块。除了偏好的讲解方式，我还希望它能区分不同学科方向的学习情况：你可能已经熟悉线性代数，却刚开始学习概率论，不应该被一个笼统的“初学者”或“进阶用户”标签概括。

这部分仍在开发中，不属于 v0.1 已完成的能力

写在最后

我给它取名“枝知”，也是因为这个想法：知识的理解，常常是在一次次追问中慢慢长出枝丫的。我想做的不是一个更擅长替你总结的工具，而是一个让你愿意继续问、也更容易接着学下去的工具。

下载链接

如果你觉得软件好用，欢迎为我点亮star

软件采用 AGPL-3.0 license 开源