---

💡 它解决什么问题？

在通用的聊天窗口里，学习往往是线性的、容易遗忘的：

• 讲过的概念迅速沉入冗长的对话记录，几天后无从翻查；
• 概念之间的依赖关系错综复杂，聊天界面却只能展现单一扁平流水；
• AI 仅在输入框外部“打字陪聊”，无法沉淀出一份条理严密、能随时复习演进的讲义读物。

归一 Unyra 将学习重构为一张清晰的「拓扑知识网」，并从根本上解决深度学习的核心痛点：

维度	传统线性聊天 (Chat)	归一 Unyra 探索式学习
知识组织	线性流式对话，翻页即忘，概念扁平	有向无环图 (DAG) 拓扑，依赖分明，概念可被多个节点引用而不重复创建
产出载体	聊天气泡里的瞬时片段	一份活的教学文档 + 任意多份笔记，原地持续更新，支持分屏对照与跨文档精准跳转
AI 参与度	仅在输入框外部打字回答	超级导师直接动笔：在沙箱中执行编排，教学文档、节点结构、试卷、批注一次性落定
学习检验	用户主观扫读，缺乏客观反馈	独立全屏考试窗口 + 错题追因，自动记录客观得分与用时，导师针对薄弱项写讲解
数据与隐私	存在第三方云端数据库中	本地优先 (Local-First)，数据全在本地以纯 Markdown / YAML / JSON 存储，模型请求端到端直连

---

1. 讲解的细粒度如何自适应控制？（三层调节回路）

面对复杂的知识体系，AI 教学最怕“要么泛泛而谈太浅显，要么长篇大论吓退初学者”。Unyra 采用三层动态回路精准调节讲解细粒度：

• 🧠 基础层 · 模型先验推演：利用大模型的常识与逻辑推理能力，先预估该领域标准的认知进阶阶梯，自顶向下梳理概念脉络。
• 🔍 辅助层 · 表单提问 (Ask) + 网络检索 (RAG)：
  • 主动澄清 (api.ask)：当面临认知分水岭或不确定用户水平时，导师不自作主张瞎猜，而是主动弹出一张轻量交互表单（支持单选/多选/填空）确认背景；
  • 事实检索 (api.web.search)：遇到具体工程版本、前沿动态或特定事实细节时，导师自动联网检索最新资料，避免停留在抽象空谈。
• 🎯 兜底层 · 用户探索主动拓展前置知识（选词裂变）：
  • 没有任何算法能 100% 预判每个人知识盲区。当用户在讲义中读到某个未掌握的前提概念时，鼠标选词按数字键 1，系统即可在当前节点下裂变出一个子节点展开专向讲解；
  • 学懂前置知识后，顺着拓扑图随时退回主线。把控学习深度与节奏的终极权力，始终在学习者手中。

---

2. 教学文档的权威性与真实性如何保障？

避免大模型“一本正经地胡说八道”（幻觉），是进阶严肃学习的生命线：

• ⚖️ 直觉与严谨「双轨制」排版：正文严格遵守教学规律，先以通俗生活隐喻建立直觉（怎么想），紧随严格的数学/工程标准定义与边界约束（公式与严格判定），最后标出易错禁区。绝不因通俗而偷换概念，兼顾好懂与权威。
• 💻 代码沙箱本地真实编译运行：讲义中的代码片段不是不可运行的“死文本”。在超级导师的编排下，代码块支持一键在本地隔离沙箱中转译与真实执行，输出结果直接挂在代码块下方，经得起实操检验。
• 📚 规范公式与事实来源透明：全篇公式走标准 KaTeX 语法（主流 Markdown 编辑器原生兼容）；检索引述保留来源 URL；再由独立全屏考场的客观计算题反向检验掌握成色，彻底打破模型幻觉。

---

3. 教学内容如何为用户量身特化？（用户画像与双层记忆）

千人一面的教材无法满足不同背景的学习者。Unyra 内置了不破坏大模型前缀缓存的高效个性化系统：

• 👤 客观画像 (user.yaml)：记录学习者的学历层次、专业背景、已有技能与偏好语言。画像信息作为客观背景首轮注入或按需读取，不污染系统提示词，避免改动个人信息导致全量前缀缓存失效。
• 📝 无感提问与直写画像：导师通过 api.ask 询问学习者的偏好或水平，用户提交表单的瞬间，数据直接校验并增量落盘至 user.yaml，不经由大模型二次复述，杜绝信息走样。
• 🧠 双层记忆网络 (Memory System)：
  • 工作记忆 (mind.json)：记录当前目标内部的研讨进展、待办事项与专属约定；
  • 长期记忆 (state.json)：跨学习目标记录用户的认知习惯、高频薄弱项与个性特征。
• 💡 心智模型动态映射：当面对同一个“函数”概念时，面对计算机背景的学习者，导师会类比为“映射与接口契约”；面对文科背景的学习者，则类比为“投币自动售卖机”，因材施教。

---

🎯 典型学习场景

场景 1：复杂学科与概念拆解（以《高等数学》为例）

从直觉到严谨定义，建立系统性认知，告别死记硬背。

1. 结构化展开路线：输入目标后，导师根据知识依赖生成全景路线图（如：从“工具箱早启：函数”到“函数与定义域”，再延伸至极限与导数），节点层级清晰，配有 Minimap 导航缩略图。
2. 先讲直觉，再讲原理：导师在教学文档中动笔撰写讲义，用“投一个数，吐一个数的机器”通俗破题，再给出严谨的数学定义，并标注求定义域的关键禁区。

1. 交互式辅助理解（超级文档）：导师还可编写带有动态图表和滑动控件的交互页面（例如“定义域探测器”），拖动滑块即可直观观察函数在禁区附近的变化曲线与未定义点，让抽象概念跃然眼前。

1. 选词即学，逐层深潜：阅读讲义时若遇到生疏术语，鼠标高亮选词，按数字键 1 即可在当前节点下裂变子节点展开细讲，按 2 由导师在正文划出两三句行内注解。

---

场景 2：随堂练习与客观自测（独立考试窗口）

检验学没学会，用客观判分与错题讲解形成完整闭环。

1. 一键发起考试：针对当前节点生成的随堂小测，在独立的沉浸窗口中作答。
2. 纯粹防干扰卷面：单栏清晰排版，题目与选项支持标准 LaTeX 数学公式渲染；支持单选题、填空题以及手写草稿答卷上传。

1. 智能阅卷与薄弱项追因：交卷后客观题本地自动判分，主观题由导师批阅；导师对照历史错题归纳易错点，并在那次考试副本中附上详细的错题讲解，反复考的成绩天然成组对比。

---

🌟 核心功能特性

🗺️ 结构画布与知识拓扑 (Structure Canvas)

• 概念拓扑图谱 (DAG)：知识拆解为独立节点，节点间建立明确依赖边。同一个核心概念可被多个上层知识点引用，避免重复构建。
• 流畅平移与缩放：画布支持大范围缩放与平移，附带实时 Minimap 导航小地图，方便宏观总览与微观阅读快速切换。
• 自动适配任务类型：系统性学习生成多层级完整大纲树；对于阅读代码库、查阅报错或单点答疑等临时任务，只建根节点导读文档，不制造多余的空节点。

---

🧑‍🏫 超级导师与动态讲义 (Super Agent)

• 一个目标一份上下文：同一目标下的所有节点共享对话上下文，切节点不丢失历史，保持模型前缀缓存高效稳定。
• 代码沙箱直接动笔：导师通过 JavaScript 沙箱统一操作文档读写、节点管理与试卷编排，讲解内容直接写入教学文档，并在对话中说明修改理由。
• 思考链可见与智能跟随：思考气泡实时滚动显示生成过程；输出时窗口自动贴底，向上翻阅时自动解除跟随，不打扰阅读节奏。
• 上下文智能压缩：长对话自动或手动生成交接摘要与未完待办清单，淘汰旧消息残渣，关键约定永不遗忘。
• 三种导师人格随心切：
  • 标准导师（默认）：耐心引导，先直觉后原理；
  • 简洁导师：直奔主题，只讲核心逻辑与解法；
  • ADHD 导师：充满好奇，主线穿插趣味支线，善用 emoji 辅助视觉标记。

---

⚡ 选词即学与快捷交互

• 1~4 数字盲操快捷菜单：在文档中选中文本即可唤出菜单，按数字键直接触发：
  • 1 学习：在当前节点下创建子节点并自动开讲；
  • 2 了解：导师在正文中划定两三句上下文相连的行内释义注解；
  • 3 注解：添加用户个人的 Markdown 批注；
  • 4 询问：精准定位原句向导师发起深度提问。
• 复制的是 Markdown 原文：阅读视图中按下 Ctrl+C，存入剪贴板的是纯净标准的 Markdown 源码（公式与标记均保持原样）。
• 精准行号跳转：支持 moji:doc/#节点id/note#L12-L20 语法，点击即可自动滚屏并高亮对应行段。

---

📑 自由分屏工作区与文档能力

• VS Code 级多区分屏：页签支持任意拖动排序、左右并排或上下叠放分割；各分屏具备独立页签管理与焦点记忆。
• 数学公式与图表：内置 KaTeX 数学排版（零字体网络依赖），支持用 ```plot 围栏动态绘制函数解析图像。
• 代码块高亮与沙箱运行：集成 VS Code TextMate 40+ 语言语法高亮，代码块支持一键在隔离沙箱中编译执行并查看输出。
• PDF 预览与本地 OCR：支持 PDF 文件高清矢量阅读，内置 PaddleOCR / 系统文字识别覆盖层，轻松进行划词、提取与问答。
• 本地离线语音输入：集成 SenseVoiceSmall 离线语音模型（228MB），按住空格即可转写，音频不出本机。
• 多格式导出：Ctrl+E 一键导出整洁 Markdown、单文件 HTML 网页或 PDF 文档。

---

🎨 13 套精心调优的主题配色

文档与界面的视觉设计深度打磨，代码高亮配色随主题同步变换，无论是深夜自习还是白天阅读，都能提供舒适沉浸的视觉体验：

• 浅色系：浅色、暖纸、琥珀、纯白；
• 深色系：深色、石黑、夜航蓝、高对比、纯黑；
• 雅致色系：演变绿、静谧蓝、霁紫、樱花粉。

---

🔒 本地优先与隐私安全 (Local-First)

所有学习数据与讲义均保存在本机用户数据目录下，不经过任何第三方云端。

%APPDATA%/unyra/users/{uid}/
├── user.yaml            # 用户画像与基本设置
├── setting.yaml         # 外观、快捷键、AI 接入配置
├── state.json           # 界面状态（打开的页签、分屏、未保存暂存）
├── docs/{目标名}/       # 纯文本 Markdown 教学文档、多份笔记、考试试卷
└── web/                 # 离线归档的参考网页

• 纯明文文件存储：讲义与笔记均为标准 .md 文件，不锁死在专属数据库中。可随时使用外部编辑器打开或备份至移动硬盘。
• AI 请求端到端直发：由 Electron 本地主进程直接与您配置的服务商进行通信，绝无中间代理服务器。

---

🚀 快速开始

1. 下载安装包

请前往 GitHub Releases 发布页 获取：

• Unyra-Setup-<版本>.exe：标准 Windows 安装向导（推荐，自动处理更新与桌面快捷方式，无需管理员权限）。
• win-unpacked.zip：便携版，解压后双击 归一 Unyra.exe 即可直接运行。

2. 填入 API Key 即可使用

1. 启动应用，选择或新建一个本机用户；
2. 点击顶栏右上角 设置 (⚙️)，在 AI 设置中填入您的 API Key（默认支持 DeepSeek 官方接口，也可配置任意兼容 OpenAI 协议的服务，如通义千问、Kimi、GLM、本地 Ollama 等）；
3. 点击左侧 新建目标，输入您想要学习的课题，导师将即刻为您生成路线并开讲！

---

💻 本地开发

# 1. 克隆仓库
git clone https://github.com/maplexrain/unyra.git
cd unyra

# 2. 安装依赖
npm install

# 3. 安装 Electron 运行环境
node node_modules/electron/install.js

# 4. 启动开发模式（支持热重载）
npm run dev

# 5. 运行完整测试套件
npm run test

# 6. 代码检查与打包
npm run lint
npm run typecheck
npm run build
npm run release:win

[!TIP] 国内网络如遇 GitHub 二进制包下载缓慢，可在 PowerShell 中配置镜像：
$env:ELECTRON_MIRROR="https://cdn.npmmirror.com/binaries/electron/"

---

🏗️ 核心技术栈

• 桌面核心：Electron 44 · Node.js 24 · ESBuild
• 前端架构：React 19 · TypeScript 7 · Vite 8 · Tailwind CSS 4 · Anime.js · Lucide Icons
• 编辑器与排版：CodeMirror 6 · VS Code TextMate / Oniguruma · Marked · KaTeX · FunctionPlot
• 端侧 AI 运行时：ONNX Runtime Node · PaddleOCR · Sherpa-ONNX (SenseVoiceSmall) · PDF.js

---

💬 社区与反馈

如果您在学习与使用过程中遇到问题，或有好的产品建议，欢迎交流：

• 🐛 Issue 反馈：提交 GitHub Issue
• 💬 归一交流群：851412626
• 📺 B站主页：@岚中古桥
• 📮 作者 QQ：2652079974

---

❤️ 致谢与赞助

归一由作者全职独立开发，负责从架构、代码、文档到发布的全部工作。每一位朋友的认可与赞助，都是支撑项目持续前进的坚实动力。

在此特别鸣谢首位赞助者 瑞宝 与所有支持归一的朋友！

👉 查看完整赞助者名单与致谢记录 (持续更新)

---